AI 코딩 에이전트

2026-04-07 작성2026-06-30 수정17분 읽기

AIDLC Construction 단계에서 설계를 코드로 구현하는 AI 코딩 에이전트 전략을 다룹니다. 본 문서는 먼저 AWS Labs AIDLC 공식 지원 7개 플랫폼을 요약한 뒤, Kiro의 Spec-Driven 접근과 Amazon Q Developer의 실시간 빌드·테스트를 심화합니다. 그리고 MCP 기반 컨텍스트 수집, CI/CD 통합 패턴, 에이전트 선택 가이드로 마무리합니다.

0. 공식 AIDLC 지원 플랫폼 7종

AWS Labs AIDLC Workflows 는 AIDLC 방법론이 동작하는 7개 공식 지원 플랫폼 을 정의합니다. 각 플랫폼은 Common Rules 와 Inception/Construction 워크플로를 구현해야 하며, 산출물 포맷은 공통 규약을 따릅니다.

0.1 Kiro

AIDLC 적용: Spec-Driven 기본 탑재. requirements.md → design.md → tasks.md 파일 구조가 Inception 산출물과 거의 1:1 매핑. MCP 네이티브로 AWS Hosted MCP 서버와 즉시 연동
강점: Common Rules 11개 모두 Full 지원. 조직 Extension(opt-in.md) 인식. AWS 서비스(EKS, DynamoDB 등)와의 밀착 통합
한계: AWS 생태계 중심이라 멀티클라우드 팀에는 제약. IDE 선택지 제한적

0.2 Amazon Q Developer

AIDLC 적용: Construction 단계의 실시간 빌드·테스트·보안 스캔 중심. Inception 은 별도 Kiro/Claude Code 등과 조합
강점: 빌드·테스트 자동 실행으로 Loss Function 즉시 작동. CodeCatalyst·GitHub Actions 통합 우수. /transform 으로 레거시 마이그레이션(Java, .NET) 지원
한계: Inception(요구사항·설계) 단계는 다른 도구 병행 필요. 자유도 높은 실험·프로토타이핑은 Cursor 등이 더 유연

0.3 Cursor

AIDLC 적용: 코드 컨텍스트 기반 Spec-Driven. .cursor/rules/ 디렉터리로 Common Rules 일부 표현 가능. Composer 기능으로 multi-file 편집
강점: 대규모 리팩터링·코드 이해에 강함. Apply 기능으로 제안 코드 검증 후 병합. 에디터 UX 완성도 높음
한계: AIDLC Extension System 미지원 → 조직 규정은 수동 프롬프트로 보완. Audit Log 자동 생성 제한

0.4 Cline

AIDLC 적용: VS Code Extension 기반 Autonomous Agent. CLI 중심 워크플로에 적합. Plan Mode / Act Mode 분리가 Adaptive Execution 과 잘 맞음
강점: 완전 오픈소스, Bring Your Own Key(BYOK). 로컬 파일시스템·터미널 제어 자유로움. AIDLC 산출물 파일 생성·수정이 자연스러움
한계: IDE 통합 UX 가 Cursor 대비 낮음. 상용 지원 부재 (커뮤니티 의존)

0.5 Claude Code

AIDLC 적용: CLI + IDE 통합 양쪽 지원. Sub-agent 기반 복잡 태스크 분해. AGENTS.md / CLAUDE.md 로 Common Rules 표현
강점: Anthropic Claude 모델 기본값. Sub-agent 로 Inception(planner) + Construction(executor) 분리 가능. MCP 생태계와 매끄러운 연동
한계: Opus 모델 사용 시 비용 부담. 팀 전체 도입 시 라이선스·레이트리밋 관리 필요

0.6 GitHub Copilot

AIDLC 적용: 코드 자동완성 중심. Copilot Chat + Workspace 로 Spec-Driven 일부 지원. Copilot Enterprise 에서 AGENTS.md 인식 확장 중
강점: 가장 광범위한 IDE 지원(VS Code · JetBrains · Neovim). 대부분 개발자에게 이미 익숙. GitHub 네이티브 통합
한계: AIDLC Stage Transition 이나 Checkpoint Approval 개념은 Copilot 기본 기능에 없음 — 수동 운영 필요. 프롬프트 커스터마이징 제약

