본문으로 건너뛰기
Slack에 요청과 처리 기록을 모아 반복 작업을 줄인 SRE 봇
목차

Slack에 요청과 처리 기록을 모아 반복 작업을 줄인 SRE 봇 (2026-03)

원문 정보

한 건에 한 시간씩 들던 배포 요청

팀원이 늘었는데도 일은 더 바빠졌습니다. LINE Home DevOps 팀에 VOOM의 안정적인 운영, 새 HomeTab 서비스 준비, 새 클라우드 인프라 플랫폼 Flava 전환이 겹쳤기 때문입니다. 낯선 환경을 만난 개발자들은 파드 로그 확인법부터 배포 파이프라인 권한 요청까지 매일 문의를 보냈습니다.

가장 많은 시간을 가져간 것은 배포 요청이었습니다. Slack에서 요청을 확인하면 Confluence의 릴리스 체크리스트를 찾아 Jira 티켓에 옮겨야 했습니다. Fix Version이 없으면 생성하고, Epic 링크를 연결하고, 스프린트에 추가하는 일도 뒤따랐습니다. Slack 스레드에 티켓 링크를 공유한 뒤에는 배포 준비와 매뉴얼 작성 요청이 남았습니다. 처리 규칙은 명확했지만, 이를 실행하는 일은 매번 사람의 손을 거쳤습니다.

실수도 반복됐습니다. Fix Version을 잘못 설정하거나 Epic 연결과 체크리스트 항목을 빠뜨렸고, 긴급할수록 누락이 잦아졌습니다. 일반 문의는 또 다른 문제였습니다. Slack 멘션 속에 묻힌 요청을 누가 맡았는지, 처리는 끝났는지 알아보려고 개발자와 SRE가 각자 대화 기록을 뒤져야 했습니다.

팀은 일주일 동안 투입 시간을 쟀습니다. 배포 요청은 주간 약 10건에 건당 평균 1시간, 일반 요청은 약 40건에 평균 20분이었습니다. 팀원 수로 나누면 한 명당 매주 거의 반나절을 단순 반복 작업에 쓰고 있었습니다. 이렇게 시간을 들이고도 처리 중인 요청 건수조차 파악하기 어려워, 업무를 성과로 드러내기도 쉽지 않았습니다.

Slack 스레드로 돌아온 티켓과 진행 상황

팀이 그린 업무 방식은 간단했습니다. 개발자는 Slack에서 요청과 진행 상황을 확인하고, SRE는 버튼으로 요청을 관리하는 것입니다. 복사·붙여넣기와 버전 생성처럼 규칙이 정해진 작업은 봇에 맡겼습니다.

배포 요청 시나리오에서는 개발자가 5분 동안 프로젝트 이름 my-service, 릴리스 버전 v1.2.3, Confluence 체크리스트 등 필수 정보를 입력합니다. 이후 약 10초는 봇의 처리 시간입니다. Fix Version이 없으면 만들고, Jira 티켓을 생성해 Epic과 활성 스프린트에 연결합니다. 릴리스 체크리스트를 반영하고 서비스별 배포 매뉴얼을 찾아 연결하는 일도 자동화했습니다. 처리 결과는 요청을 보낸 Slack 스레드로 돌아옵니다.

SRE는 Slack 버튼이나 이모지 반응으로 요청을 자신에게 할당하고, 배포 일정 수립과 작업을 진행합니다. 작업을 마치면 Slack에서 티켓을 완료하며, 다시 열어야 할 때도 같은 방식으로 처리합니다. 이 배포 요청 시나리오에서 SRE 작업 시간은 약 30분에서 1분 이내로 줄었습니다.

긴급 요청에서 달라진 것은 기다리는 시간과 누락되는 정보였습니다. 이전에는 다른 일을 하던 SRE가 요청을 놓쳐 30~40분이 지연됐고, 급히 티켓을 만들면서 Priority를 Highest로 설정하거나 스프린트에 추가하는 일을 빠뜨렸습니다. 도입 후에는 개발자가 긴급 배포 요청 워크플로를 실행하면 봇이 우선순위와 스프린트를 설정하고 채널에 즉시 알립니다. 이 시나리오의 지연 시간은 1분으로 줄었습니다.

일반 권한 요청도 처리 이력이 남습니다. 이전에는 권한을 부여한 뒤 Jira 티켓을 수동으로 만들었고, 나중에 티켓 번호를 다시 찾는 데만 3분이 들었습니다. 도입 후에는 요청 유형과 상세 내용, 긴급 여부를 입력하면 봇이 약 5초 동안 티켓 생성과 Epic·스프린트 연결을 처리합니다. 긴급하지 않은 요청의 Priority는 Medium으로 설정합니다. 10분 이상 걸리던 사례가 SRE의 실제 작업 시간만 드는 5분 이내로 바뀌었고, 개발자는 Slack 스레드에서 티켓 링크를 바로 확인합니다.

