키어런 클라센의 '복합 엔지니어링': AI와 제로 코드로 제품 구축하기

키어런 클라센은 올해 단 한 줄의 코드도 작성하지 않았지만, 현재 수천 명이 사용하는 제품을 개발했다고 말합니다. 이 제품은 복잡한 도메인인 이메일 받은 편지함 기능을 관리하며, 2년간의 헌신적인 노력의 정점입니다. 클라센의 방법은 직접 코딩을 최소화하여 기존의 제품 개발 개념에 도전합니다.

클라센은 Cora를 구축하면서 '복합 엔지니어링'을 개발했다고 설명하며, Cora를 완전한 AI 이메일 받은 편지함이자 에이전트 네이티브 애플리케이션으로 묘사합니다. Cora는 명령줄 인터페이스(CLI)와 데스크톱 애플리케이션을 포함한 다양한 인터페이스를 지원하도록 매우 다재다능하게 설계되었습니다. 이러한 유연성은 AI 기반 제품에서 에이전트 네이티브 설계의 힘을 강조합니다.

창업자이자 전 엔지니어링 부사장으로서 클라센은 한 명의 엔지니어가 AI 지원 개발의 한계를 뛰어넘도록 Cora 프로젝트를 의도적으로 구성했습니다. 그는 Sonnet 3.5와 같은 AI 모델을 활용하여 팀을 확장하기 전에 AI가 자신의 역량을 얼마나 확장할 수 있는지 평가하는 명확한 목표를 가지고 있었습니다. 이 실험적 접근 방식은 고급 AI 도구를 사용하여 개인의 최대 산출량을 결정하는 것을 목표로 했습니다.

클라센은 AI 역량이 향상됨에 따라 2년 동안 개발 프로세스의 변화하는 병목 현상을 모니터링했습니다. 처음에는 코드 생성이 주요 장애물이었지만, AI가 더 능숙해지면서 빠르게 계획으로 바뀌었습니다. 결국 핵심 과제는 '무엇을 만들지'를 결정하는 것으로 진화했으며, '어떻게 만들지'는 아니었습니다. 이러한 진전은 명령의 반복을 방지하고 효율적인 AI 학습을 보장하기 위한 메모리 시스템의 필수적인 개발로 이어졌습니다.

클라센은 현대 엔지니어링에서 직접적인 타이핑과 구현에서 벗어나 더 높은 수준의 판단과 취향으로 근본적인 변화가 일어나고 있다고 관찰합니다. 그는 AI가 구현 단계를 대부분 해결했으며, 인간의 역할은 전략적 방향과 중요한 의사 결정을 제공하는 것으로 더 중요해졌다고 믿습니다. 그가 개발한 복합 시스템은 AI가 이전 브레인스토밍 결과를 유지하게 하여 반복적인 작업을 줄이고 엔지니어가 질적 측면에 집중할 수 있도록 합니다.

클라센은 자신의 워크플로를 '인간-AI 샌드위치'로 특징짓는데, 여기서 인간은 초기 브레인스토밍과 최종 검토를 처리하는 '빵' 역할을 하고, AI는 실행의 '중간 부분'을 수행합니다. 이 루프는 브레인스토밍, 계획, 작업, 검토, 다듬기, 복합화 및 반복을 포함합니다. 그는 이러한 복합 시스템을 활용하는 단일 엔지니어가 그러한 프레임워크가 없는 더 큰 팀보다 더 많은 것을 달성할 수 있다고 주장합니다.

클라센은 AI 지원 개발에서 엔지니어링 노력을 할당하기 위한 50/50 규칙을 제안합니다. 그는 시간의 50%는 기능을 구축하고 의도한 가치를 제공하는 데 할애해야 한다고 제안합니다. 나머지 50%는 시스템을 가르치고, 특히 시스템이 저지른 실수를 수정하는 데 사용되어야 합니다. 이 교육 과정은 AI의 미래 성능과 전반적인 시스템 효율성을 향상시키는 데 중요합니다.

클라센은 습득한 모든 지식을 자신의 저장소 내에 솔루션 문서로 저장한다고 설명합니다. 그는 토큰 사용에 대한 일반적인 인식에도 불구하고 이 접근 방식이 AI의 심층 연구에 의존하는 것보다 토큰 효율적이라고 주장합니다. 올바른 답변과 솔루션을 즉시 사용할 수 있게 함으로써 시스템은 광범위한 검토, 수정 또는 중복 연구의 필요성을 줄여 궁극적으로 비용을 절감하고 효율성을 향상시킵니다.

클라센은 사용자가 CodeExCloud 및 Cursor와 같은 다양한 도구에 설치할 수 있는 '복합 엔지니어링 플러그인'을 개발했습니다. 이 플러그인은 그의 워크플로의 이점을 수십만 명의 일일 사용자를 포함한 더 넓은 청중에게 확장합니다. 이는 엔지니어, 제품 관리자 및 디자이너가 복합 엔지니어링 원칙을 일상 업무에 통합하는 데 도움이 되도록 설계되었습니다.

