DDD 통합 — AI 주도 개발에서의 필수 코어

핵심 메시지: AIDLC에서 DDD는 선택사항이 아닌 방법론의 내장 요소입니다. AI가 비즈니스 로직을 자동으로 DDD 원칙에 따라 모델링하고, 팀이 이를 검증·조정합니다.

---

1. DDD가 AIDLC의 필수 코어인 이유

전통적인 Scrum에서 DDD(Domain-Driven Design)는 팀 선택사항이었습니다. 아키텍트가 DDD를 선호하면 도입하고, 그렇지 않으면 트랜잭션 스크립트나 레이어드 아키텍처로 진행했습니다. 설계 기법의 선택은 팀의 역량과 선호에 달려 있었습니다.

AIDLC에서는 상황이 근본적으로 다릅니다.

전통적 SDLC                          AIDLC
━━━━━━━━━━━━━━                      ━━━━━━━━━━━━━━━━━━━
설계 기법은 팀 선택                     DDD/BDD/TDD를 방법론에 내장
아키텍트가 수동 모델링                  AI가 자동 모델링, 팀이 검증
설계 문서는 코드와 점진적 이탈           Spec → Code 일관성 자동 유지
도메인 지식이 사람 머리에만 존재         온톨로지로 형식화되어 AI가 이해

1.1 왜 DDD가 내장되는가

AI는 구조화된 패턴에서 최고의 성능을 발휘합니다. DDD는 비즈니스 로직을 Aggregate, Entity, Value Object, Domain Event로 체계화하는 명확한 어휘와 규칙을 제공합니다. 이는 AI가 요구사항을 코드로 변환할 때 일관된 가이드레일 역할을 합니다.

비구조화된 요구사항 + AI = 임의적 구현 (매번 다른 스타일)
DDD 패턴 + AI = 예측 가능한 구현 (Aggregate-first, Event-driven)

1.2 Scrum vs AIDLC: DDD의 위치 변화

측면	Scrum + DDD (선택)	AIDLC + DDD (필수)
도입 여부	아키텍트 재량	방법론 내장
모델링 주체	아키텍트 + 개발자	AI 초안 → 팀 검증
유지보수	수동 문서 동기화	Spec 파일 자동 반영
학습 곡선	높음 (Red/Blue Book)	낮음 (AI가 패턴 적용)
적용 범위	핵심 도메인만	전체 Unit에 일관 적용

---

2. Inception 단계: 요구사항에서 설계까지

DDD 통합은 Inception 단계에서 시작됩니다. 이 단계의 핵심 리추얼은 Mob Elaboration이며, AI가 요구사항을 DDD 패턴으로 자동 모델링하고 팀이 이를 검증합니다.

2.1 Mob Elaboration 리추얼

Mob Elaboration은 Product Owner, 개발자, QA가 한 방에 모여 AI와 협업하는 요구사항 정제 세션입니다.

┌──────────────────────────────────────────────────┐
│              Mob Elaboration 리추얼                │
├──────────────────────────────────────────────────┤
│                                                   │
│  [AI] Intent를 User Story + Unit으로 분해 제안     │
│    ↓                                              │
│  [PO + Dev + QA] 검토 · 과잉/부족 설계 조정        │
│    ↓                                              │
│  [AI] 수정 반영 → NFR · Risk 추가 생성             │
│    ↓                                              │
│  [팀] 최종 검증 → Bolt 계획 확정                    │
│                                                   │
├──────────────────────────────────────────────────┤
│  산출물:                                          │
│  PRFAQ · User Stories · NFR 정의                  │
│  Risk Register · 측정 기준 · Bolt 계획             │
└──────────────────────────────────────────────────┘

시간 압축 효과: 기존 방법론에서 수 주~수 개월 걸리던 순차적 요구사항 분석을 AI가 초안을 생성하고 팀이 동시에 검토함으로써 수 시간으로 압축합니다.

2.2 Kiro Spec-Driven Inception

Kiro는 Mob Elaboration의 산출물을 Spec 파일로 체계화합니다. 자연어 요구사항에서 코드까지의 전체 과정을 구조화합니다.

