AI
코드 생성에서 개발 라이프사이클 전체를 AX로
두줄요약
AI 코드 생성 확산에 맞춰 테스트와 운영 분석까지 자동화하는 AX 개발 흐름을 제안했습니다. 기존 테스트 도구와 AI를 연결해 운영 문제를 테스트로 환류하는 방식을 설명합니다.
문제 상황
- AI 기반 코드 생성 속도 증가에 따른 사람 중심 코드 리뷰·테스트 검토 한계
- 빌드·JUnit 통과와 AI 코드 리뷰만으로 권한, 동시성, 재시도, 금액 처리 같은 운영 위험 보장 불가
구조와 흐름
- AGENTS.md의 프로젝트 공통 규칙과 SKILL.md의 작업별 컨텍스트를 통한 AI 작업 통제
- 역할별 모델 분담과 교차 검증으로 분석·설계 품질 및 코드 생성 비용 조정
- 테스트 시나리오 생성→도구 실행→결과·로그 분석→테스트 보강의 반복 구조
- 운영 장애 기록에서 재현 조건과 유사 조건을 찾아 테스트로 환류하는 개발 라이프사이클
선택 이유
- JUnit, Playwright, Selenium, ZAP 등 기존 검증 도구 앞뒤에 AI를 결합하는 점진적 접근
- 코드·운영 데이터 외부 반출이 어려운 환경을 위한 로컬 LLM 구성 가능성
- n8n을 통한 테스트 실행과 결과 분석 흐름 연결
적용해볼 점
- 거대한 시스템 구축보다 기존 테스트 실행·실패 분석·테스트 추가 자동화부터 시작
- 운영에서 발견한 장애를 일회성 수정으로 끝내지 않고 회귀 테스트와 변형 시나리오로 확장
- 완벽한 코드 생성보다 문제 발견·검증·학습의 빠른 순환 구조 강화
