QA 에이전트 — 코드는 AI가 짜는데, 품질 테스트는 아직도 사람이?
AI 코딩 확대로 테스트 범위 설계와 검증 부담이 커지는 문제를 짚었습니다.\nPrivate LLM 기반 QA 에이전트로 조직 지식 기반 테스트 설계를 제안합니다.
test 태그가 달린 국내 IT 기업 기술 블로그 글을 최신순으로 모았습니다.
20개 표시
AI 코딩 확대로 테스트 범위 설계와 검증 부담이 커지는 문제를 짚었습니다.\nPrivate LLM 기반 QA 에이전트로 조직 지식 기반 테스트 설계를 제안합니다.
누적되는 에이전트 규칙을 재발 빈도와 기간에 따라 관리하는 하네스 GC 방식을 소개했습니다. cold 보존, 개요 제한, 승인 기반 승격과 rollback 절차를 제안합니다.

AI 코드 생성 확산에 맞춰 테스트와 운영 분석까지 자동화하는 AX 개발 흐름을 제안했습니다. 기존 테스트 도구와 AI를 연결해 운영 문제를 테스트로 환류하는 방식을 설명합니다.

가상 COM 포트와 Modbus 도구로 RTU 마스터·슬레이브 통신을 재현했습니다. 통신 파라미터와 주소 설정 일치 여부를 점검하는 방법을 안내합니다.

Spring Boot 4 이행 시 자동 설정 분리와 Jackson 3 전환으로 발생하는 호환성 문제를 정리했습니다.\n특히 JSON 직렬화 비교와 컨텍스트 로딩 테스트를 사전 안전장치로 권장했습니다.

LLM 기능을 단순 연결하는 대신 Workflow Loop와 Domain Adapter로 판단과 실행 책임을 분리했습니다. 사용자 Interaction과 스냅샷 승인까지 구조화해 Agentic Workflow의 재개와 검증을 안정화했습니다.

매주 반복되던 스모크 테스트를 자동화하고, 실패 원인 분석과 복구까지 맡기는 토스닥터 V2를 소개했습니다. 사람은 검증할 대상과 자동화 범위 설계에 더 집중할 수 있게 됐습니다.

미리캔버스 모노레포에서 테스트 수가 늘며 CI가 16분까지 느려졌습니다. 테스트 실행 구조를 개선해 CI 시간을 3분 수준으로 줄였습니다.
코드 작성 직후와 종료 직전에 규칙을 다시 주입하는 Stylepack으로 Coding Agent의 컨벤션 준수를 높인 사례를 다뤘습니다. 반복 리뷰 코멘트를 규칙화하고, 모양으로 잡히는 문제와 런타임 문제를 나눠 대응했습니다.

AI 에이전트가 스스로 수정하려면 먼저 테스트 결과를 믿을 수 있어야 했습니다. 그래서 테스트 격리와 실행 경로 통일로 오염과 환경 차이를 줄였습니다.

무신사 Retail Platform QA팀의 회귀 테스트 자동화 여정을 다뤘습니다. Playwright, Slack 봇, AI 기반 TC 생성기로 테스트 시간을 크게 줄인 사례입니다.
AI를 활용해 기획자의 API 테스트 자동화를 시도한 경험을 다뤘습니다. 업무 효율을 높이기 위해 바이브코딩 방식의 적용 가능성을 살펴본 글입니다.
동적 필터를 적용하는 과정에서 ATDD 실험을 진행한 글입니다. 테스트를 더 쓰기 전에 어디에 쓸지부터 정하는 접근을 소개합니다.
화면 설계서 작성과 QA를 통해 요구사항과 구현 결과의 차이를 줄이는 방법을 정리했습니다. 버전 관리와 예외 상황 정의가 문서 품질과 테스트 효율을 높였다고 설명했습니다.

빠른 프론트 개발에서도 기능 동작만 보지 말고 셀프 코드 리뷰로 예외 상황과 유지보수성을 함께 점검해야 합니다. 일정이 급할수록 변경분 기준으로 핵심 문제부터 우선 확인하는 습관이 중요합니다.

같은 LLM이라도 결과 차이는 모델보다 하네스 설계에서 크게 갈렸습니다. 지시 문서, 외부 검증, 컨텍스트 관리로 에이전트 성능을 높이는 방법을 정리했습니다.

QA 업무의 반복 검증을 AI와 자동화 도구로 줄이는 방법을 소개한 글입니다. n8n부터 E2E 테스트 자동화까지의 흐름을 중심으로 살펴봅니다.
구조화된 동시성을 활용해 병렬 API 호출 코드를 리팩토링하는 과정을 다뤘습니다.\n기존 스레드 풀과 CompletableFuture를 정리하고 예외 처리와 테스트까지 확인했습니다.

게시판 프로젝트의 병렬 API 호출을 CompletableFuture에서 Java 25 구조화된 동시성으로 바꾸는 설계 과정을 다뤘습니다. 취소 전파 문제와 스레드 관리 한계를 테스트로 확인하고 개선 방향을 정리했습니다.

토스 QA 팀이 흩어진 테스트 정보와 상용 TCM의 한계를 해결하기 위해 토션 플랫폼을 만들었습니다. 또한 AI와 에이전트를 결합해 PR 분석, 테스트 케이스 생성, 자동화 실행을 빠르게 연결했습니다.