2.2.1 Payment Service 예시

requirements.md:

# Payment Service 배포 요구사항

## 기능 요구사항
- REST API 엔드포인트: /api/v1/payments
- DynamoDB 테이블과 연동
- SQS를 통한 비동기 이벤트 처리

## 비기능 요구사항
- P99 레이턴시: < 200ms
- 가용성: 99.95%
- 자동 스케일링: 2-20 Pod
- EKS 1.35+ 호환

design.md:

# Payment Service 아키텍처

## 도메인 모델 (DDD)
- Aggregate: Payment (transactionId, amount, status)
- Entity: PaymentMethod, Customer
- Value Object: Money, Currency
- Domain Event: PaymentCreated, PaymentCompleted, PaymentFailed

## 인프라 구성
- EKS Deployment (3 replicas min)
- ACK DynamoDB Table (on-demand)
- ACK SQS Queue (FIFO)
- HPA (CPU 70%, Memory 80%)
- Karpenter NodePool (graviton, spot)

## 관찰성
- ADOT sidecar (traces → X-Ray)
- Application Signals (SLI/SLO 자동)
- CloudWatch Logs (/eks/payment-service)

## 보안
- Pod Identity (IRSA 대체)
- NetworkPolicy (namespace 격리)
- Secrets Manager CSI Driver

tasks.md:

# 구현 태스크

## Bolt 1: 도메인 모델
- [ ] Payment Aggregate 구현
- [ ] Value Object 정의 (Money, Currency)
- [ ] Domain Event 정의
- [ ] Repository interface 정의

## Bolt 2: 인프라
- [ ] ACK DynamoDB Table CRD 작성
- [ ] ACK SQS Queue CRD 작성
- [ ] Karpenter NodePool 설정

## Bolt 3: 애플리케이션
- [ ] Go REST API 구현
- [ ] DynamoDB Repository 구현
- [ ] SQS Event Publisher 구현
- [ ] Dockerfile + multi-stage build

## Bolt 4: 배포 & 관찰성
- [ ] Helm chart 작성
- [ ] ADOT sidecar 설정
- [ ] Application Signals annotation

Spec-Driven의 핵심 가치

디렉팅 방식: "DynamoDB 만들어줘" → "SQS도 필요해" → "이제 배포해줘" → 매번 수동 지시, 맥락 유실 위험

Spec-Driven: Kiro가 requirements.md를 분석 → design.md 생성 → tasks.md 분해 → 코드 자동 생성 → 검증까지 일관된 Context Memory로 연결

2.3 MCP 기반 실시간 컨텍스트 수집

Kiro는 MCP 네이티브로, Inception 단계에서 AWS Hosted MCP 서버를 통해 실시간 인프라 상태를 수집합니다.

[Kiro + MCP 상호작용]

Kiro: "EKS 클러스터 상태 확인"
  → EKS MCP Server: get_cluster_status()
  → 응답: { version: "1.35", nodes: 5, status: "ACTIVE" }

Kiro: "비용 분석"
  → Cost Analysis MCP Server: analyze_cost(service="EKS")
  → 응답: { monthly: "$450", recommendations: [...] }

Kiro: "현재 워크로드 분석"
  → EKS MCP Server: list_deployments(namespace="payment")
  → 응답: { deployments: [...], resource_usage: {...} }

이를 통해 design.md 생성 시 현재 클러스터 상태와 비용을 반영한 설계가 가능합니다.

---

3. Construction 단계: DDD 패턴 구현

Construction 단계에서 AI는 Inception에서 정의한 도메인 모델을 실제 코드로 변환합니다. 이 과정에서 DDD 패턴이 AWS 서비스 및 Kubernetes 리소스로 매핑됩니다.

