Agent OS를 넘어선 AI 개발 워크플로우 자동화: 설계 의사결정 중심의 회고
1. 문제 인식: AI 코드 생성, 그 이상의 자동화가 필요하다
최근 AI 코딩 도구들은 개발 생산성을 크게 끌어올리고 있습니다. Cursor, Codex, Claude Code, Gemini CLI 같은 도구들이 코드 생성과 디버깅, 문서화를 거들며 개발자의 일상에 깊숙이 파고들었죠. 저도 이 도구들을 적극 활용하면서 개발 속도가 빨라지는 걸 체감하고 있습니다.
하지만 프로젝트를 진행하면서 근본적인 한계를 느끼기 시작했습니다. AI에게 코드 생성만 맡기는 방식으로는 팀 전체의 생산성을 끌어올리기 어려웠습니다. 다음과 같은 문제들이 겹쳤습니다.
- 프로젝트마다 작업 방식이 달라짐: 팀원마다 AI 도구를 활용하는 방식이 제각각이어서 일관된 작업 흐름을 유지하기 어려웠습니다.
- 문서 품질 및 PR 품질의 불균형: AI가 생성한 코드나 문서, PR 설명의 품질이 일정하지 않아 추가적인 수작업이 필요했습니다.
- 작업 프로세스의 비표준화: 누가 어떤 작업을 하고 있는지, 작업의 진행 상황은 어떤지 파악하기 어려웠고, 작업 범위가 겹치거나 누락되는 경우가 발생했습니다.
- 반복적인 컨텍스트 입력: 새로운 대화를 시작할 때마다 프로젝트의 규칙, 컨벤션, 목표 등을 AI에게 반복해서 설명해야 하는 비효율이 있었습니다.
결국 AI는 개별 개발자의 생산성을 높이는 데는 효과적이지만, 팀 단위 협업 워크플로우 전체를 자동화하고 표준화하는 데는 부족했습니다. 코드 생성 자동화를 넘어 개발 워크플로우 자체를 자동화하는 시스템이 필요하다고 판단했습니다.
2. Agent OS 분석: 문서 중심 개발의 철학
그 고민을 하던 중 Agent OS를 접했습니다. Agent OS는 AI 에이전트를 소프트웨어 개발 프로세스에 통합하는 방식을 두고 흥미로운 철학을 제시합니다. 핵심은 다음과 같습니다.
- 문서 우선 개발 (Documentation-First Development): 코드를 작성하기 전에 상세한 문서를 통해 요구사항과 설계를 명확히 정의합니다. 이는 AI가 작업을 이해하고 수행하는 데 필요한 컨텍스트를 제공하는 기반이 됩니다.
- 계획 우선 접근 (Plan-First Approach): 무작정 코드를 생성하는 것이 아니라, 명확한 계획과 단계를 수립한 후 AI 에이전트가 이를 따르도록 유도합니다.
- AI가 이해하기 쉬운 구조 제공: AI가 작업을 정확히 수행할 수 있도록, 구조화되고 명확한 형식으로 정보를 제공하는 것을 중요하게 생각합니다.
- 표준화된 작업 흐름: 개발 프로세스를 표준화하여 예측 가능하고 일관된 결과를 도출합니다.
Agent OS는 AI 에이전트가 개발 프로세스에 깊이 관여할 때 생기는 비일관성이나 컨텍스트 부족 같은 문제를 문서와 계획으로 해결하려는 시도였습니다. SDD(Spec Driven Development)에 대한 기술 블로그 포스팅에서 다뤘듯이, 명확한 Spec이 AI의 성능을 끌어올린다는 관점과 맞닿는 부분이 많았습니다. AI에게 작업을 위임할 명확한 지침과 환경을 제공하는 데 중점을 둔 셈이죠.
3. Agent OS의 한계: 책임 범위의 차이
Agent OS의 철학은 인상 깊었지만, 제가 필요로 하던 워크플로우 자동화 관점에서는 몇 가지 한계가 있었습니다. Agent OS의 부족함이라기보다 책임 범위의 차이로 보는 편이 정확합니다.
Agent OS는 주로 개발 프로세스 정의와 AI 에이전트에게 작업을 위임할 컨텍스트 제공에 강했습니다. 하지만 GitHub 기반의 실제 개발 운영 자동화 쪽에서는 다음 기능들을 직접 제공하지 않았습니다.
- Commit 생성 책임 없음: AI가 코드를 생성하더라도, Git Commit 메시지를 생성하고 관리하는 책임은 개발자에게 남아있습니다.
- PR 생성 책임 없음: 작업이 완료된 후 Pull Request를 생성하고, PR 설명을 작성하는 과정은 자동화되지 않습니다.
- 코드 리뷰 자동화 없음: 생성된 코드에 대한 자동화된 코드 리뷰 프로세스가 포함되어 있지 않습니다.
