목차
Jira 티켓에서 PR까지 맡기는 에이전틱 코딩 워크숍 (2026-04)
원문 정보
- 원문: ODW #4: 코파일럿에서 파일럿으로, 에이전틱 코딩으로 구현부터 PR까지 자동화
- 매체 · 게시일: LY Corporation Tech Blog · 2026-04-24
- 저자: Hirano Keisuke (Yahoo! 파이낸스 프런트엔드 개발, 스크럼 마스터, Orchestration 길드)
- 시리즈: Orchestration Development Workshop(ODW) 4편
- 원문 내용을 바탕으로 재구성한 요약입니다.
코드 일부를 AI에게 맡기던 Yahoo! 파이낸스 팀
2025년 여름 무렵, Yahoo! 파이낸스의 프런트엔드 개발팀은 GitHub Copilot 등으로 코드 일부를 생성하고 있었습니다. 생산성 향상은 크게 와닿지 않았습니다. 개발의 많은 부분을 여전히 사람이 직접 처리하던 때였습니다.
팀에는 이미 요구 사항 명세서가 있었습니다. 설계 문서를 먼저 쓰고 구현하는 명세 주도 개발(SDD)을 접하면서, 기존에 작성하던 문서를 활용하면 개발 절차를 유지한 채 AI 코드 생성을 효율화할 수 있다고 판단했습니다. 여기에 Jira와 Confluence를 MCP로 AI 코딩 도구에 연결할 수 있게 된 변화가 더해졌습니다. Confluence에 정리해 둔 명세를 AI가 쉽게 참조할 수 있게 된 것입니다.
구현부터 PR까지 맡기는 파일럿
에이전틱 코딩에서 AI가 받는 것은 고수준의 목표입니다. 에이전트는 이를 여러 단계로 나누고, 코드베이스와 파일 사이의 관계를 읽으며 명령 실행과 테스트 결과에 따라 작업을 조정합니다. 코드 생성이 끝은 아닙니다. 테스트가 실패하면 수정하고 린터가 문제를 찾으면 다시 고쳐, 빌드가 성공할 때까지 반복합니다. 다음 코드를 제안하던 코파일럿에서 요구 사항을 충족할 때까지 작업하는 파일럿으로 역할을 넓히는 방식입니다.
워크숍은 구현부터 PR 작성까지 이 흐름을 경험하도록 구성했습니다. 요구 사항 정의와 명세서 작성은 기존처럼 사람이 맡고, AI에는 구현 계획 수립·구현·PR 작성·초기 리뷰를 넘깁니다. 테스트·리뷰·릴리스의 최종 책임은 사람에게 있습니다.
요구 사항부터 AI가 만들게 하는 방식도 있지만, 기존 절차를 크게 바꾸려면 비용이 많이 듭니다. 도입 방법이 구체적으로 떠오르지 않거나 업무에 쫓겨 준비할 시간이 부족한 것도 걸림돌입니다. 이번 워크숍은 일상 업무에서 간결하게 적용할 수 있도록 기존 개발 과정의 일부를 AI에게 맡기는 범위로 잡았습니다.
Jira 티켓과 코드 조사로 채우는 계획서
Jira 티켓만 넘겨도 어느 정도 안정적으로 개발을 맡길 수 있었던 데에는 전제가 있습니다. 이 팀은 스크럼 확장 프레임워크인 LeSS(large-scale scrum)를 채택해 개발 작업을 사용자 스토리로 다루고, 상세한 수용 조건을 티켓에 적는 것을 규칙으로 삼았습니다. AI가 수행할 작업이 이미 구체적으로 기록돼 있었습니다. 티켓에 모호한 정보만 있었다면 그대로 개발을 맡기기 어려웠을 것입니다.
그렇다고 티켓에서 곧바로 구현으로 넘어가지는 않습니다. 먼저 AI가 상세한 구현 계획을 쓰고 사람이 검토합니다. 모호한 지시로 의도와 다른 결과물이 나오는 일을 줄이려는 절차이며, 미처 파악하지 못한 작업이나 리스크를 일찍 발견하는 데에도 도움이 될 수 있습니다.
실습에서는 샘플 애플리케이션 리포지토리와 Claude Code용, GitHub Copilot용 커스텀 슬래시 명령어를 준비했습니다. 입력은 Jira 티켓 URL입니다. AI는 jira·confluence MCP 도구로 티켓과 연결된 문서를 조사하고, 관련 코드를 분석해 계획서를 작성합니다. 프로젝트 사양서뿐 아니라 화면·컴포넌트 사양서도 참조하며, 다른 리포지터리에서 처리할 일이 있으면 별도 대응이 필요하다고 명시하도록 했습니다.
코드 조사에 Explore 에이전트를 쓰라는 지시는 Claude Code를 위한 것입니다. 이 내장 서브 에이전트는 메인 세션의 컨텍스트에 영향을 주지 않으면서, 경우에 따라 병렬로 코드를 탐색할 수 있습니다.
계획은 파일로 남깁니다. specs/<안건명 또는 티켓 번호>/plan.md에 티켓 정보와 배경, 대상 URL과 컴포넌트, 수용 조건, 기술적 분석, 작업 태스크, 영향 범위와 테스트 관점 등을 기록합니다. 예상 공수와 체크리스트도 포함합니다. 사람이 검토할 수 있고, 세션을 새로 시작해도 이어서 사용할 수 있으며, 함께 정리한 자료는 나중에 PR 설명을 작성할 때 다시 쓰입니다.