3.1 Domain Design에서 Logical Design까지

3.1.1 Payment Service 구현 단계

1단계: Domain Design — AI가 비즈니스 로직 모델링

// Aggregate
type Payment struct {
    TransactionID string
    Amount        Money
    Status        PaymentStatus
    Customer      Customer
    Method        PaymentMethod
    Events        []DomainEvent
}

// Value Object
type Money struct {
    Amount   decimal.Decimal
    Currency Currency
}

// Domain Event
type PaymentCreated struct {
    TransactionID string
    Timestamp     time.Time
}

2단계: Logical Design — NFR 적용 + 아키텍처 패턴 선택

• CQRS 패턴: 결제 생성(Command) / 조회(Query) 분리
  • Command: POST /api/v1/payments → DynamoDB 쓰기 + SQS 발행
  • Query: GET /api/v1/payments/{id} → DynamoDB Streams → ElastiCache 읽기
• Circuit Breaker: 외부 결제 게이트웨이 호출 시 Envoy sidecar + Istio
• ADR (Architecture Decision Record): "DynamoDB on-demand vs provisioned" 의사결정 기록

3단계: 코드 생성 — AWS 서비스 매핑

DDD 요소	AWS/Kubernetes 매핑
Aggregate (Payment)	EKS Deployment + DynamoDB Table
Domain Event	SQS FIFO Queue
Repository	DynamoDB SDK with ACK CRDs
Circuit Breaker	Envoy sidecar (Istio)
Event Publisher	SQS SDK with retry logic

3.2 AWS 서비스 매핑 상세

3.2.1 DynamoDB Table (Aggregate 영속화)

AI가 design.md의 Aggregate 정의를 분석하여 ACK CRD를 자동 생성합니다.

apiVersion: dynamodb.services.k8s.aws/v1alpha1
kind: Table
metadata:
  name: payment-table
spec:
  tableName: payment-service
  attributeDefinitions:
    - attributeName: transactionId
      attributeType: S
  keySchema:
    - attributeName: transactionId
      keyType: HASH
  billingMode: PAY_PER_REQUEST  # ADR에서 결정
  tags:
    - key: DomainAggregate
      value: Payment

3.2.2 SQS Queue (Domain Event 발행)

apiVersion: sqs.services.k8s.aws/v1alpha1
kind: Queue
metadata:
  name: payment-events
spec:
  queueName: payment-service-events.fifo
  fifoQueue: true
  contentBasedDeduplication: true
  tags:
    DomainEvent: PaymentCreated,PaymentCompleted,PaymentFailed

3.2.3 Repository 구현

AI가 DDD Repository 패턴을 DynamoDB SDK로 구현합니다.

type PaymentRepository interface {
    Save(ctx context.Context, payment *Payment) error
    FindByID(ctx context.Context, id string) (*Payment, error)
}

type DynamoDBPaymentRepository struct {
    client *dynamodb.Client
}

func (r *DynamoDBPaymentRepository) Save(ctx context.Context, p *Payment) error {
    item, _ := attributevalue.MarshalMap(p)
    _, err := r.client.PutItem(ctx, &dynamodb.PutItemInput{
        TableName: aws.String("payment-service"),
        Item:      item,
    })
    
    // Domain Event 발행
    for _, event := range p.Events {
        publishToSQS(event)
    }
    
    return err
}

3.3 NFR 적용: CQRS, Circuit Breaker, ADR

3.3.1 CQRS 패턴

AI가 NFR (P99 < 200ms)를 분석하여 Command/Query 분리를 제안합니다.

Command Side (Write):
  POST /api/v1/payments
    → Aggregate.CreatePayment()
    → DynamoDB.PutItem()
    → SQS.SendMessage(PaymentCreated)

Query Side (Read):
  GET /api/v1/payments/\{id\}
    → ElastiCache.Get(id)  # DynamoDB Streams → Cache
    → Fallback: DynamoDB.GetItem()

3.3.2 Circuit Breaker (외부 게이트웨이)

결제 게이트웨이 호출 시 장애 격리를 위해 Istio Circuit Breaker를 자동 설정합니다.

apiVersion: networking.istio.io/v1beta1
kind: DestinationRule
metadata:
  name: payment-gateway-circuit-breaker
spec:
  host: external-payment-gateway.com
  trafficPolicy:
    outlierDetection:
      consecutiveErrors: 5
      interval: 30s
      baseEjectionTime: 60s

3.3.3 ADR 자동 생성

AI가 design.md 작성 시 아키텍처 결정을 ADR 형식으로 기록합니다.

