반복영역 건너뛰기
주메뉴 바로가기
본문 바로가기
제품/서비스
EMS Solution
Features
클라우드 관리
서버관리
데이터베이스 관리
네트워크 관리
트래픽 관리
설비 IoT 관리
무선 AP 관리
교환기 관리
운영자동화
실시간 관리
백업 관리
스토리지 관리
예방 점검
APM Solution
애플리케이션 관리
URL 관리
브라우저 관리
ITSM Solution
서비스데스크
IT 서비스 관리
Big Data Solution
SIEM
AI 인공지능
Dashboard
대시보드
Consulting Service
컨설팅 서비스
고객
레퍼런스
고객FAQ
문의하기
가격
자료실
카탈로그
회사소개
비전·미션
연혁
2016~현재
2000~2015
인증서·수상
투자정보
재무정보
전자공고
IR자료
새소식
공고
보도자료
오시는 길
채용
피플
컬처
공고
FAQ
블로그
열기
메인 페이지로 이동
블로그
기술이야기
블로그
최신이야기
사람이야기
회사이야기
기술이야기
다양한이야기
브레인즈컴퍼니, 서비스 확대 및 고객 만족도 향상 위해 원주사무소 오픈
데브옵스(DevOps)에 대한 오해, 그리고 진실은?!
원종혁
2024.02.14
페이스북 공유하기
트위터 공유하기
링크드인 공유하기
블로그 공유하기
잘파세대(Z세대 + 알파 세대)에 대한 모든 것
2000년 대 후반 IT 분야에서 데브옵스(DevOps)라는 움직임이 시작된 후, 꾸준하게 관심이 이어지고 있습니다. 데브옵스와 관련된 전 세계 시장의 규모는 2023년 기준 약 15조 원으로 추산되며, 올해부터는 연평균 25.5%씩 성장하여 2032년에 118조 원에 이를 것으로 예상됩니다
(*출처: Grand View Research)
.
우리나라의 경우 네이버, 카카오, 우아한 형제들, 토스 등과 같은 국내 대기업부터 스타트업까지 데브옵스 팀을 구축하여 적극적으로 활용하고 있기도 한데요.
이처럼 많은 기업들이 말하는 데브옵스란 과연 무엇일까요? 그리고 어떻게 하면 데브옵스를 성공적으로 도입하고 활용할 수 있을까요?
│ 데브옵스(DevOps)란 무엇인가?
[그림 1] DevOps 개념 ⓒdevopedia
우선 데브옵스가 무엇인지부터 살펴봅시다. 검색 사이트에서 '데브옵스 혹은 DevOps'라고 검색하면 위 [그림1]과 같은 결과를 찾을 수 있는데요.
[그림 2] DevOps에 대한 필자의 첫인상
하지만 처음 데브옵스라는 단어를 접할 경우 [그림 2]처럼 오버랩되는 건, 필자만 그런 것은 아니라고 생각합니다. 위 그림처럼 "개발자 보러 운영까지 하라는 거야? 아니면 운영자에게 개발까지 하라는 거야?"라는 질문을 던질 수 있겠죠.
데브옵스(DevOps)는 소프트웨어의 개발(Developmnet)과 + 운영(Operations)의 합성어이다. 이는 소프트웨어 개발자와 정보기술 전문가 간의 소통, 협업 및 통합을 강조하는 개발 환경이나 문화를 말한다. 데브옵스는 소프트웨어 개발조직과 운영조직 간의 상호 의존적 대응이며, 조직이 소프트웨어 제품과 서비스를 빠른 시간에 개발 및 배포하는 것을 목적으로 한다.
ⓒ위키백과
위 내용에도 언급되었듯이, 데브옵스라는 것은 결국 단순한 기술이 아닌 환경 또는 사람들 간에 관계라고 할 수 있습니다. 그렇다면 데브옵스는 어떤 이유로 주목받을 수 있었을까요?
│ 데브옵스(DevOps)가 주목받게 된 배경은?
데브옵스가 주목받은 이유는 여러 가지 있을 수 있지만, 주요한 이유 중 몇 가지를 설명하면 다음과 같습니다.
클라우드 컴퓨팅 기술의 발전
IT 산업의 발전에 따라 빠른 개발과 빠른 배포, 그리고 고객의 요구에 신속하게 대응하는 능력이 중요해졌습니다. 특히
클라우드 컴퓨팅(Cloud Computing) 기술의 발전으로 데브옵스의 필요성이 더 대두
되었는데요.
