AI Coding Workflow

AI-Coding은 “코드 생성”이 아니라 요구사항을 실행 가능한 변경으로 만들고, 실제 표면에서 검증하는 운영 방식입니다.

Summary

좋은 AI-Coding 루프는 계획보다 검증에 강합니다. 코드를 썼다는 사실보다 실행 결과, 테스트, 브라우저 확인, 배포 상태가 중요합니다.

기본 루프

flowchart TD
  Goal["목표 확인"] --> Inspect["현재 repo 읽기"]
  Inspect --> Plan["작은 변경 계획"]
  Plan --> Edit["코드/문서 수정"]
  Edit --> Verify["빌드/테스트/런타임 확인"]
  Verify --> Record["문서화와 handoff"]
  Record --> Deploy["push 또는 배포"]
  Verify -->|실패| Inspect

단계별 원칙

단계	해야 할 일	산출물
목표 확인	사용자의 진짜 목표와 성공 기준을 분리	작업 범위
repo 읽기	기존 구조, 명령, 문서, 테스트 확인	변경 위치
계획	파일과 검증 표면을 작게 정의	실행 순서
구현	기존 패턴을 따라 최소 변경	코드/문서
검증	실제 명령과 UI/API로 확인	통과 로그
기록	다음 사람이 이어받을 수 있게 정리	README, handoff

좋은 지시의 형태

Example

“이 기능 만들어줘”보다 “이 버튼이 실제로 동작하게 하고, 로컬에서 클릭 검증한 뒤 어떤 파일을 바꿨는지 기록해줘”가 좋습니다.

AI-Coding에서 좋은 지시는 세 가지를 포함합니다.

1. 변경 대상: 어떤 사용자 행동이나 시스템 동작이 바뀌어야 하는가
2. 검증 표면: 테스트, 브라우저, API, CLI 중 무엇으로 확인할 것인가
3. 완료 증거: 어떤 명령, URL, 스크린샷, 로그가 성공을 증명하는가

실패 패턴

• 코드를 읽기 전에 추측으로 수정한다.
• 빌드는 통과했지만 실제 UI를 열어보지 않는다.
• 테스트를 고치지 않고 삭제하거나 약화한다.
• 문서와 실제 명령이 다르다.
• 변경 파일이 너무 많아 원인 추적이 어렵다.

AX Moon에서의 연결

이 워크플로는 AI Native KMS와 연결됩니다. AI가 작업한 결과는 코드뿐 아니라 결정, 검증 로그, 운영 문서로 남아야 다음 작업의 지식이 됩니다.

관련 문서:

• Codex as Local Build Agent
• MOC AI Coding
• AI Landscape Map