0.7 AGENTS.md

AIDLC 적용: 플랫폼이라기보다 도구 독립 문서 규격. AGENTS.md 파일로 Common Rules·Extension·Stage 규약을 평문으로 서술
강점: 어떤 AI 에이전트라도 AGENTS.md 를 읽으면 AIDLC 규칙을 따르게 할 수 있음 (Claude Code, Cursor, Cline 모두 지원). Git 추적·Review 용이
한계: 자동 실행·강제가 불가능 → 에이전트가 파일을 무시할 여지 존재. Audit/Checkpoint 는 별도 도구 필요

0.8 플랫폼 선택 요약표

플랫폼	AIDLC Common Rules	Inception	Construction	Audit	라이선스	추천 케이스
Kiro	Full	Full	Full	Full	Commercial (AWS)	AWS 엔터프라이즈, 보안 민감
Amazon Q Developer	Full	Partial	Full	Full	Commercial (AWS)	AWS + CI/CD 실시간 검증
Cursor	Partial	Partial	Full	Manual	Commercial	대규모 리팩터링·탐색적 개발
Cline	Partial	Partial	Full	Manual	OSS (BYOK)	비용 절감·커스터마이징
Claude Code	Full	Full	Full	Partial	Commercial (Anthropic)	Sub-agent 기반 복잡 태스크
GitHub Copilot	Partial	Limited	Full	Limited	Commercial (GitHub)	폭넓은 IDE 지원·낮은 학습곡선
AGENTS.md	Full (문서)	Full (문서)	Full (문서)	Manual	OSS	도구 독립 규약 관리

하이브리드 전략 권장

단일 플랫폼만 쓰는 대신, Kiro (Inception) + Q Developer (Construction) + GitHub Copilot (개별 자동완성) 처럼 stage 별로 최적 도구를 조합하는 하이브리드 가 실전에서 가장 효율적입니다. 산출물이 Markdown + YAML 로 표준화되어 있어 플랫폼 간 이동 비용이 낮습니다.

1. AI 코딩 에이전트 개관

AIDLC Construction 단계는 Inception 단계의 산출물(요구사항, 설계, 온톨로지)을 실행 가능한 코드와 인프라로 변환하는 과정입니다. AI 코딩 에이전트는 이 변환을 자동화하며, 다음 역할을 수행합니다:

요구사항 → 코드 변환 — 자연어 요구사항을 구조화된 명세(Spec)로 전환 후 코드 생성
실시간 빌드·테스트 — 코드 생성 즉시 자동 빌드 및 테스트로 오류 조기 발견 (Loss Function)
보안 스캔 — Kubernetes manifest, 애플리케이션 코드의 보안 취약점 자동 탐지 및 수정 제안
CI/CD 통합 — GitHub Actions, Argo CD 등 GitOps 파이프라인과 자동 연동
실시간 컨텍스트 수집 — MCP 서버를 통해 현재 인프라 상태·비용·워크로드 정보 반영

Amazon Q Developer와 Kiro는 Anthropic Claude 모델을 기본으로 사용하며, Kiro는 오픈 웨이트 모델도 지원하여 비용 최적화와 특수 도메인 확장이 가능합니다.

2. Kiro — Spec-Driven 개발

2.1 Spec-Driven Inception

Kiro는 Inception 단계의 산출물을 Spec 파일로 체계화하여, 자연어 요구사항에서 코드까지의 전체 과정을 구조화합니다.

requirements.md → design.md → tasks.md → 코드 생성 → 검증

EKS 예시: Payment Service 배포

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

## 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: 인프라
- [ ] ACK DynamoDB Table CRD 작성
- [ ] ACK SQS Queue CRD 작성
- [ ] KRO ResourceGroup 정의 (DynamoDB + SQS 통합)
- [ ] Karpenter NodePool 설정 (graviton, spot)

## Bolt 2: 애플리케이션
- [ ] Go REST API 구현
- [ ] DynamoDB SDK 연동
- [ ] SQS consumer 구현
- [ ] Dockerfile + multi-stage build

## Bolt 3: 배포
- [ ] Helm chart 작성
- [ ] Argo CD Application 정의
- [ ] HPA manifest 작성
- [ ] NetworkPolicy 작성

## Bolt 4: 관찰성
- [ ] ADOT sidecar 설정
- [ ] Application Signals annotation
- [ ] CloudWatch 대시보드
- [ ] SLO 알림 설정

2.2 Spec-Driven vs. 디렉팅 방식

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

Spec-Driven 방식은 전체 맥락을 유지하며 요구사항 변경 시 영향 범위를 자동으로 추적할 수 있습니다. DDD(Domain-Driven Design) 통합 패턴은 DDD 통합을 참조하세요.