클라우드 자원의 가상화 기술과 빠른 프로비저닝
*1
을 통해 기존의 개발과 운영 간의 경계가 허물어지며, 서로 간의 협력이 필수적으로 요구되었기 때문입니다. 실제로 데브옵스만으로는 52%, 클라우드 단독 사용으로는 53%의 성능 향상을 얻었지만, 데브옵스와 클라우드가 결합된 환경에서는 평균 81%의 성능을 향상시킬 수 있다는
조사 결과
도 있습니다.
*1 프로비저닝(Provisioning): 사용자가 요청한 IT 자원을 사용할 수 있는 상태로 준비하는 것
MSA의 등장
[그림 4] 모놀리식 구조 예시(왼) [그림 5] MSA 구조 예시(오)
지금까지 운영 중인 시스템 혹은 서비스는, 하나의 큰 덩어리로 구성된 [그림 4]
모놀리식(Monolithic) 구조를 많이 사용
하고 있습니다. 안정성을 확보하고 기능 추가를 편리하게 할 수 있었기 때문이죠. 하지만 한 부분의 변경이 전체 시스템에 영향을 미칠 수 있어, 유지보수가 어렵다는 한계점이 있습니다. 예를 든다면 특정 기능이 수정이 필요한 경우에도, 전체 시스템을 수정해야 해서 번거롭고 비효율적인 부분이 있습니다.
이러한 모놀리식 구조의 한계점으로 소프트웨어의 구조가 서서히 [그림 5]
MSA(Micro Service Architecture)로 변화
되고 있습니다. MSA는 통합된 하나의 덩어리를 관리하는 것이 아닌, 작은 단위로 쪼개어 관리하는 방식인데요. 관리하기도 효율적이고, 소프트웨어 품질개선과 요구사항 반영이 비교적 편리해졌습니다. 각 서비스가 독립적으로 배포되고 운영되기 때문에, 특정 기능을 수정할 때 전체 기능을 수정하거나 다시 배포할 필요가 없어진 거죠. 하지만 이러한 변화는 기존의 개발 환경과 조직 문화로 대응하기엔 어려움이 있었습니다.
이때
'데브옵스(DevOps)'
가 좋은 솔루션으로 등장한 것이죠!
데브옵스가 지속적인 통합(CI)
1
과 지속적인 배포(CD)
2
를 통해 빠른 개발 주기를 실현하고 배포할 수 있을 뿐만 아니라, 다수의 독립적인 서비스가 상호작용할 수 있도록 원활한 협업과 통합을 가능하게 했기 때문입니다.
*1 지속적인 통합(Continuous Integration, CI)
개발자가 코드를 변경할 때마다 자동으로 통합하고 빌드 하여, 소프트웨어의 품질을 빠르게 확인하는 과정
*2 지속적인 배포(Continuous Delivery, CD)
통합된 코드를 자동으로 테스트하고, 안정적으로 통과한 경우에는 자동으로 프로덕션 환경에 소프트웨어를 배포하는 것. 이에 따라 사용자에게 새로운 기능이나 수정 사항을 신속히 제공하는 과정
│ 데브옵스(DevOps) 도입 성공사례는?
이처럼 데브옵스의 정의와 주목받게 된 배경을 살펴봤는데요. 이번에는 데브옵스를 실제로 기업에 적용해 보고 성공한 사례를 자세히 살펴볼까요?
넷플릭스
넷플릭스(Netflix)는 데브옵스를 성공의 핵심요소로 삼아, 지속적으로 새로운 기능과 업데이트를 제공했습니다.
자동화된 유연한 인프라
로 사용자 경험을 향상시켰죠. 이를 통해 빠르게 변화하는 스트리밍 산업에서 앞서 나갈 수 있게 되었고, 많은 비즈니스 이점을 얻게 되었습니다. 사실 넷플릭스는 2008년 큰 장애를 겪은 후, 클라우드로 이전되면서 인프라를 혁신적으로 개편했습니다. 이로써 기존의 수직적 단일 장애 지점에서 벗어나, 수평적으로 확장 가능한 분산 시스템을 구축할 수 있었습니다.
아마존
아마존(Amazon)은 데브옵스 원칙을 초기에 채택하여, 개발과 운영팀 간의 협력을 강화했습니다.
자동화와 지속적인 통합을 강조
함에 따라, 빠른 배포 주기와 개선된 확장성을 달성할 수 있었죠. 이러한 아마존의 데브옵스 접근 방식은, 시장에서 경쟁 우위를 유지하는데 중요한 역할을 했습니다. 아마존 창립자인 제프 베이조스는 아마존의 데브옵스에 대해 '고객에게 집중하고, 혁신을 포용하며, 실험할 용기'를 강조했습니다. 베이조스는 혁신을 위해, 오해를 받고 비판받을 의향이 있어야 한다고 말했던 것이죠.