- 이슈 운영 자동화 없음: GitHub Issue의 생성, 할당, 상태 변경 등 이슈 트래킹 워크플로우를 직접적으로 관리하지 않습니다.
- GitHub 운영 자동화는 제공하지 않음: 브랜치 전략, 머지 정책 등 GitHub 기반의 협업 운영 전반에 대한 자동화 기능은 Agent OS의 직접적인 범위가 아니었습니다.
Agent OS는 AI에게 “무엇을 어떻게 할지”를 명확히 지시하는 데는 탁월한 아이디어였지만, “그 지시를 받은 AI가 실제 개발 환경에서 어떻게 움직여야 할지”에 대한 구체적인 실행과 자동화까지는 다루지 않았습니다.
4. 내가 원했던 것: 코드 생성 자동화가 아닌 개발 워크플로우 자동화
저는 AI가 코드 생성을 넘어 개발 워크플로우 전반을 자동화해서 팀의 생산성과 효율을 끌어올리길 바랐습니다. AI 에이전트의 Harness(하네스)에 대한 기술적 고찰에서 짚었던 에이전트 실행 환경과 오케스트레이션의 중요성과도 이어지는 대목입니다. 개별 작업을 처리하는 데 그치지 않고 일련의 작업을 유기적으로 연결하고 관리하는 시스템이 필요했습니다.
제가 원한 건 다음 목표를 이루는 시스템이었습니다.
- 작업의 투명성 확보: 누가 어떤 작업을 진행하고 있는지, 현재 진행 상황은 어떤지 한눈에 파악 가능해야 합니다.
- 일관된 품질 유지: 코드, 문서, PR 등 모든 산출물의 품질이 일정하게 유지되어야 합니다.
- 반복 작업의 최소화: AI에게 반복적으로 컨텍스트를 제공하거나, 수동으로 GitHub 작업을 처리하는 비효율을 제거해야 합니다.
- 개발 프로세스의 표준화: 팀 전체가 일관된 방식으로 작업하고 협업할 수 있는 표준화된 프로세스를 구축해야 합니다.
이 목표를 이루려고 Agent OS의 아이디어를 바탕 삼아 GitHub 워크플로우와 연동되는 AI 기반 개발 워크플로우 자동화 시스템을 직접 설계하고 구축하기 시작했습니다.
5. 직접 구축한 에이전트 시스템: 워크플로우 체인
제가 설계한 시스템은 여러 AI 에이전트가 유기적으로 연결돼 개발 워크플로우의 각 단계를 자동화하는 에이전트 체인(Agent Chain) 형태입니다. 에이전트마다 맡은 역할이 정해져 있고, 앞선 에이전트의 결과물을 넘겨받아 다음 단계를 처리합니다.
이 워크플로우는 다음과 같은 에이전트들로 구성됩니다.
- Issue Agent: 사용자 또는 다른 시스템으로부터 요청을 받아 GitHub Issue를 생성하고, 초기 분석을 통해 필요한 정보를 정리합니다.
- Task Agent: 생성된 Issue를 기반으로 작업을 더 작은 단위의 Task로 분해하고, 각 Task에 대한 상세 계획을 수립합니다. 이 과정에서 SDD(Spec Driven Development)의 Spec을 활용하여 명확한 지침을 생성합니다.
- Implementation Agent: Task Agent가 정의한 상세 계획에 따라 실제 코드를 생성하거나 수정합니다. 이 에이전트는 코드 컨벤션, 아키텍처 가이드라인 등을 준수하여 고품질의 코드를 생성하는 데 집중합니다.
- Commit Agent: Implementation Agent가 생성한 코드를 기반으로 Git Commit 메시지를 자동으로 생성합니다. 이 메시지는 프로젝트의 커밋 컨벤션을 따르며, 변경 사항의 의도와 내용을 명확하게 요약합니다.
- PR Agent: 작업이 완료되면 Pull Request를 자동으로 생성하고, PR 템플릿에 맞춰 변경 사항, 리뷰 요청 사항, 관련 이슈 등을 포함한 상세 설명을 작성합니다.
- Review Agent: 생성된 PR에 대해 자동화된 코드 리뷰를 수행합니다. 코드 품질, 잠재적 버그, 보안 취약점, 컨벤션 준수 여부 등을 검토하고 피드백을 제공합니다.
- Documentation Agent: 코드 변경 사항이나 새로운 기능에 대한 문서를 자동으로 업데이트하거나 생성합니다. API 문서, 사용자 가이드, 기술 명세 등을 포함할 수 있습니다.
이 에이전트 체인 덕분에 요구사항 정의부터 코드 생성, 버전 관리, 코드 리뷰, 문서화까지 개발 워크플로우 전반을 자동화할 수 있었습니다. 각 에이전트가 독립적으로 움직이면서도 전체 흐름의 일관성을 잃지 않는 게 핵심입니다.