'C ideate' 명령어는 Linear, GitHub, Slack, Intercom과 같은 다양한 소스의 혼란스러운 백로그 데이터를 구조화된 주장으로 변환하도록 설계되었습니다. 이 도구는 피드백을 분석하고 어떤 작업이 추구할 가치가 있는지, 어떤 작업이 그렇지 않은지에 대한 합리적인 주장을 생성합니다. 결과는 팀과 공유하기에 적합한 깨끗한 HTML 문서로, 백로그 관리 및 전략 계획을 간소화합니다.

이 시스템은 사용자가 기존 OKR(목표 및 핵심 결과)을 가리키도록 하여 아이디어를 전략적 목표와 일치시킬 수 있도록 합니다. 이는 과거 학습 및 전략 문서를 활용하여 새로운 아이디어가 전반적인 방향과 일치하는지 확인합니다. 그런 다음 결과를 내보내서 프레젠테이션을 생성할 수 있으므로 전략적 결정을 전달하고 정당화하기가 더 쉽습니다.

클라센은 제품 요구 사항 문서(PRD)의 비평을 자동화하기 위해 'C doc review' 워크플로를 사용합니다. 이 시스템은 날카롭고 비판적인 질문을 제공하며, 그는 이를 특히 가치 있다고 생각합니다. 이 질문에 답한 후, 지식은 시스템에 '복합화'되어 미래 검토에서 동일한 질문을 하지 않도록 학습할 수 있게 합니다. 이 반복적인 프로세스는 시스템의 이해도를 정제하고 문서 품질을 향상시킵니다.

'C brainstorm' 명령어는 쉽게 설명하기에는 너무 복잡한 고수준 작업을 위해 설계되었습니다. 클라센은 이 명령어를 호출할 때 심층 집중 상태에 들어가야 한다는 것을 인식하고 이 목적을 위해 시간을 따로 할애합니다. 이 명령어는 '뇌 활성화' 프롬프트 역할을 하여 복잡한 문제에 대한 전념적이고 중단 없는 작업의 필요성을 나타냅s니다.

클라센은 자신의 지능형 쿼리 시스템이 사용자 페르소나와 특정 작업 요구 사항에 따라 통신을 조정하여 문의와 자율성 사이의 균형을 이룬다고 강조합니다. 목표는 과도한 질문을 생성하는 것이 아니라 최고의 작업 결과를 달성하는 것입니다. 그는 많은 AI 라이브러리가 너무 많은 질문을 하는 함정에 빠져 효율성을 저해할 수 있다고 지적합니다.

'/LFG' 명령어는 계획부터 테스트까지 전체 개발 주기를 처리하는 자동화된 실행 루프를 시작합니다. 이 시스템은 계획, 작업 검토, 테스트와 같은 작업을 수행하며 몇 시간 동안 실행될 수 있습니다. 자동으로 풀 리퀘스트를 열고, 도그푸딩을 수행하고, 문제를 해결하려고 시도하며, 풀 리퀘스트 내에서 '전후' 비디오 스크린샷을 생성하고, 심지어 밤새도록 다른 작업과 병렬로 작동합니다.

높은 표준을 유지하기 위해 사용자는 코드와 함께 제품을 검토합니다. 중복 로고와 같은 특정 UI 오류가 사람의 피드백을 통해 식별되면 해당 지식이 추출되어 시스템에 다시 입력됩니다. 이 프로세스는 AI가 과거의 실수로부터 학습하도록 보장합니다. 결과적으로 미래의 디자인 작업은 올바르게 태그가 지정되고 관련 파일이 찾아지며 시스템은 이러한 오류를 반복하지 않도록 알게 되어 학습 프로세스의 '루프를 닫습니다'.

클라센은 개발자에게 동일한 수동 작업을 반복하지 말고, 재발을 방지하기 위해 기본 논리를 시스템으로 추출하도록 촉구합니다. 그는 일상적인 작업을 위한 자율적인 중간 계층을 만드는 것의 중요성을 강조합니다. 이 전략은 프로세스가 감독 없이 실행될 만큼 신뢰할 수 있을 때까지 수동으로 반복하여 지식을 복합화하고 반복적인 작업을 제거하는 것을 포함합니다.

클라센의 전략적 전망은 구현 비용은 계속 감소할 것이지만, 전문적인 판단은 여전히 매우 가치 있을 것이라고 가정합니다. 그는 미래 모델과 시스템이 인간의 판단을 효과적으로 접근하고 활용하도록 설계되어야 한다고 믿습니다. 따라서 엔지니어는 프로세스 시작 시 문제 정의를 소유하고 끝에서 품질에 대한 기준을 지속적으로 높여야 합니다. 이러한 맥락에서 성공은 각 후속 기능이 이전 기능보다 구축하기 쉬워지도록 보장하는 것으로 정의됩니다.