페이스북
페이스북(Facebook)은 "빠르게 움직이고 물건을 부수라"는 문화에 뿌리를 둔 데브옵스 관행을 택했습니다. 실험, 민첩성, 위험 감수를 중시하는 접근 방식을 포함해서 말이죠. 이처럼 페이스북은
지속적인 통합과 배포, 자동화된 테스팅, 모니터링
을 사용하여 사용자에게 더 빠르고 높은 품질의 새로운 기능과 업데이트를 제공하고 있습니다.
월마트
2011년부터 데브옵스를 도입한 월마트(Walmart)는
자동화와 협업 그리고 지속적인 배포
에 중점을 두었습니다. 애자일(Agile) 방법론과 클라우드 기반의 인프라 및 데브옵스 툴체인을 활용하여, 하루에 최대 100번까지 코드를 배포할 수 있게 된 것이죠. 이를 통해 디지털 변환을 가속화하고, 전자상거래 플랫폼을 개선하며, 고객 경험을 향상시킬 수 있었습니다.
위 기업들은 데브옵스라는 도구를 효과적으로 활용하여 비즈니스 성과를 창출하고, 경쟁 우위를 확보할 수 있었습니다. 그렇다면 데브옵스를 도입하기만 하면 무조건 성공할 수 있을까요?
│ 데브옵스(DevOps)의 오해와 한계
앞선 질문에 대한 대답은 아쉽게도 NO입니다. 데브옵스는 개발 환경과 문화를 전부 해결해 줄 수 있는 '만능책'은 아니라는 것이죠. 데브옵스가 도입된 이후 새로운 한계점이 발견되었고, 실패할 사례들도 적지 않게 나왔습니다.
이러한 결과는 아래와 같은 오해들에서 비롯될 확률이 높은데요. 대표적으로 3가지만 살펴봅시다.
[그림 6] DevOps 구현을 위한 도구 ⓒMedium_Ajesh Martin
오해 1. 데브옵스는 일종의 단순한 도구일 뿐이다?
데브옵스를 '일종의 도구'로만 보는 것은 잘못된 판단입니다. 물론 여러 팀에서 보다 더 나은 환경과 문화를 위해 슬랙(Slack), 젠킨즈(Jenkins), 도커(Docker) 등 여러 도구를 사용하는 것은 좋습니다.
하지만 데브옵스는 이보다 더 광범위한 접근 방식을 담고 있습니다. 즉 개발과 운영팀 간의 협력과 더 빠른 소프트웨어 개발과 배포를 가능하게 하는 방법론을 포함한다는 것이죠. 다시 말해 데브옵스라는 '도구'를 이용하기 이전에, 문화적 그리고 기술적 접근 방식이 바탕이 되어야 데브옵스라는 툴이 도움 될 수 있습니다.
오해 2. 데브옵스는 모든 조직에 적합하다?
만약 '다른 회사에 데브옵스라는 팀이 있으니, 우리도 데브옵스 팀을 만들자'라는 식으로 접근한다면, [그림 2]와 같은 모습이 될 것으로 예상됩니다. 즉 데브옵스의 조직 체계를 구성한다고 해서 데브옵스가 실현될 순 없습니다. 서로 다른 입장과 상황이 있는 개발자-팀-회사, 운영자-팀-회사 간에 상당한 노력을 통해 만들어 내는 것이 더 중요한 것이죠.
이와 비슷한 사례로 애자일(Agile) 문화가 있습니다. 2000년대 초반 '애자일 소프트웨어 선언문'으로 다양한 애자일 방법론이 주목을 받았었죠. 개발에서 빠르고 유연한 방법을 강조하며, 이후 많은 기업들이 애자일 방법론을 도입하게 되며 유행처럼 번져갔습니다.
[그림 7] Agile 프로세스
여기서 애자일 문화를 도입한 많은 기업들이 간과했던 사실은, 애자일 문화 도입 자체가 '해결책'이라고 생각했다는 점입니다. 이보다 기존의 조직 문화에서 애자일 문화를 도입하는 것이 적합한 상황인지, 기존의 프로세스보다 효과를 발휘할 수 있는지, 팀 구성원들이 충분히 적응할 수 있는 문화인지 등을 우선적으로 고려하는 것이 더 중요합니다.
데브옵스 역시 마찬가지로 기존의 조직 규모, 문화, 프로젝트의 특성에 대한 명확한 이해가 먼저 선행되어야 합니다. 데브옵스 도입 전에 조직의 현재 상황과 목표를 면밀히 평가한 후, 점진적으로 도입하는 것이 중요하죠. 대기업이나 캐시카우가 있는 기업들이 데브옵스를 실행했다고 해서, 또는 단지 트렌드라는 이유만으로 도입하는 것은 위험할 수 있습니다.
