AI 코딩 시대, DDD가 더 필요해진 이유
Go 신용 서비스의 핸들러 중심 구조를 DDD-lite와 Clean Architecture로 정비한 과정을 공유했습니다. 명확한 도메인 경계가 AI 코딩의 탐색·리뷰 효율도 높인다고 설명합니다.
Go 신용 서비스의 핸들러 중심 구조를 DDD-lite와 Clean Architecture로 정비한 과정을 공유했습니다. 명확한 도메인 경계가 AI 코딩의 탐색·리뷰 효율도 높인다고 설명합니다.
Go 서비스의 핸들러 중심 구조를 DDD-lite와 Clean Architecture로 리팩토링한 과정을 소개했습니다. 명확한 경계가 AI 코딩의 탐색·리뷰 범위도 줄인다고 설명합니다.

문서와 API 계약 불일치를 해결하기 위해 OAS 중심 Design-first와 Open API 서버를 도입했습니다. 내부 모델을 분리하고 문서·코드·번역·MCP 연동을 하나의 명세로 관리했습니다.

GeoIP DB를 embed.FS.ReadFile로 읽으며 발생한 전체 DB heap 복사 원인을 분석했습니다.직접 []byte embed 방식으로 배포 구조를 유지하면서 보유 heap을 줄였습니다.

Grafana에서 자연어로 장애 원인을 찾는 SRELens 개발 사례를 소개했습니다. LLM 에이전트를 운영 환경에 맞게 제어하기 위해 프롬프트 레이어 분리와 도구 호출 가드레일을 설계했습니다.

Pyroscope로 DynamoDB 응답 역직렬화의 CPU 병목을 확인하고 AWS SDK v2 기반 래퍼로 전환했습니다. 요청당 CPU를 59% 줄여 피크 타임 HPA 파드를 245개에서 109개로 낮췄습니다.

S3 export 중 mutex를 잡아 Feature Flag API p99가 급등한 원인을 분석했습니다. 비동기 래퍼와 락 범위 축소로 최대 레이턴시를 200ms 내외로 안정화했습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.


대량 인보이스 발송에서 발생한 쿼리 지연과 커넥션 고갈 원인을 분석했습니다. 복합 인덱스·풀 설정·누수 수정·분할 처리로 안정성을 개선했습니다.

AI가 아키텍처 규칙을 어기는 문제를 CLAUDE.md가 아니라 코드 구조와 테스트로 해결한 사례를 다뤘습니다. Go 백엔드를 DDD와 커스텀 아키텍처 테스트로 리팩토링해 AI가 안정적으로 코드를 생성하도록 만들었습니다.

AI가 자연어 규칙을 무시하는 문제를 해결하기 위해 Go 백엔드를 DDD 구조로 리팩토링했습니다. 커스텀 아키텍처 테스트와 CI 강제로 규칙을 코드 수준에서 검증하도록 만들었습니다.


DynamoDB Query의 무제한 스캔과 Strong Consistent Read로 급증한 RCU 원인을 분석했습니다. SearchLimit과 Eventually Consistent Read 적용으로 RCU를 최대 97% 절감했습니다.


Go와 Gemini로 Notion 문서를 수집·임베딩해 로컬 RAG 검색 CLI를 구축했습니다. 채널 기반 병렬 처리와 유사도 필터링으로 검색 정확도와 안정성을 보완했습니다.

게이미피케이션 확장에 맞춰 Kafka CDC와 Argo Workflow 기반의 데이터·랭킹 파이프라인을 구축했습니다. 모니터링과 Feature Flag로 대규모 트래픽 운영 및 제한적 기능 실험을 지원합니다.


놀유니버스는 이벤트 기반 프로모션 증가에 맞춰 EventScaler와 Kubernetes Operator로 자동 스케일링 체계를 구축했습니다. Amazon Q Developer를 활용해 설계와 구현을 보조받으며 운영 시간과 리스크를 크게 줄였습니다.