이 grep을 넘어서: 풍부한 맥락의 AI 도구 활용을 위한 변론

라 thesis: AI 코드 어시스턴트의 품질은 모델 자체보다도 **‘하르네’(harnais)** - 코드베이스 중 어떤 부분을 보여줄지 결정하는 계층 - 에 달려 있다. 문맥 엔지니어링을 다시 한 번 핵심으로 되돌린 글의 해부.

출발점

시니어 개발자라면 누구나 겪어본 현실: IDE를 열고 코드 어시스턴트에게 “이 함수를 내부 API로 리팩터링해줘”라고 요청했는데, 문법적으로는 깔끔한 코드를 내놓지만 프로젝트의 세 가지 규칙, 두 개의 내부 의존성, 그리고 30줄 아래에 이미 존재하는 헬퍼를 무시하는 경우가 있다. 모델이 ‘멍청한’ 건 아니다. 단지 필요한 것을 보지 못한 것뿐이다.

이것이 Vinay Perneti (Augment Code)가 아르스 테크니카와의 인터뷰 「Beyond grep: The case for a context-rich AI coding harness」에서 주장한 핵심 thesis다. 하르네(프롬프트에 맥락을 선택·정렬·주입하는 모든 메커니즘)는 이제 모델 자체의 선택보다 더 큰 비중을 차지한다.

‘빈약한’ 하르네가 하는 일

사실상 정교한 grep에 불과하다:

• 저장소 파일에 대한 순진한 임베딩 검색
• 커서 주변의 컨텍스트 창
• 경우에 따라 현재 파일 전체

이는 로컬 작업(변수 이름 바꾸기, 시그니처 수정)에 효과적이다. 하지만 세 모듈 아래에서 테스트가 실패하는 이유를 이해해야 할 때는 무너진다.

‘풍부한’ 하르네가 하는 일

Perneti가 Augment Code에서 주장하는 세 가지 구성 요소:

1. 코드 의존성 그래프 - 임포트, 호출, 상속: 하르네는 텍스트적으로 가까운 파일이 아니라 실제로 유용한 정의를 가져오기 위해 엣지를 따라간다.
2. 실행 이력 - 테스트 트레이스, 로그, 마지막 pytest 또는 cargo test 출력. 모델은 무엇이 깨졌는지를 보게 된다.
3. 세션 메모리 - 이전 대화에서 내린 결정(“라이브러리 X를 선택했지 Y는 아니었어”)을 기억해 매번 재논의하지 않도록 한다.

최근 오픈소스 프로젝트들은 각 구성 요소를 구현한다 - 구조적 분석을 위한 tree-sitter 에코시스템, 의미론적 인덱스와 결합된 ripgrep 도구, 그리고 ‘스크래치패드’를 유지하는 에이전트 프레임워크.

왜 이것이 전쟁터인가

두 가지 경제적 이유:

• 토큰 가격은 하락하고 컨텍스트 창은 커진다: 더 많이 보낼 여유가 생긴다. 하지만 모두 보낼 수는 없다 - 50만 줄짜리 모노레포는 여전히 불가능하다. 따라서 선택이 필요하다.
• 모델은 마구 쏟아부은 정보보다 적절한 순간에 보여준 정보를 바탕으로 더 잘 추론한다. 올바르게 우선순위를 정하는 하르네가 잘못된 순서로 정렬한 모델을 이긴다.

다시 말해: 참을 만한 어시스턴트와 전적으로 의지할 수 있는 어시스턴트의 차이는 더 이상 모델의 무게가 아니다. 인식 환경의 소프트웨어 엔지니어링에 있다.

기억할 점

• ‘하르네’(컨텍스트 엔지니어링)는 이제 코드 어시스턴트의 진정한 차별화 요소다 - Augment Code의 Vinay Perneti가 공개적으로 주장한 thesis.
• 풍부한 하르네는 텍스트 검색뿐 아니라 코드 그래프, 실행 이력, 세션 메모리를 결합한다.
• 오늘 도구를 선택한다는 것은 내장된 모델만큼이나 그 하르네를 평가하는 것이다.