오해 3. 데브옵스는 빠른 소프트웨어 배포만을 목표로 한다?
데브옵스는 속도만 중시하고 품질이나 안정성을 소홀히 한다는 인식이 있습니다. 하지만 데브옵스는 소프트웨어의 빠른 배포뿐만 아니라, 품질과 안정성 그리고 보안을 동시에 추구해야 합니다. 이에 따라 지속적인 통합과 배포(CI/CD), 자동화된 테스트, 모니터링 등을 통해 이러한 목표를 달성하려고 노력해야 하죠.
이처럼 데브옵스라는 도구를 도입하고 데브옵스 팀을 구성했다고 해서, 데브옵스가 즉각적으로 실현되는 것은 아닙니다.
│ 데브옵스(DevOps) 보다 선행되어야 하는 '이것'
진정한 데브옵스를 실현하기 위한 방법을 한 문장으로 표현한다면 다음과 같습니다.
"싸우지 말고 함께
소프트웨어 시스템 혹은 서비스를 만들어봐요"
힘 빠지는 결론일 수도 있습니다. 하지만 데브옵스를 도입하기 이전에 더 선행되어야 할 것은 각각 다른 업무의 조직원들끼리 서로를 이해하고, 협력하며, 보다 안정적인 시스템과 서비스를 제공하는 '문화'를 만드는 것이 더 현실적인 행동이라고 생각합니다.
물론 데브(Dev)와 옵스(Ops)는 우선순위가 동일하지 않고, 동일한 언어를 사용하지 않을 수 있으며, 매우 다른 관점에서 문제 해결될 가능성이 높습니다. 이처럼 팀을 하나로 모으기 위해서는 상당한 시간과 지속적인 노력이 필요한 것이죠.
그렇다면 어떤 방식으로 팀 협업 문화를 만들어야, 데브옵스를 보다 성공적으로 도입할 수 있을까요?
│ 데브옵스(DevOps) 성공을 위한 첫걸음
먼저 조직 내의 문화를 이해한 다음, 조직 내 교육과 커뮤니케이션을 강화하는 것이 중요한데요. 구체적인 방안을 제안한다면 다음과 같습니다.
로테이션 프로그램 도입
진정한 데브옵스를 실현하려면, 무엇보다 각 부서의 업무적인 이해가 중요합니다. 가장 직관적인 방법으로는 다른 부서의 업무를 '직접 체험'해 보는 것입니다. 예를 든다면 개발자가 운영팀의 업무를 수행하거나, 보안 팀이 개발 업무에 참여하는 등, 다양한 부서 간의 경험을 쌓아 보는 것이죠. 이를 통해 서로의 업무 환경과 각 부서 간의 역할을 이해하는 데 큰 도움을 받을 수 있습니다.
지식 공유 플랫폼 구축
내부 플랫폼이나 문서화된 지식 공유 시스템을 구축하는 방법도 있습니다. 각 부서의 업무와 프로세스에 대한 정보를 쉽게 접근할 수 있도록 하는 것이죠. 예를 들면 데브옵스 문화나 기술적인 도구, 프로세스 등을 포함하여 다양한 지식을 공유합니다. 이를 통해 각 부서의 업무 특성을 명확히 이해할 수 있고, 협업을 원활하게 진행할 수 있겠죠.
정기적인 교육 세션
빠르게 변화하는 기술에 대응하기 위해, 팀원들이 지속적으로 학습하고 발전해야 합니다. 정기적인 교육은 이러한 학습을 지원하는 데 중요한 역할을 하는데요. 예를 든다면 새로 도입된 CI/CD 도구에 대한 워크숍을 개최하여, 팀원들이 해당 도구의 사용법과 이점을 학습할 수 있도록 합니다. 또한 현재 사용 중인 프로세스 개선점에 대한 세션을 주기적으로 열어, 팀원들이 학습한 내용을 바탕으로 업무에 효율적으로 적용할 수 있습니다. 만약 특정 분야에 강점을 가진 팀원이 있어 주기적으로 자신의 경험과 성과를 공유한다면, 팀 전체에게 영감을 주고 학습 기회를 제공할 수도 있겠죠.
스탠드 업 미팅 활성화
매일 정해진 시간에 각 팀원이 자신의 진행 상황이나 이슈, 계획을 간결하게 공유합니다. 정해진 시간을 지키고 효율적인 미팅 진행을 위해, 공유하는 팀원들의 말에 집중하되 '총 15분'을 초과하지 않도록 노력하는 것이 중요합니다. 이를 통해 짧은 시간 동안 팀 전체가 빠르게 현재 상황을 파악하고, 실시간으로 정보를 공유하며, 신속하게 문제를 해결할 수 있습니다.