# ADR-001: DynamoDB On-Demand 선택

## Context
Payment Service는 트래픽 패턴이 불규칙하고 예측 불가능합니다.

## Decision
Provisioned Capacity 대신 On-Demand를 선택합니다.

## Consequences
- 비용: 예측 가능한 트래픽 대비 15% 더 비쌈
- 장점: 스파이크 트래픽 대응 자동, 스케일링 운영 불필요
- 단점: 비용 최적화 한계

---

4. Mob Construction 리추얼

Construction의 핵심 리추얼은 Mob Construction입니다. 팀이 한 방에 모여 각자의 Unit을 개발하며, Domain Design 단계에서 생성한 통합 사양(Integration Specification)을 교환합니다.

[Mob Construction 흐름]

Team A: Payment Unit        Team B: Notification Unit
  │                            │
  ├─ Domain Design 완료        ├─ Domain Design 완료
  │                            │
  └────── 통합 사양 교환 ──────┘
          (Domain Event 계약)
  │                            │
  ├─ Logical Design            ├─ Logical Design
  ├─ 코드 생성                  ├─ 코드 생성
  ├─ 테스트                    ├─ 테스트
  └─ Bolt 전달                 └─ Bolt 전달

4.1 Domain Event 기반 통합

각 Unit은 느슨하게 결합되어 병렬 개발이 가능하며, Domain Event를 통해 통합됩니다.

통합 사양 (Integration Specification):

# payment-unit-events.yaml
events:
  - name: PaymentCompleted
    schema:
      transactionId: string
      amount: decimal
      currency: string
      timestamp: ISO8601
    consumers:
      - notification-unit  # Notification팀이 구독
      - analytics-unit     # Analytics팀이 구독

AI가 이 사양을 기반으로 통합 테스트를 자동 생성합니다.

func TestPaymentNotificationIntegration(t *testing.T) {
    // Payment Unit이 PaymentCompleted 이벤트 발행
    payment := CreatePayment(amount)
    payment.Complete()
    
    // SQS에서 이벤트 수신 확인
    event := sqsClient.ReceiveMessage("payment-events.fifo")
    assert.Equal(t, "PaymentCompleted", event.Type)
    
    // Notification Unit이 이메일 발송했는지 확인
    notification := notificationClient.GetLastNotification()
    assert.Contains(t, notification.Body, payment.TransactionID)
}

4.2 Pair Programming의 AI 확장

Mob Construction은 전통적인 Pair Programming을 AI로 확장한 것입니다.

측면	Pair Programming	Mob Construction (AI)
참여자	2명 (Driver + Navigator)	N명 + AI Agent
역할	1명 코딩, 1명 리뷰	N명 검증, AI가 코딩
속도	1x (사람 속도)	10-50x (AI 속도)
병렬성	순차 작업	다중 Unit 병렬
지식 전파	2명만 학습	전체 팀 동시 학습

---

5. Brownfield (기존 시스템) 접근

기존 시스템에 기능 추가나 리팩터링을 수행하는 경우, Construction 단계에 추가 스텝이 필요합니다.

Brownfield 전략: 최적화 우선

새로 만들기보다 기존 시스템 최적화를 우선합니다. AI가 레거시 코드를 DDD 모델로 역공학하여 점진적 리팩터링을 수행합니다.

5.1 역공학 프로세스

1단계: AI가 기존 코드를 시맨틱 모델로 역공학 (코드 → 모델 승격)

• Static Model: 컴포넌트, 책임, 관계

  [PaymentController] → [PaymentService] → [PaymentDAO]
  - PaymentService의 책임: 비즈니스 로직 + 트랜잭션 관리
  - PaymentDAO의 책임: 데이터 접근

• Dynamic Model: 주요 유스케이스의 컴포넌트 상호작용

  결제 생성 Flow:
  Controller.createPayment() 
    → Service.processPayment()
    → DAO.insertPayment()
    → DAO.insertPaymentEvent()

2단계: 개발자가 역공학된 모델을 검증·수정

AI가 추출한 모델이 실제 비즈니스 의도를 정확히 반영하는지 확인합니다.

