AI에게 시니어 엔지니어처럼 생각하도록 가르치기― 계획 중심 AI 개발(Plan-Driven AI Development)의 등장

AI가 단순히 코드를 ‘쓰는’ 시대는 끝났다

요즘 많은 개발자들이 AI 코딩 도구를 활용해 코드를 빠르게 작성합니다. 하지만 대부분의 경우, AI는 주어진 명령에 따라 결과를 단순히 출력할 뿐 개발자의 의도를 이해하거나 문제의 맥락을 파악하지는 못합니다.
결국 “AI가 만들어준 코드”를 다시 수정하고, 구조를 재설계하고, 버그를 잡느라 시간을 낭비하게 됩니다.

이러한 문제를 해결하기 위한 새로운 접근이 등장했습니다. 바로 AI 계획 중심 개발 방식(Plan-Driven AI Development) 입니다. 이 방식은 AI가 코드를 작성하기 전에 먼저 ‘계획’을 세우도록 하여, 마치 시니어 엔지니어처럼 사고하고 판단하도록 만드는 방법입니다.

반응형

---

AI 계획 중심 개발(Plan-Driven AI Development)이란 무엇인가

기존의 AI 코딩은 “명령 → 코드 생성”의 단순한 구조였습니다. 그러나 계획 중심 개발은 여기에 “명령 → 분석 및 계획 수립 → 코드 생성” 단계를 추가합니다.
AI가 코드를 작성하기 전에 문제를 정의하고, 해결 전략을 연구하며, 잠재적인 오류나 한계를 사전에 점검합니다.

이 방식은 단순한 자동화가 아니라, AI가 개발자의 사고방식을 모방하며 학습하는 과정입니다.
이를 통해 AI는 잘못된 구현을 줄이고, 개발 속도를 높이며, 나아가 개발자의 의도와 선호도를 이해하게 됩니다.

---

8가지 전략으로 배우는 ‘AI 사고 훈련법’

AI에게 시니어 개발자의 사고를 가르치는 과정은 총 8가지 전략으로 구성됩니다. 각 전략은 실제 개발자의 사고 단계를 모방하며, AI가 그에 맞춰 판단하도록 설계됩니다.

1. 버그 재현 및 문서화

문제가 발생했을 때 AI가 단순히 에러를 수정하는 대신, 버그를 재현하고 원인을 단계별로 분석합니다.
예를 들어 이메일 앱 Cora의 ‘이메일 파산(email bankruptcy)’ 기능에서, 19명의 사용자가 무한 로딩에 갇히는 문제가 발생했습니다.
AI는 AppSignal 로그를 분석해 Gmail 속도 제한 오류가 무시되고 있었음을 찾아냈고, 이를 통해 배치 재시도와 부분 복구 기능이 필요함을 확인했습니다.

결과적으로 “외부 API를 호출하는 백그라운드 작업 시 속도 제한 및 재시도 여부 확인”이라는 항목이 자동으로 체크리스트에 추가되었습니다.

---

2. 베스트 프랙티스 조사

AI는 단순히 코드를 생성하지 않고, 유사 사례나 베스트 프랙티스를 웹에서 직접 조사합니다.
예를 들어 오래된 gem 업그레이드 시 AI는 “버전 간 변경 사항”, “마이그레이션 이슈” 등을 검색하고, 엔지니어 블로그에서 성공 사례를 학습합니다.
이렇게 단 몇 분의 조사로 수시간의 시행착오를 줄일 수 있습니다.
AI는 유용한 정보를 문서(docs/*.md)에 자동 기록하여, 다음 번 동일한 상황에서는 빠르게 참조합니다.

---

3. 코드베이스 조사

새로운 기능을 만들기 전, AI가 기존 코드베이스를 검색해 유사 기능이 이미 존재하는지 확인합니다.
이 과정에서 불필요한 중복 개발을 막고, 기존 시스템과 호환되는 확장 방식으로 설계를 유도합니다.
예를 들어 이벤트 트래킹 기능을 추가할 때, AI는 이미 존재하는 헬퍼 메서드와 패턴을 찾아내 새로운 시스템을 만드는 대신 기존 구조를 확장했습니다.

---

4. 라이브러리 소스코드 조사

문서화가 부족한 오픈소스 라이브러리를 사용할 때, AI는 직접 소스코드를 읽어 최신 기능과 숨은 옵션을 파악합니다.
예를 들어 RubyLLM gem의 경우, 문서에는 없던 스트리밍 기능을 AI가 테스트 스위트에서 찾아냈습니다.
이를 통해 AI는 항상 최신 정보를 기반으로 작동하며, 낡은 정보로 인한 오류를 방지합니다.