이처럼 위와 같은 방법들을 통해 구성원들이 효과적으로 협력할 수 있는 환경을 조성하는 노력들이 필요합니다.
。。。。。。。。。。。。
많은 기업들이 경쟁에서 지지 않기 위해 도입하고 있는 데브옵스(DevOps).
하지만 진정한 데브옵스를 실현하기 위해서는
"싸우지 말고 소프트웨어 시스템 혹은 서비스를 만들어 봐요"
라는 문장처럼 각각 다른 업무의 조직원들끼리 서로 이해하고, 협력하는 문화가 선행되는 것이 매우 중요합니다.
즉 너희 팀 vs 우리 팀 업무를 구분하지 않고 함께 협력하여, 아이디어를 생산하고, 가치를 창출해야 하는 것이죠. 혹시 아직 데브옵스를 도입하기 전이거나, 도입 이후에 올바르게 활용되고 있는지 궁금하시다면, 오늘 이 글을 통해 심도 있게 생각해 보시는 건 어떨까요?
#데브옵스
#DevOps
#MSA
#클라우드컴퓨팅
원종혁
솔루션사업팀
최일선에서 일하는 솔루션사업팀에서 근무 중입니다.
필진 글 더보기
목록으로
추천 콘텐츠
이전 슬라이드 보기
LLM Wiki로 프로젝트 지식 관리하기: Obsidian과 AI 에이전트 적용 사례
LLM Wiki로 프로젝트 지식 관리하기: Obsidian과 AI 에이전트 적용 사례
프로젝트가 길어지면 문서도 함께 늘어납니다. 기획서와 기술 조사 자료, 일정표, 설계서가 쌓이고 요구사항도 계속 바뀝니다. 문제는 필요한 문서를 찾는 것보다, 여러 문서 가운데 지금 무엇을 기준으로 봐야 하는지 판단하는 일이었습니다. AI를 개발 업무에 활용하면서 이 문제가 더 분명해졌습니다. 여러 자료를 빠르게 읽고 정리할 수는 있었지만, 과거 문서와 현재 기준이 함께 있으면 어떤 내용을 우선해야 하는지까지 AI가 스스로 알 수는 없었습니다. 이를 정리하기 위해 Andrej Karpathy가 공개한 LLM Wiki 패턴을 프로젝트 문서 관리에 적용했습니다. 원본과 현재 기준을 분리하고, 문서 우선순위와 변경 이력을 관리하면서 Obsidian과 AI 에이전트를 실제 기획·설계 업무에 활용했습니다. 이 글을 통해서 그 과정에서 어떤 구조를 만들고, 실제 업무에 어떻게 적용했는지 소개하려고 합니다. 이 글에서 말하는 LLM Wiki Andrej Karpathy가 제안한 패턴을 프로젝트 환경에 적용한 것입니다. 원본 자료와 LLM이 관리하는 Markdown Wiki를 분리하고, 사람은 자료를 선택하며 Obsidian에서 문서 연결과 변경 결과를 검토합니다. 이 프로젝트에서는 여기에 문서별 우선순위, 대체 관계, 변경 이력과 기획·설계 산출물 연결 규칙을 구체화했습니다. 원형 출처: Andrej Karpathy, “LLM Wiki — A pattern for building personal knowledge bases using LLMs” 01. 프로젝트 문서가 늘어날수록 ‘현재 기준’이 불분명해졌다 프로젝트 자료는 PPT, PDF, Excel, Markdown으로 나뉘어 있었습니다. PPT에는 합의된 방향이, PDF에는 기술 조사 결과가, Excel에는 기능 목록이, Markdown에는 구현 검토가 들어 있었습니다. 어느 한 문서만 읽어서는 전체 범위를 알 수 없었습니다. 기획이 변경될 때마다 서로 다른 기준을 담은 문서가 함께 남았고, 각각의 문서는 당시 결정과 검토 과정을 담고 있었습니다. 과거 문서를 삭제하면 결정의 맥락을 잃고, 그대로 두면 AI가 오래된 내용을 현재 기준으로 사용할 가능성이 생겼습니다. 검색할 수 있다는 것과, 무엇을 현재 기준으로 적용해야 하는지 안다는 것은 다른 문제였습니다. 프로젝트 문서 관리에서 확인한 핵심 문제 그래서 문서를 더 잘 검색하는 것보다 먼저, 원본과 현재 기준을 구분하고 문서 간 우선순위와 대체 관계를 명시하는 방식이 필요했습니다. 이 문제를 해결하기 위한 출발점으로 LLM Wiki의 기본 구조를 프로젝트 환경에 맞게 다시 정리했습니다. 