2.3 MCP 네이티브 아키텍처

Kiro는 MCP(Model Context Protocol) 네이티브로 설계되어, 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. MCP 통합 아키텍처의 상세는 AIDLC MCP 전략 문서를 참조하세요.

2.4 오픈 웨이트 모델 지원

Kiro는 Claude 외에 오픈 웨이트 모델(Llama 4 Behemoth, Mixtral 8x22B, DeepSeek R1 등)을 지원하여 다음 이점을 제공합니다:

비용 최적화 — 단순 코드 생성 태스크는 소형 모델로 처리 (토큰 비용 1/10)
특수 도메인 확장 — 금융, 의료 등 도메인별 파인튜닝 모델 활용
온프레미스 배포 — 민감 데이터를 외부로 전송하지 않고 EKS 클러스터 내에서 추론

오픈 웨이트 모델 배포 전략은 오픈 웨이트 모델을 참조하세요.

3. Amazon Q Developer — 실시간 빌드 및 테스트

AWS는 2025년 1월 31일 Amazon Q Developer의 실시간 코드 실행 기능을 발표했습니다. 이는 AI가 코드를 생성한 후 자동으로 빌드하고 테스트를 실행하여 결과를 검증한 뒤 개발자에게 제시하는 혁신적 접근입니다.

AIDLC Construction 단계에서 Loss Function을 조기에 작동시켜 오류를 하류로 전파하지 않는 핵심 메커니즘입니다.

3.1 실시간 코드 실행 메커니즘

전통적인 AI 코딩 도구는 코드를 생성한 후 개발자가 수동으로 빌드·테스트해야 했습니다. Q Developer는 이 과정을 자동화합니다.

기존 방식:
  AI 코드 생성 → 개발자 수동 빌드 → 개발자 수동 테스트 → 오류 발견 → AI에게 피드백 → 재생성
  (반복 주기: 5-10분)

Q Developer 실시간 실행:
  AI 코드 생성 → 자동 빌드 → 자동 테스트 → 결과 검증 → (오류 시 자동 수정 재시도) → 개발자 리뷰
  (반복 주기: 1-2분, 개발자 개입 최소화)

핵심 메커니즘

자동 빌드 파이프라인
- 프로젝트의 빌드 도구(Maven, Gradle, npm, pip 등)를 자동 실행
- 컴파일 오류, 의존성 충돌을 즉시 감지
- 빌드 실패 시 오류 메시지를 분석하여 자동으로 코드 수정 재시도
테스트 자동 실행
- 유닛 테스트, 통합 테스트를 자동으로 실행
- 테스트 실패 시 실패 원인을 분석하여 코드 또는 테스트를 수정
- 기존 테스트 커버리지를 유지하며 새 코드 추가
개발자 리뷰 전 검증
- 개발자가 코드를 받을 때 이미 빌드와 테스트가 통과한 상태
- 개발자는 비즈니스 로직과 설계 검토에 집중 (Loss Function 역할)
- "코드가 작동하는가?"가 아닌 "올바른 코드인가?"를 검증

3.2 보안 스캔 자동 수정

Q Developer는 Kubernetes YAML 및 애플리케이션 코드의 보안 취약점을 자동으로 스캔하고 수정 제안을 제공합니다.

Kubernetes YAML 보안 스캔

Root 권한 감지 — runAsUser: 0 또는 runAsNonRoot: false 탐지, runAsUser: 1000, runAsNonRoot: true 제안
Privileged 컨테이너 감지 — securityContext.privileged: true 탐지, 필요한 capabilities만 명시적으로 추가 제안
미설정 securityContext 감지 — Pod/Container에 securityContext가 없는 경우 최소 권한 원칙에 따른 설정 제안

자동 수정 제안 예시

# Q Developer가 감지한 문제
apiVersion: v1
kind: Pod
metadata:
  name: payment-pod
spec:
  containers:
    - name: payment
      image: payment:v1
      securityContext:
        runAsUser: 0  # ⚠️ Root 권한 사용
        privileged: true  # ⚠️ Privileged 모드