3단계: 이후 Green-field와 동일한 Construction 흐름 진행

역공학된 모델을 DDD Aggregate/Entity/Value Object로 재설계하고, AI가 리팩터링 코드를 생성합니다.

5.2 점진적 리팩터링 전략

한 번에 전체 시스템을 리팩터링하지 않고, Bolt 단위로 점진적 전환을 수행합니다.

Bolt 1: Payment Aggregate 추출
  - 기존: PaymentService (God Object 900줄)
  - 신규: Payment Aggregate + PaymentRepository

Bolt 2: Domain Event 도입
  - 기존: 결제 완료 시 직접 Notification 호출
  - 신규: PaymentCompleted 이벤트 발행 → SQS → Notification 구독

Bolt 3: CQRS 분리
  - 기존: 단일 Service에서 읽기/쓰기 혼재
  - 신규: PaymentCommandService / PaymentQueryService 분리

---

6. 온톨로지로의 확장: DDD에서 형식 온톨로지로

"프롬프트 엔지니어링은 온톨로지 엔지니어링이다" — 2026 AI 커뮤니티 컨센서스

DDD의 Ubiquitous Language는 팀 내 소통을 위한 비형식적 합의입니다. AI 시대에는 이를 **형식 온톨로지(typed world model)**로 격상하여 AI가 기계적으로 이해하고 준수할 수 있게 만들어야 합니다.

6.1 DDD vs 온톨로지

측면	DDD (Ubiquitous Language)	형식 온톨로지
정의	자연어 합의	기계 해석 가능 스키마
주 대상	사람 (팀 내 소통)	AI + 사람
검증	코드 리뷰 시 수동	자동 검증 (프롬프트 시점)
진화	문서화 지연	스키마 버전 관리
예시	"결제는 생성, 완료, 실패 상태를 가진다"	Payment.status: enum(CREATED, COMPLETED, FAILED)

6.2 온톨로지 엔지니어링 워크플로우

1. DDD 모델 정의 (requirements.md, design.md)
   ↓
2. AI가 온톨로지 스키마 생성 (JSON Schema/OWL)
   ↓
3. 온톨로지 검증 (팀 리뷰)
   ↓
4. AI가 온톨로지 기반 코드 생성
   ↓
5. 런타임 검증 (온톨로지 ↔ 실제 동작 일치)

이 과정은 온톨로지 엔지니어링 문서에서 상세히 다룹니다.

---

7. Quality Gates: DDD 패턴 검증

Construction 단계에서 AI가 생성한 코드가 DDD 원칙을 준수하는지 자동 검증합니다.

7.1 Harness Engineering 통합

하네스 엔지니어링에서 정의한 Quality Gates가 DDD 패턴을 검증합니다.

# quality-gates.yaml
gates:
  - name: DDD Pattern Compliance
    rules:
      - check: "Aggregate는 단일 트랜잭션 경계를 유지하는가?"
        tool: static-analysis
      - check: "Domain Event는 과거형으로 명명되었는가?"
        tool: naming-convention
      - check: "Value Object는 불변성을 보장하는가?"
        tool: immutability-checker
      - check: "Repository는 Aggregate만 영속화하는가?"
        tool: dependency-analysis

7.2 자동 검증 예시

// ❌ Anti-pattern: Aggregate가 다른 Aggregate를 직접 참조
type Order struct {
    OrderID  string
    Customer Customer  // ❌ Customer Aggregate 직접 참조
}

// ✅ Best practice: ID로만 참조
type Order struct {
    OrderID    string
    CustomerID string  // ✅ ID만 저장, 필요 시 Repository로 조회
}

AI가 이러한 패턴을 자동 검출하고 수정 제안을 생성합니다.

---

8. AI 코딩 에이전트: DDD 구현 자동화

AIDLC Construction 단계에서 활용하는 AI 코딩 에이전트들은 DDD 패턴을 자동 적용합니다.

8.1 Kiro의 DDD 자동화

Kiro는 AWS Labs가 개발한 AI 코딩 에이전트로, Spec-Driven DDD 구현을 수행합니다.