02. LLM Wiki를 프로젝트 문서 관리 구조로 구체화했다 Karpathy의 원형은 Raw Sources, Wiki, Schema를 분리합니다. 이 구조를 그대로 가져오기보다 프로젝트 문서가 실제로 쌓이고 변경되는 방식에 맞춰 역할을 구체화했습니다. 원본은 수정하지 않고 보존하고, 여러 원본을 대조한 현재 기준은 별도의 Wiki로 관리했습니다. Schema의 역할은 프로젝트 운영 규칙과 문서 우선순위로 구체화했습니다. Karpathy의 LLM Wiki 원형을 프로젝트 문서 관리 방식에 맞게 구체화한 구조 raw/에는 기획서와 일정표 같은 원본을 그대로 보존했습니다. wiki/에는 여러 자료에서 공통으로 확인된 사실, 현재 적용할 요구사항, 설계 결정과 제약을 정리했습니다. index.md에는 어디서부터 읽어야 하는지와 문서 우선순위를, log.md에는 무엇이 언제 바뀌었는지를 기록했습니다. 일반 문서 검색과 무엇이 다른가 LLM Wiki가 RAG를 대체하는 것은 아닙니다. 자료가 많아질수록 검색은 여전히 필요합니다. 검색이 ‘관련 문서를 찾는 일’이라면, LLM Wiki는 ‘찾은 문서를 어떤 기준으로 해석하고 재사용할지 유지하는 일’에 가깝습니다. 이렇게 기준을 구조화한 뒤에는 AI와 사람이 각각 어디까지 판단할지 역할을 나누는 과정이 필요했습니다. 03. AI가 판단하고, 사람은 최종 기준을 결정했다 LLM은 raw 자료를 기존 Wiki, 문서 우선순위, 변경 이력과 비교해 어떤 자료를 우선 적용할지 먼저 판단했습니다. 판단 근거가 충분하면 반영안을 제시하고, 기존 기준과 충돌하거나 해석이 불분명하면 ‘어느 문서를 우선할지’, ‘기존 기준을 대체할지’를 구체적인 질문으로 다시 전달했습니다.사람은 그 질문에 답하고 최종 반영 여부를 확인했습니다. LLM은 우선순위를 먼저 판단하고 질문하며, 사람은 답변과 최종 확인을 담당합니다. Karpathy의 원형에서도 LLM Agent와 Obsidian을 나란히 두고, LLM이 Wiki를 수정하는 동안 사람이 결과를 탐색·검토하는 역할 구분을 제안합니다. 이 프로젝트에서는 문서 연결을 통해 기획 기준에서 설계와 화면 문서로 이동하고, 역방향 연결로 한 정책 변경이 어떤 문서에 영향을 주는지 확인했습니다. Graph View는 핵심 문서와 연결되지 않은 문서를 살펴보는 보조 수단으로 사용했습니다. Obsidian Graph View로 확인한 LLM Wiki 연결 구조 기획·요건·설계·구현·검증 문서가 어떤 기준 문서를 중심으로 연결되는지 살펴보고, 연결이 약하거나 고립된 문서를 사람이 점검하는 데 사용한 실제 화면입니다. Graph View 자체가 최신 승인 문서를 판정하는 것은 아닙니다. 내부 검토용 실제 캡처이며, 외부 공개본에서는 프로젝트명과 내부 문서명을 비식별화해야 합니다. 도구가 해결하지 않는 부분 Obsidian은 최신 승인 문서를 자동으로 판별하지 않으며, LLM이 작성한 문서의 정확성을 보장하지도 않습니다. 문서 우선순위, 원본 근거와 사람의 검토가 계속 필요합니다. 이렇게 역할을 나누자 Wiki는 단순한 문서 저장소가 아니라, 변경된 기준을 실제 업무에 다시 적용하기 위한 출발점이 됐습니다. 다음으로 이 구조를 정책 변경과 화면설계에 어떻게 사용했는지 살펴보겠습니다. 04. 실제 설계 업무에서 LLM Wiki를 어떻게 사용했는가 구조를 만든 뒤에는 이 기준이 실제 기획·설계 업무에서도 일관되게 작동하는지 확인했습니다. 여기서는 인증·권한 정책 변경과 화면설계 두 가지 사례를 중심으로 살펴보겠습니다. CASE 01. 정책 변경을 관련 설계 전체에 반영했다 API Key 정책이 바뀌었을 때 인증 문서 하나만 수정하지 않았습니다. 관련 Wiki를 찾아 권한 범위, 상태 모델, 감사 기록, 화면 표시와 개발 책임을 함께 대조했습니다. 변경 이유와 우선 적용 문서를 기록해 구형 설계가 다시 사용되지 않도록 했습니다. 