6. AGENTS.md 활용: 반복 프롬프트 문제 해결
Agent OS의 철학에서 영감을 받아 AGENTS.md라는 파일을 도입해 반복적인 컨텍스트 입력 문제를 풀었습니다. 이 파일은 프로젝트의 모든 AI 에이전트가 공유하는 Single Source of Truth 역할을 합니다.
AGENTS.md에는 다음과 같은 내용들이 포함됩니다.
- 프로젝트 규칙: 프로젝트의 전반적인 목표, 기술 스택, 아키텍처 원칙 등
- 브랜치 전략: Git Flow, GitHub Flow 등 프로젝트가 따르는 브랜치 전략
- 커밋 컨벤션: Conventional Commits 등 커밋 메시지 작성 규칙
- PR 규칙: Pull Request 작성 시 포함되어야 할 내용, 리뷰어 지정 규칙 등
- 문서 규칙: 문서화 표준, 스타일 가이드 등
각 에이전트는 작업을 시작하기 전에 AGENTS.md를 참조해 프로젝트의 최신 규칙과 컨벤션을 익힙니다. 덕분에 매번 같은 정보를 AI에게 반복 입력할 필요 없이 AGENTS.md만 업데이트하면 모든 에이전트의 행동을 일관되게 제어할 수 있게 됐습니다. AI 협업에서 늘 발목을 잡던 컨텍스트 관리 비효율이 크게 줄었습니다.
7. Agent OS vs 직접 구축 시스템 비교
Agent OS와 제가 구축한 시스템은 AI 기반 개발 프로세스를 개선한다는 점은 같지만, 책임 범위와 목표에서는 뚜렷이 갈립니다. 다음 표에 두 시스템의 주요 비교 항목을 정리했습니다.
정리하면 Agent OS는 AI에게 작업을 위임하는 “지침서”에 가깝고, 제가 구축한 시스템은 그 지침서를 바탕으로 실제 개발 워크플로우를 “실행하고 관리”하는 자동화 파이프라인에 가깝습니다. 둘은 경쟁 관계가 아니라 책임 범위가 다를 뿐, 서로 보완하며 함께 쓸 수 있습니다.
8. 향후 발전 방향: 더 지능적인 워크플로우를 향하여
현재 시스템은 기본적인 개발 워크플로우 자동화를 무리 없이 해내고 있지만, 앞으로 더 똑똑하고 효율적인 방향으로 키워갈 생각입니다. 구체적인 계획은 다음과 같습니다.
- 자동 Label 생성: Issue 내용 분석을 통해 적절한 GitHub Label을 자동으로 부여하여 이슈 분류의 효율성을 높입니다.
- GitHub Project 자동 등록: 생성된 Issue나 PR을 GitHub Project의 칸반 보드에 자동으로 등록하고, 진행 상황에 따라 상태를 자동으로 변경합니다.
- 배포 후 Health Check 및 Slack 알림: 배포가 완료된 후 서비스의 Health Check를 자동으로 수행하고, 이상 발생 시 Slack을 통해 팀에 즉시 알림을 전송합니다.
- 배포 검증 자동화: 배포된 기능에 대한 간단한 E2E 테스트나 통합 테스트를 자동으로 실행하여 배포의 안정성을 검증합니다.
- 피드백 루프 강화: Review Agent의 피드백을 Implementation Agent가 학습하여 코드 생성 품질을 지속적으로 개선합니다.
이런 기능들을 더해서 AI 에이전트가 워크플로우의 더 많은 부분을 스스로 처리하고, 개발자는 더 높은 차원의 문제 해결에 집중하도록 만드는 게 목표입니다.
9. 결론: Agent OS는 경쟁 대상이 아니라 기반 아이디어였다
이번 작업을 하며 Agent OS가 내세우는 문서 중심, 계획 우선 개발 철학이 AI 시대의 개발 워크플로우를 설계할 때 중요한 밑바탕이 된다는 걸 깨달았습니다. Agent OS는 AI에게 명확한 컨텍스트를 주는 방법을 제시했지만, 실제 GitHub 기반의 개발 운영 자동화까지는 다루지 않았습니다.
그래서 이 아이디어를 확장해 AI 에이전트의 Harness(하네스)에 대한 기술적 고찰에서 다뤘던 에이전트 실행 환경과 오케스트레이션 개념을 접목했고, 요구사항 정의부터 코드 생성, 버전 관리, 코드 리뷰, 문서화까지 개발 워크플로우 전반을 자동화하는 시스템을 구축했습니다.
AI는 코드를 짜는 도구를 넘어 개발 프로세스 자체를 바꾸는 협업 파트너가 될 수 있습니다. 그러려면 AI가 제대로 작동할 명확한 지침과 표준화된 워크플로우, 유기적으로 연결된 에이전트 시스템 설계가 뒷받침돼야 합니다. “느리게 가는 것이 빠르게 가는 것”이라는 말처럼, 무작정 코드 생성에 기대기보다 명세 설계와 워크플로우 자동화를 깊이 고민하는 일이 AI 시대 개발 생산성의 핵심이라고 봅니다.