Kiro 워크플로우:

1. requirements.md 분석 → 도메인 개념 추출
2. design.md 생성 → Aggregate/Entity/Value Object 식별
3. tasks.md 분해 → Bolt 단위 구현 계획
4. 코드 자동 생성 → DDD 패턴 적용
5. 테스트 자동 생성 → 도메인 로직 검증

8.2 Amazon Q Developer의 실시간 검증

Amazon Q Developer는 2025년 2월 발표된 실시간 코드 실행 기능을 통해 DDD 구현을 즉시 검증합니다.

전통 방식:
  AI가 코드 생성 → 개발자가 수동 빌드 → 테스트 실패 발견 → 수정 반복

Q Developer:
  AI가 코드 생성 → 자동 빌드 → 자동 테스트 → 실패 시 즉시 재생성

이는 AIDLC의 Loss Function을 Construction 단계에서 조기 작동시켜 오류를 하류로 전파하지 않는 핵심 메커니즘입니다.

상세 비교는 AI 코딩 에이전트 문서를 참조하세요.

---

9. MSA 환경에서의 DDD 적용

복잡한 Microservices Architecture(MSA) 환경에서 DDD는 서비스 경계 설정과 통합 전략의 핵심입니다.

9.1 Bounded Context와 서비스 경계

DDD의 Bounded Context는 MSA의 서비스 경계와 자연스럽게 매핑됩니다.

Payment Bounded Context → Payment Service
Notification Bounded Context → Notification Service
Analytics Bounded Context → Analytics Service

AI가 requirements.md를 분석하여 Bounded Context를 자동 식별하고, 각 Context를 독립적인 EKS Deployment로 매핑합니다.

9.2 Context Mapping 패턴

여러 서비스가 상호작용할 때 DDD Context Mapping 패턴을 적용합니다.

패턴	설명	구현
Customer-Supplier	한 팀이 다른 팀에 API 제공	REST API + API Gateway
Conformist	하위 팀이 상위 팀의 모델을 그대로 수용	공통 Proto/Schema
Anticorruption Layer	레거시 시스템으로부터 격리	Adapter 패턴
Shared Kernel	공통 도메인 모델 공유	Shared Library (최소화)
Published Language	표준 이벤트 포맷	CloudEvents + SQS

복잡한 MSA 환경에서의 DDD 적용 전략은 MSA 복잡도 문서를 참조하세요.

---

10. 핵심 요약

10.1 왜 DDD가 AIDLC의 필수 코어인가

1. AI는 구조화된 패턴에서 최고 성능 — DDD는 명확한 어휘와 규칙 제공
2. Spec → Code 자동 변환 — requirements.md → design.md → tasks.md → 코드
3. 팀 검증이 Loss Function — AI 초안 → 팀 조정 → AI 개선 → 반복
4. 온톨로지로 진화 — 비형식 언어 → 형식 스키마 → AI 기계적 이해

10.2 핵심 리추얼

• Mob Elaboration (Inception): 요구사항 → DDD 모델, 수 주 → 수 시간 압축
• Mob Construction: 병렬 Unit 개발, Domain Event 기반 통합

10.3 자동화 범위

단계	AI 자동화	사람 역할
Domain Design	Aggregate/Entity/VO 초안	비즈니스 정확성 검증
Logical Design	CQRS/Circuit Breaker 적용	NFR 우선순위 결정
코드 생성	DDD 패턴 구현	코드 리뷰
테스트 생성	도메인 로직 테스트	시나리오 검증
ADR 작성	아키텍처 결정 기록	의사결정 승인

---

11. 다음 단계

• 온톨로지 엔지니어링 — DDD에서 형식 온톨로지로의 확장
• 하네스 엔지니어링 — Quality Gates에서 DDD 패턴 검증
• AI 코딩 에이전트 — Kiro, Q Developer 상세
• MSA 복잡도 — 복잡한 MSA에서의 DDD 적용

---

📚 참고 자료

• AWS Labs AI-DLC Research: arxiv.org/abs/2501.03604
• Eric Evans, "Domain-Driven Design" (2003)
• Vaughn Vernon, "Implementing Domain-Driven Design" (2013)
• Chris Richardson, "Microservices Patterns" (2018)