지난 배포를 찾는 일도 짧아졌습니다. 예전에는 Jira 검색 결과를 하나씩 열어 맞는 티켓인지 확인하느라 5분 이상을 썼습니다. 이제 새 배포 티켓에 Related Deployments 링크가 붙습니다. HENG-1123 (v1.1.0), HENG-1045 (v1.0.5) 같은 이전 티켓을 바로 열게 되면서, 시나리오에 제시된 확인 시간은 10초로 줄었습니다.

주간 요청 규모와 도입 전후 소요 시간
요청 유형주간 건수건당 소요 시간주간 합계
배포 요청약 10건평균 1시간약 10시간
일반 요청약 40건평균 20분약 14시간
종합약 50건평균 30분약 15시간
시나리오도입 전도입 후
배포 요청SRE 작업 약 30분SRE 작업 1분 이내, 봇 처리 약 10초
긴급 요청지연 30~40분지연 1분
일반 요청10분 이상SRE 실제 작업 5분 이내
이전 배포 참고5분 이상10초

입력 장벽을 낮춘 Slack 워크플로

요청을 받는 방식부터 선택이 필요했습니다. 슬래시 명령어는 구현하기 쉽지만, 사용자가 정해진 형식에 맞춰 텍스트를 써야 합니다. 필수 항목을 빠뜨려도 입력 중에는 바로 알 수 없고, 형식이 어긋나면 봇이 처리에 실패할 수도 있습니다. 팀은 개발하기 쉬운 방식보다 사용자가 편하게 요청하는 방식을 택했습니다.

Slack 워크플로에서는 양식을 채우면 됩니다. 필수 항목은 Slack UI에서 검증하므로 빈 값이 들어오지 않고, 별도 UI를 개발할 필요도 없습니다. 요청의 시작점과 추적 지점을 Slack으로 모으되, 티켓 할당·완료·재오픈 작업은 SRE 그룹 멤버만 수행하도록 권한을 확인합니다.

요청을 받은 뒤에는 Slack의 시간제한이 기다립니다. 이벤트 응답은 3초 안에 보내야 하는데, Jira 티켓 생성과 Confluence 검색, 스프린트 추가를 순서대로 호출하면 이 시간을 쉽게 넘깁니다. 봇은 접수 메시지를 즉시 반환하고 실제 작업은 백그라운드에서 처리하도록 만들었습니다. 처리 중 오류가 나면 Slack 스레드에 별도로 알립니다. 사용자가 타임아웃만 보고 작업 결과를 알 수 없었던 문제를 피한 것입니다.

외부 시스템이 많은 만큼 코드의 경계도 나눴습니다. 헥사고날 아키텍처의 포트와 어댑터를 사용해 Slack 이벤트를 받는 부분, 업무 규칙을 실행하는 유스케이스, Jira·Confluence·Redis를 호출하는 부분을 분리했습니다. 단순한 계층 구분보다 인터페이스로 외부 환경을 격리하는 데 초점을 뒀습니다. Jira API 버전이나 Slack SDK가 바뀌어도 내부 비즈니스 로직을 수정하지 않도록 한 설계이며, 실제로 기능 추가와 테스트 작성이 수월해졌습니다.

설정과 상태가 어긋난 봇 내부

여러 인스턴스가 함께 갱신하는 Redis

Slack에서 누른 버튼이 어느 Jira 티켓을 가리키는지 알려면 스레드와 티켓의 매핑 정보를 보관해야 합니다. 봇 메모리에 두면 재시작할 때 사라집니다. Slack 메타데이터 API는 조회가 느려 버튼이나 이모지 반응에 맞춰 처리하기 어려웠습니다. 팀은 100ms 미만으로 조회하고 영속 저장도 가능한 Redis를 선택하고, 매핑 정보의 TTL을 30일로 정했습니다.

저장소를 정한 뒤에도 문제가 남았습니다. 봇을 여러 인스턴스로 운영하자 같은 스레드에서 SRE A와 SRE B가 거의 같은 시점에 할당 버튼을 누를 때 데이터가 덮였습니다. 기존 코드는 Redis에서 GET → 수정 → SET 순서로 처리했습니다. 두 요청이 같은 값을 읽은 뒤 각자 쓰면서, A에게 할당한 데이터가 B의 데이터로 바뀌는 경쟁 상태였습니다.

해결에는 Redis Transaction의 WATCH, MULTI, EXEC을 사용했습니다. WATCH로 감시한 키를 다른 프로세스가 먼저 변경하면 갱신을 취소하고 max_retries에 따라 재시도하는 낙관적 락 방식입니다. 락을 잡고 기다리게 하는 대신 충돌한 작업을 즉시 재시도해, 사용자 경험을 해치지 않으면서 데이터 정합성을 보장했습니다.

Central Dogma 변경을 반영하지 못한 컨테이너

설정은 바뀌었는데 새 티켓은 옛 설정을 따르는 일도 있었습니다. 봇의 설정 저장소인 Central Dogma에서 Epic 키나 라벨을 변경해도 Jira 티켓에 적용되지 않았습니다. 변경 감지 자체는 정상이었습니다. ConfigWatcher가 변경을 읽어 Settings 객체를 갱신했지만, 의존성 주입 컨테이너는 초기화할 때 캡처한 값을 계속 사용하고 있었습니다.