확인한 결과: 한 정책 변경이 상태·감사 모델, 화면과 개발 설계까지 함께 반영됐습니다. CASE 02. Wiki의 기준을 사용자 화면과 개발 설계까지 연결했다 화면설계는 ‘API Key 관리 화면을 만들어 달라’는 한 문장의 지시로 시작하지 않았습니다. 먼저 Wiki 문서 우선순위에서 현재 적용해야 할 기획·인증·권한·보안 기준을 확인하고, 기존 UI 참고 자료와 서로 충돌하는 항목을 대조했습니다. 자료 Ingest → LLM 우선순위 판단 → 충돌·불확실성 질문 → 사용자 답변·확인 → Wiki 반영 → 화면 정책 추출 → 사용자용 HTML → 개발자용 설계 ① 입력 자료와 현재 기준을 분리했다 원본 UI 참고 이미지와 기획 자료는 근거로 보존했습니다. AI 에이전트는 wiki/index.md의 우선순위와 기존 변경 이력을 바탕으로 권한 설계, API Key 보안 정책과 개발 가이드 중 현재 적용할 기준을 먼저 판단했습니다. 과거 문서와 충돌하는 항목은 질문으로 분리했고, 사용자의 답변과 확인을 거쳐 최종 기준과 판단 이유를 변경 이력에 남겼습니다. ② 사용자 관점의 화면 흐름을 HTML로 만들었다 관리 목록, 간편·상세검색, 등록, 재발급, 폐기, 폐기 재확인과 감사 이력 조회를 하나의 화면설계 HTML에 구성했습니다. 이 단계의 목적은 코드를 정하는 것이 아니라 사용자가 어떤 순서로 선택하고 확인하는지를 검토하는 것이었습니다. Wiki의 실제 화면설계 HTML을 렌더링한 화면입니다. 목록에서 전체 흐름을 확인하고, 등록·1회 표시·재발급·폐기·재확인·이력 조회를 함께 검토할 수 있도록 구성했습니다. 계정명, 제품명, Key와 내부 주소는 외부 설명용 값으로 비식별화했습니다. ③ 사용자 검토 결과를 다시 화면에 반영했다 별도 사용자 선택 팝업은 등록 창 내부 Selectbox로 변경했고, 폐기에는 최종 재확인 단계를 추가했습니다. 사용자가 알 필요 없는 내부 Reason Code와 Key ID 검색은 제거했으며, 내부 상태 코드는 표시명으로 바꿨습니다. Key 원문은 발급·재발급 성공 직후 한 번만 표시하도록 제한했습니다. ④ 확정된 화면을 개발 책임 단위로 분해했다 검색, 목록, 행 선택, 등록, 1회 표시, 재발급, 폐기, 재확인과 이력 조회를 포함한 12개 기능 단위에 고유 ID를 부여했습니다. 각 기능마다 사용자 동작, 선행 권한, 업무 처리, 현재 데이터 변경, 감사 기록과 다음 화면을 연결해 개발자가 화면 뒤의 책임까지 확인할 수 있도록 했습니다. 개발자용 화면·구현 설계 결과 사용자 화면을 12개 기능 단위로 나누고, UI 동작에서 권한 확인·업무 처리·데이터 변경·감사 기록·후속 화면으로 이어지는 구조를 정리했습니다. 실제 DB 테이블명과 내부 클래스명은 설명용 표현으로 일반화했습니다. 확인한 결과: 화면 모양만 생성한 것이 아니라, 어떤 기획·보안 기준이 어떤 사용자 동작으로 바뀌었고 그 동작이 어떤 개발 책임으로 이어지는지 한 흐름으로 추적할 수 있는 산출물을 만들었습니다. AI 에이전트로 필요한 기준만 다시 조회했다 AI 에이전트에게 전체 프로젝트를 막연하게 읽도록 맡기지 않았습니다. 먼저 사용자가 지정한 자료만 Ingest 대상으로 한정하고, 원본 보존과 Wiki 갱신 결과를 확인했습니다. 이후 화면설계에 필요한 항목만 질문해 기준 문서·요구사항·보안 제약·미결정 사항으로 나눠 추출하는 방식으로 작업 범위를 줄였습니다. ① Ingest — 지정한 원본을 Wiki의 근거와 현재 기준으로 연결 [입력] 사용자가 명시한 raw 원본 파일 목록 [비교] 기존 Wiki·index 우선순위·변경 이력과 신규 자료 대조 [판단] LLM이 일치·추가·충돌·대체 관계와 적용 우선순위를 잠정 결정 [질문] 근거가 부족하거나 충돌하면 선택지를 포함해 사용자에게 재질문 [확정] 사용자 답변과 확인에 따라 현재 기준·대체 관계 확정 [기록] 관련 Wiki 갱신, index에 우선순위 반영, log에 판단 사유 추가 [검증] 원본 보존, 변경 파일 목록, 미해결 충돌 확인 원본 파일을 복사하는 것만으로 Ingest가 끝난 것으로 보지 않았습니다. Wiki와 연결된 LLM이 신규 raw 자료를 기존 기준과 비교해 우선순위를 먼저 판단하고, 충돌·모호함·근거 부족이 있으면 사용자에게 다시 질문합니다. 