---

5. git 히스토리 연구

AI는 커밋 히스토리를 분석해 과거 결정의 이유와 맥락을 이해합니다.
예를 들어, 이메일 분류기 v1을 사용하는 이유를 찾기 위해 git 로그를 분석한 결과, 과거에 v2 업그레이드를 시도했지만 오류로 인해 롤백된 기록을 발견했습니다.
이 과정을 통해 신입 개발자나 새로운 AI 에이전트도 과거의 판단 근거를 공유받을 수 있습니다.

---

6. 프로토타이핑으로 요구사항 명확화

AI가 별도의 환경에서 빠르게 프로토타입을 만들어 UX나 기능 요구사항을 구체화합니다.
이메일 인터페이스 레이아웃을 다섯 가지 버전으로 시뮬레이션한 뒤, 실제 사용자 피드백을 반영해 ‘아카이브 버튼을 왼쪽 상단에 배치’하도록 명세를 확정한 사례가 있습니다.
이 과정은 추상적인 요구사항을 구체적인 설계로 전환하는 데 매우 효과적입니다.

---

7. 옵션과 함께 종합

모든 연구가 끝난 뒤, AI는 여러 해결책을 트레이드오프와 함께 제시합니다.
예를 들어 Gmail 인박스 동기화 기능의 경우,

• 옵션 A: 기존 시스템 재활용 (빠르지만 코드 중복 발생)
• 옵션 B: 실시간 동기화 (구조는 깔끔하지만 성능 저하 위험)
• 옵션 C: 미러 캐싱 시스템 구축 (완벽하지만 초기 작업량 많음)
  AI는 이처럼 각 옵션의 장단점을 비교하여, 개발자가 단 30초 만에 최적의 결정을 내릴 수 있도록 돕습니다.

---

8. 스타일 에이전트 리뷰

마지막 단계에서는 개발자의 스타일과 선호도에 맞춘 리뷰 에이전트가 자동 검토를 수행합니다.

• 단순화 에이전트: 불필요한 복잡성을 지적
• 보안 에이전트: 일반적인 보안 취약점 검사
• 개인 스타일 에이전트: 개발자의 선호 패턴 반영

시간이 지남에 따라 AI는 “이런 방식은 선호하지 않는다”, “이런 구조는 좋다” 같은 피드백을 학습하며, 점점 개발자의 스타일에 맞는 판단을 내리게 됩니다.

---

실제 사례: Cora의 ‘이메일 파산’ 기능 개발기

이메일 관리 앱 Cora는 53,000개의 이메일을 정리하는 ‘이메일 파산’ 기능을 AI 계획 중심 개발 방식으로 구축했습니다.
AI는 Gmail의 처리 제한, 타임아웃, 사용자 대기 시간 등의 문제를 사전에 예측했고, 그 결과 잘못된 구현 없이 안정적인 기능을 완성했습니다.
이 사례는 AI가 단순히 “코드를 짜는 존재”가 아니라, “문제를 미리 파악하고 최선의 해결책을 제시하는 엔지니어”로 발전할 수 있음을 보여줍니다.

---

직접 시작하기: 내 AI에게 사고방식을 가르치는 법

이 계획 시스템은 Every의 GitHub 마켓플레이스에서 오픈소스로 제공됩니다.
Claude Code 또는 Cursor 환경에 설치하면 /plan 명령을 사용해 바로 실행할 수 있습니다.

간단한 시작 방법은 다음과 같습니다.

1. 이번 주 개발 중인 기능 하나를 선택합니다.
2. AI에게 “베스트 프랙티스 조사 → 코드베이스 검색 → 라이브러리 분석” 단계를 15~20분 수행하게 합니다.
3. AI가 제안한 계획을 검토하며, “이 접근이 복잡하다”거나 “이건 이미 더 나은 방법이 있다”는 피드백을 기록합니다.
4. 실제 구현 후, 계획과 결과를 비교해 개선점을 문서화합니다.
5. 이를 반복하며 AI는 점점 개발자의 의사결정 패턴을 학습합니다.

---

728x90

AI가 개발자의 두뇌를 닮아가는 미래

계획 중심 AI 개발은 단순한 코드 자동화 기술을 넘어, AI가 인간의 사고방식과 문제 해결 패턴을 학습하는 진화된 형태입니다.
이 접근법을 활용하면 AI는 더 이상 “명령을 수행하는 도구”가 아니라, 함께 사고하고 판단하는 동료 개발자로 성장합니다.

결국 이 방식의 진정한 가치는 “AI가 나 대신 코드를 작성하는 것”이 아니라, “AI가 나처럼 생각하며 함께 결정하는 것”에 있습니다.
이제 당신의 개발 도구에 ‘사고하는 능력’을 가르칠 차례입니다.

300x250

https://every.to/source-code/teach-your-ai-to-think-like-a-senior-engineer