팀은 로그를 추가해 Settings의 값과 실제 티켓 생성에 쓰이는 값이 다르다는 사실을 확인했습니다. 수정한 곳은 설정이 전달되는 경로였습니다. Settings를 갱신할 때 컨테이너 설정도 함께 바꾸도록 고쳤습니다. 이후 Central Dogma에서 Epic을 변경하고 5분 뒤, 새 티켓에 변경된 Epic이 연결되는 것을 확인했습니다.

Factory Provider는 호출할 때마다 설정을 다시 평가합니다. 컨테이너 설정을 올바르게 갱신하면 새 값이 반영되지만, Settings 객체만 바꿔서는 충분하지 않았습니다. 설정 저장소의 변경 감지부터 실제 티켓 생성까지 값이 어디를 거치는지 확인해야 했던 사례입니다.

소방수 모드에서 벗어난 SRE 팀

SRE 봇으로 절약한 시간은 주당 6시간 이상입니다. 팀은 반복 요청을 처리하는 소방수 역할에서 벗어나 New HomeTab 인프라 아키텍처 설계, VOOM 성능 최적화, Flava 플랫폼 안정화에 집중하게 됐습니다. 개발자도 간단한 권한 요청을 부담 없이 워크플로로 보내게 됐고, 요청과 처리 과정이 기록되면서 팀 간 신뢰가 높아졌습니다.

기록은 업무를 분석할 자료이기도 합니다. 가장 많이 배포하는 서비스, 평균 배포 소요 시간, 요청이 몰리는 시간대, 월간 처리량을 확인할 근거가 생겼습니다. 이 데이터는 리소스 우선순위 결정과 SLA 설정, 온콜 일정 최적화, 업무 성과 기록에 활용할 수 있습니다.

신규 SRE가 배우는 방식도 달라졌습니다. 이전에는 동료가 1:1로 2~3일 동안 교육하고, 신규 팀원은 Slack에서 업무 기록을 하나씩 찾아야 했습니다. 도입 후에는 #help-sre 채널에 남은 워크플로 처리 기록을 보며 배포 프로세스를 익힙니다.

출발점은 Slack 요청으로 Jira 티켓을 만드는 작은 자동화였습니다. 여기에 체크리스트와 매뉴얼, 이전 배포 정보를 연결하고 버튼과 이모지 반응으로 상태를 바꾸는 기능을 차례로 더했습니다. 처음부터 완성된 봇을 만드는 대신 작동하는 기능을 내보내고 개선한 과정입니다. 팀이 제안한 목표의 예시도 ‘편하게 만들자’보다 ‘30분을 5분으로 줄이자’에 가까웠습니다. 개선 여부를 수치로 확인하고 팀과 조직의 지지를 얻기 위한 기준입니다.

다른 팀에 권하는 시작 방법 역시 작았습니다. 먼저 일주일 동안 반복 업무에 쓰는 시간을 재고, 가장 자주 하는 세 가지 작업부터 자동화한 뒤 사용자 피드백을 반영하는 방식입니다.

터미널 작업까지 넓히려는 SRE 봇

아직 자동화하지 못한 일도 남아 있습니다. 현재 워크플로는 Python 코드로 구현돼 있어 새로운 자동화를 추가할 때마다 코드를 수정하고 배포해야 합니다. 팀은 n8n이나 make 같은 플랫폼과 통합해 로우 코드로 워크플로를 구성하는 방향을 계획하고 있습니다. 배포 승인 후 CD 파이프라인을 자동으로 실행하는 흐름이 그 예입니다.

파드 재시작과 스케일 아웃은 여전히 터미널에서 직접 수행합니다. 쿠버네티스 MCP 서버를 통합하면 Slack 명령어로 이런 작업을 실행할 수 있습니다. 팀은 터미널과 Slack을 오가는 일을 줄여 사고 대응이 빨라지기를 기대합니다. 이미 구현한 기능은 아닙니다.

Confluence, Jira, GitHub를 MCP로 연결해 자연어로 조회하는 것도 다음 목표입니다. 지난주 배포된 서비스나 자신이 담당한 미완료 긴급 티켓을 바로 찾는 방식입니다. GitHub MCP를 활용하면 FKE(Flava Kubernetes Engine, 사내용 쿠버네티스 클러스터 서비스)의 파드 생성이나 이미지 업데이트 변경 사항도 자동으로 추적할 수 있다고 봅니다.

일반 문의의 답변과 처리는 아직 SRE가 맡습니다. 잘 정리된 Confluence·Flava 문서를 RAG에 저장하고 LLM과 연결해, 반복 문의에는 봇이 먼저 답하도록 하는 구상도 있습니다. 봇이 해결하지 못한 복잡한 문의에 SRE의 시간과 에너지를 집중하려는 계획입니다.

마지막 수정 일자