# Q Developer가 제안하는 수정
apiVersion: v1
kind: Pod
metadata:
  name: payment-pod
spec:
  securityContext:
    runAsNonRoot: true
    runAsUser: 1000
    fsGroup: 1000
    seccompProfile:
      type: RuntimeDefault
  containers:
    - name: payment
      image: payment:v1
      securityContext:
        allowPrivilegeEscalation: false
        readOnlyRootFilesystem: true
        capabilities:
          drop:
            - ALL
          add:
            - NET_BIND_SERVICE  # 필요한 capabilities만 추가

3.3 피드백 루프 단축 효과

전통적 Construction 단계:
  [개발자] 코드 작성 (30분)
    → [개발자] 수동 빌드 (2분)
    → [개발자] 수동 테스트 (5분)
    → [개발자] 오류 발견 (10분 디버깅)
    → [개발자] 코드 수정 (20분)
    → 반복...
  총 소요 시간: 2-3시간

Q Developer 실시간 실행:
  [AI] 코드 생성 (1분)
    → [AI] 자동 빌드·테스트 (30초)
    → [AI] 오류 감지 및 자동 수정 (1분)
    → [개발자] Loss Function 검증 (10분)
    → [Argo CD] 자동 배포
  총 소요 시간: 15-20분

AIDLC에서 Q Developer의 가치

Q Developer의 실시간 실행은 AIDLC의 핵심 원칙인 **"Minimize Stages, Maximize Flow"**를 구현합니다. 코드 생성 → 빌드 → 테스트 → 검증의 각 단계를 자동화하여 핸드오프를 제거하고, 개발자는 **의사결정(Loss Function)**에만 집중합니다. 이것이 기존 SDLC의 주/월 단위 주기를 AIDLC의 시간/일 단위 주기로 단축하는 핵심 메커니즘입니다.

4. AI 코딩 에이전트 비교

AI 코딩 에이전트

Amazon Q Developer, Kiro, Claude Code, Cursor, OpenAI Codex

Amazon Q Developer 주요 기능

코드 생성

AWS SDK, CDK, Terraform 코드 자동 생성

보안 스캔

자동 코드 취약점 탐지

코드 변환

Java 8→17, .NET Framework→.NET Core, etc.

CloudWatch Investigations

AI 기반 운영 이슈 분석

EKS 트러블슈팅

kubectl 명령어 제안, YAML 오류 수정

Amazon Q Developer

제공: AWS

모델: Claude (Anthropic)

AWS Services★★★★★

Spec-driven★★☆☆☆

Security Scan★★★★★

MCP Integration★★★★☆

EKS Ops★★★★★

비용: Pro $19/mo

특기: AWS Native + Security

Kiro

제공: AWS

모델: Claude + Open Weight

AWS Services★★★★☆

Spec-driven★★★★★

Security Scan★★★☆☆

MCP Integration★★★★★

EKS Ops★★★★☆

비용: Separate

특기: Spec-driven + MCP Native

Claude Code

제공: Anthropic

모델: Claude Opus/Sonnet

AWS Services★★★☆☆

Spec-driven★★★☆☆

Security Scan★★★☆☆

MCP Integration★★★★★

EKS Ops★★★★☆

비용: Max $100-200/mo

특기: Autonomous Agent + MCP

Cursor

제공: Anysphere

모델: Claude / GPT-4o / Custom

AWS Services★★☆☆☆

Spec-driven★★★☆☆

Security Scan★★☆☆☆

MCP Integration★★★★☆

EKS Ops★★☆☆☆

비용: Pro $20/mo

특기: IDE Integration + Multi-model

OpenAI Codex

제공: OpenAI

모델: codex-1 (o3-mini based)

AWS Services★★☆☆☆

Spec-driven★★☆☆☆

Security Scan★★★☆☆

MCP Integration★★☆☆☆

EKS Ops★★☆☆☆

비용: Included in Pro $20/mo

특기: Multi-file Autonomous Coding

선택 가이드: AWS 네이티브 개발과 보안 스캔에는 Q Developer를, 체계적인 Spec-driven 워크플로우에는 Kiro를, MCP 기반 자율 에이전트에는 Claude Code를, IDE 통합 멀티모델 개발에는 Cursor를, 멀티파일 자율 코딩에는 OpenAI Codex를 사용하세요. Q Developer, Kiro, Claude Code 모두 Anthropic Claude 모델을 사용하며, Kiro는 비용 최적화와 도메인 확장을 위해 오픈 웨이트 모델도 지원합니다.