원문이 작성된 2026년 4월 기준으로 Claude Code의 Plan Mode는 계획을 ~/.claude/plan에 파일로 작성하고 Explore 에이전트도 자동으로 사용합니다. 따라서 문서 조사만 커스텀 슬래시 명령어나 서브 에이전트로 분리하고, 계획 작성에는 Plan Mode를 활용하는 방식도 가능합니다.
테스트와 빌드를 거쳐 만드는 PR
사람이 검토한 계획서의 경로를 구현 명령어에 전달하면 AI가 작업을 시작합니다. 계획을 읽고 코드를 구현한 뒤, 필요한 테스트를 추가하거나 수정해 실행합니다. 구현을 마치면 린트와 빌드까지 실행하고 문제가 있는 부분을 고칩니다.
명령어 자체는 간단합니다. 구현뿐 아니라 테스트와 린트·빌드, 실패했을 때의 수정까지 작업 단계로 명시한 점이 중요합니다. Claude Code나 GitHub Copilot 같은 코딩 에이전트는 이 절차로 할 일 목록을 만들어 작업을 진행합니다. 사람이 매번 다음 행동을 지시하지 않아도 최소한의 품질을 확인하는 과정을 반복하도록 한 것입니다.
구현 내용을 확인해 문제가 없으면 PR 생성용 슬래시 명령어를 실행합니다. ODW 1회에서 소개한 명령어를 활용해 템플릿에 맞는 설명문을 작성합니다. 이 팀의 템플릿에는 관련 자료를 적는 항목이 있어, 계획 단계에서 조사한 내용을 AI가 채우게 했습니다. 자료를 다시 모아 옮기는 번거로움이 줄었습니다.
기존 코멘트까지 읽는 AI 리뷰
PR을 만든 뒤에는 ODW 1회에서 소개한 AI 스크리닝 리뷰 명령어를 사용합니다. 이 프롬프트는 이미 달린 코멘트도 가져옵니다. AI가 PR을 셀프 리뷰하면서 남긴 코멘트와 다른 팀원의 리뷰 코멘트를 함께 읽고, 수정이 필요하다고 판단한 부분과 기존 코멘트에 관한 자신의 판단을 출력합니다.
수정할 항목은 사람이 정합니다. AI의 판단을 확인한 뒤 고칠 부분을 지시하면 수정 작업도 AI에게 맡길 수 있어 대응 비용을 줄일 수 있습니다.
에이전트가 자율적으로 구현과 검증을 진행하면 사람이 확인하고 지시하는 횟수가 줄어듭니다. 그동안 다른 일을 하거나 여러 에이전트를 병렬로 실행해 더 많은 코드를 얻을 수 있습니다. 그러나 생성한 코드를 사람이 리뷰해야 한다는 조건은 그대로입니다. 코드가 대량으로 나오면 리뷰 부담이 늘고, 개발 경험이 크게 달라지는 데서 스트레스를 느낄 수도 있습니다. AI가 작성한 코드의 책임은 사람에게 있으며, 저품질 코드는 리뷰어의 부담과 프로덕트의 기술 부채로 이어질 수 있습니다.
활용 경험과 도입 의향을 물은 ODW 설문
이 실습을 전사 엔지니어에게 공유한 자리가 Orchestration Development Workshop입니다. 운영을 맡은 Orchestration 길드는 CTO가 선발한 엔지니어들이 현장의 AI 활용 지식을 공유하는 커뮤니티입니다. 글쓴이 Hirano는 Yahoo! 파이낸스의 프런트엔드 개발자이자 스크럼 마스터로 일하며, 길드 멤버로 워크숍 준비에도 참여했습니다.
워크숍은 두 번 열렸습니다. 사전 준비를 전제로 한 실습 중심의 실전편과 더 세심한 지원을 제공하는 도입편으로 나눴고, 약 2,500명이 참여했습니다.
참가자 설문에서는 9.5%가 이미 지속적으로 활용하고 있으며, 34.7%가 일부를 시도해 봤다고 답했습니다. 40% 이상이 어떤 형태로든 내용을 적용하고 있었습니다. 글쓴이는 코딩 관련 워크숍이라 참가자에게 이미 익숙한 작업이 포함됐던 영향일 수 있다고 봤습니다.
가까운 시일 내에 시도할 예정이라는 응답은 48.5%였습니다. 이들은 설문 당시에는 아직 실천하지 않은 상태였습니다. MCP 서버 활용법과 에이전트에 작업을 전달하는 방식을 구체적으로 다룬 덕분에 AI 활용 방법을 더 구체적으로 생각해 볼 수 있었다는 의견도 있었습니다.
워크숍 참가자 설문 결과
| 선택 항목 | 비율 |
|---|---|
| 이미 지속적으로 활용하고 있음 | 9.5% |
| 이미 일부를 시도해 봄 | 34.7% |
| 아직 시도하지 않았지만 가까운 시일 내에 시도할 예정 | 48.5% |
| 아직 시도하지 않았고 시도할 계획도 없음 | 5.8% |
| 기타 | 1.5% |