코드에서 화면 지도를 그리고, AI와 함께 회귀 테스트의 빈 곳을 채우다
Claude Code와 Playwright로 467개 웹 화면의 테스트 지도를 만들고 회귀 테스트 공백을 분석했습니다. 사람 검토와 고장 주입 검증을 거쳐 3.5일 동안 신규 테스트 114개를 추가했습니다.


Claude Code와 Playwright로 467개 웹 화면의 테스트 지도를 만들고 회귀 테스트 공백을 분석했습니다. 사람 검토와 고장 주입 검증을 거쳐 3.5일 동안 신규 테스트 114개를 추가했습니다.

QA AI Hub로 기획서 분석부터 자연어 TC 실행, Jira 결함 등록까지 연결했습니다. 정답 TC·도메인 정책·이중 게이트로 생성 품질과 운영 신뢰도를 높였습니다.

Argo Workflows와 SageMaker를 결합해 추천 모델 산출물을 세대 단위로 안전하게 교체했습니다. 활성 키 기반 컷오버와 승급 게이트, 웜업으로 일일 ML 배포를 자동화했습니다.

LLM Wiki 검색을 색인, 본문 임베딩, 요약 임베딩과 FTS5 혼합 방식으로 개선했습니다. 의미 검색과 약어·식별자 정확 검색을 분리해 비용과 검색 품질 문제를 다뤘습니다.

배송 완료 사진 임베딩의 거리 비교로 오배송을 탐지하는 장소 재인식 시스템을 구축했습니다. ONNX 기반 온디바이스 추론과 배치 임베딩 적재로 실시간성과 운영 효율을 확보했습니다.

Claude Code로 정보 수집·요약을 분리 자동화해 리드 업무의 시간과 맥락을 확보했습니다. 공통 규칙과 자기개선 루프로 여러 AI 워크플로우의 기반을 함께 개선했습니다.

AI 에이전트 협업을 탐색부터 기록까지 6단계로 운영하며 개발자 역할 변화를 설명했습니다. 반복되는 실패를 줄이기 위해 고품질 컨텍스트와 병렬 탐색의 중요성을 강조합니다.

로컬 RAG와 독립 AI 세션 인프라로 지식을 축적하고 병렬 작업을 오케스트레이션했습니다. DAG·Branch Hunt·Ralph Loop로 구현과 검증을 자동화하는 흐름을 소개합니다.

OMS팀은 Claude 기반 역할별 컨텍스트와 MCP 연동으로 12개 MSA의 분석·개발·배포 흐름을 재구성했습니다. AI의 코드와 설계를 맹신하지 않고, 인간이 컨텍스트 관리와 설계 검증을 맡는 방식을 강조합니다.

Claude와 MCP를 활용해 OMS팀이 역할 기반 AI Context로 12개 MSA 운영 방식을 재구성했습니다. 반복 작업을 줄이고 설계 검증과 코드리뷰 중심으로 협업 방식이 바뀌었습니다.

Claude Code 기반 바이브 코딩에서 발생하는 누락과 오해의 원인을 정리하고, 이를 줄이기 위한 컨텍스트 관리 전략을 설명했습니다. 작은 요청 분리, Plan 모드, Todo, 서브에이전트, CLAUDE.md 활용법을 제안했습니다.

Claude Code 기반 바이브 코딩에서 요구사항 누락과 오류 누적이 생기는 원인을 분석했습니다. 작은 요청, 계획 검증, Todo·Skill·CLAUDE.md로 컨텍스트를 관리하는 전략을 제안합니다.

테크 스펙으로 개발 맥락과 작업을 먼저 정리해 코드 리뷰와 일정 산정 효율을 높였습니다. 또한 PRD를 AI에 넣어 테크 스펙 초안을 만들고 문서 자동화를 실험했습니다.

표준 테크 스펙으로 설계·일정·협업 맥락을 공유해 코드 리뷰와 개발 생산성을 높였습니다. PRD 기반 AI 초안과 태스크 분해로 문서 작성 부담을 줄이는 자동화를 실험했습니다.

상품 텍스트를 Semantic ID로 압축하고 유저 행동을 Transformer로 해석해 개인화 추천 모델을 구축했습니다. 지식 증류와 데이터 엔지니어링으로 정확도와 속도를 함께 개선하고 A/B 테스트 성과를 확인했습니다.

상품 텍스트와 행동 시퀀스를 결합한 Collaborative Embedding 추천 모델을 구축했습니다. 지식 증류로 검색 성능을 높이고 A/B·CRM 테스트의 지표 개선을 확인했습니다.

배송 완료 사진에서 퍼플 박스·종이봉투·비닐 상태를 탐지해 수기 검수를 자동화했습니다. 데이터 중심 라벨 개선과 재학습으로 검수 필요 건을 99.8% 줄였습니다.

배송 완료 사진에서 퍼플 박스와 종이봉투를 탐지해 수기 검수 대상을 줄인 사례를 소개했습니다. 데이터 중심 학습과 라벨 개선 반복으로 성능을 높이고 검수 비용을 93% 절감했습니다.