사용자의 답변으로 판단을 확정한 뒤 관련 Wiki, 문서 우선순위와 변경 이력을 함께 갱신해야 다음 질의에서도 같은 기준을 사용할 수 있습니다. ② Query — 화면설계에 필요한 데이터만 구조화해 추출 [질문] 현재 우선순위를 적용해 API Key 관리 화면에 필요한 사용자 동작과 보안 제약을 추출한다. [조회 기준] 문서 우선순위 / 권한 설계 / Key 보안 정책 / 개발 가이드 / 변경 이력 [출력 항목] 사용자 동작 / 표시 항목 / 노출 금지 정보 / 권한 조건 / 감사 요건 [근거] 각 항목이 나온 Wiki 문서와 변경 이유 [사람 판단] 문서 간 충돌 / UX 선택 / 최종 승인 필요 항목 이 질의에서는 화면에 필요한 요구사항과 보안·권한 제약을 근거 문서, 변경 이유와 함께 구조화했습니다. AI 에이전트가 결론을 승인한 것이 아니라, 사람이 쟁점과 근거를 같은 형식에서 검토할 수 있도록 정리한 것입니다. ③Screen Design — 조회 결과를 사용자 흐름과 개발 책임으로 변환 구조화한 기준과 기존 UI 참고 자료를 함께 사용해 사용자용 HTML을 만들고, 검토 의견을 다시 반영했습니다. 확정된 화면은 12개 기능 단위로 나눠 사용자 동작에서 권한·업무 처리·데이터 변경·감사 기록으로 이어지는 개발자용 설계서로 확장했습니다. 05. 적용하며 확인한 이점과 남은 과제 적용 과정에서 가장 크게 달라진 점은 문서를 단순히 모아 두는 데서 그치지 않고, 현재 기준과 그 판단 근거를 함께 추적할 수 있게 됐다는 점입니다. AI 에이전트는 신규 raw 자료를 기존 Wiki와 비교해 충돌과 대체 관계를 먼저 드러내고, 확정하기 어려운 내용은 질문으로 돌려줍니다. 사람은 모든 문서를 처음부터 다시 대조하는 대신 쟁점과 근거를 중심으로 판단하면서 최종 통제권을 유지할 수 있었습니다. 변경의 영향 범위도 한 문서 안에 머물지 않았습니다. 하나의 정책 변경을 관련 요구사항, 상태·감사 모델, 사용자 화면과 개발 설계까지 연결해 확인하고, 어느 기준이 왜 바뀌었는지를 변경 이력에 남겼습니다. 이후 다른 AI 에이전트나 새로운 작업 세션에서도 원본 전체를 매번 다시 해석하기보다 같은 현재 기준과 결정 맥락에서 작업을 시작할 수 있는 기반이 마련됐습니다. 다만 이번 적용 결과만으로 생산성이 얼마나 향상됐는지를 수치로 표현하기에는 무리가 있습니다. 실제 효과를 확인하려면 신규 AI 세션에서 맥락을 전달하는 데 걸리는 시간, 현재 기준을 찾는 시간, 설계 변경 누락이나 재작업이 얼마나 줄었는지 등을 지속적으로 확인할 필요가 있습니다. 또한 LLM은 문서 간 충돌을 찾고 판단을 지원할 수 있지만, 최종 기준을 정하는 것은 여전히 사람의 검토와 확인이 필요한 영역입니다. 마치며 Karpathy가 제안한 LLM Wiki 패턴을 프로젝트에 적용하면서 확인한 것은, AI에게 많은 문서를 제공하는 것만으로 프로젝트 맥락이 안정적으로 유지되지는 않는다는 점입니다. 원본과 현재 기준을 분리하고, 무엇을 우선 적용할지와 무엇이 변경됐는지를 함께 관리해야 다음 작업에서도 같은 기준을 이어갈 수 있었습니다. LLM Wiki 자체를 새롭게 제안한 것은 아닙니다. 이번 적용에서는 공개된 원형을 실제 기획·설계 업무에 맞춰 문서 우선순위, 대체 관계, 변경 이력과 사람의 승인 지점까지 구체화했습니다. LLM은 원본 분석과 지식 정리를 지원하고, 사람은 Obsidian에서 결과를 검토하며 최종 결정을 내리는 방식입니다.
2026.09.17
다음 슬라이드 보기