5. MCP 기반 실시간 컨텍스트 수집

Kiro는 MCP 네이티브 아키텍처로, Construction 단계에서 AWS Hosted MCP 서버를 통해 실시간 인프라 상태를 수집하여 설계에 반영합니다.

5.1 AWS Hosted MCP 서버 활용

EKS MCP Server

// Kiro가 EKS 클러스터 상태를 실시간 조회
const cluster = await mcp.call('eks-mcp-server', 'get_cluster_status', {
  clusterName: 'prod-eks'
});

// 응답: { version: "1.35", nodes: 5, status: "ACTIVE", capacityType: "SPOT" }
// → design.md 생성 시 현재 클러스터 버전 반영

Cost Analysis MCP Server

// 비용 분석으로 설계 최적화
const cost = await mcp.call('cost-analysis-mcp', 'analyze_cost', {
  service: 'EKS',
  timeRange: 'last_30_days'
});

// 응답: { monthly: "$450", recommendations: ["Use Spot for dev clusters", "Enable Karpenter consolidation"] }
// → design.md에 비용 최적화 전략 반영

Workload MCP Server

// 현재 워크로드 분석으로 리소스 할당 결정
const workload = await mcp.call('eks-mcp-server', 'list_deployments', {
  namespace: 'payment'
});

// 응답: { deployments: [...], resource_usage: { cpu: "60%", memory: "75%" } }
// → HPA 임계값과 NodePool 설정 결정에 활용

5.2 MCP 통합 이점

맥락 기반 설계 — 현재 인프라 상태를 반영한 현실적인 설계 생성
비용 최적화 — 실제 사용 패턴을 분석하여 Spot, Graviton 등 비용 절감 전략 자동 제안
리소스 효율 — 현재 워크로드 상태를 기반으로 HPA, Karpenter 설정 최적화
일관성 보장 — 실시간 데이터로 설계와 현실 간 괴리 최소화

6. CI/CD 통합

AI 코딩 에이전트를 CI/CD 파이프라인에 통합하여 Quality Gate 자동화를 구현합니다.

6.1 GitHub Actions 통합

# .github/workflows/aidlc-construction.yml
name: AIDLC Construction Quality Gate
on:
  pull_request:
    types: [opened, synchronize]

jobs:
  q-developer-validation:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4

      # 1. Q Developer 보안 스캔
      - name: Q Developer Security Scan
        uses: aws/amazon-q-developer-action@v1
        with:
          scan-type: security
          source-path: .
          auto-fix: true  # 자동 수정 제안 적용

      # 2. 실시간 빌드 및 테스트
      - name: Q Developer Build & Test
        uses: aws/amazon-q-developer-action@v1
        with:
          action: build-and-test
          test-coverage-threshold: 80

      # 3. Kubernetes manifest 검증
      - name: K8s Manifest Security Check
        run: |
          kube-linter lint deploy/ --config .kube-linter.yaml

      # 4. 통과 시에만 Argo CD 동기화 허용
      - name: Approve for GitOps
        if: success()
        run: echo "Quality Gate passed. Ready for Argo CD sync."

6.2 Argo CD 통합

apiVersion: argoproj.io/v1alpha1
kind: Application
metadata:
  name: payment-service
  namespace: argocd
spec:
  project: default
  source:
    repoURL: https://github.com/org/payment-service
    targetRevision: main
    path: deploy/
  destination:
    server: https://kubernetes.default.svc
    namespace: payment
  syncPolicy:
    automated:
      prune: true
      selfHeal: true
    syncOptions:
      - CreateNamespace=true
    # Quality Gate 통과 시에만 동기화
    retry:
      limit: 3
      backoff:
        duration: 5s
        factor: 2
        maxDuration: 3m

6.3 Quality Gate 워크플로우

PR 생성 — 개발자가 Kiro 생성 코드를 PR로 제출
보안 스캔 — Q Developer가 Kubernetes manifest, 애플리케이션 코드 스캔
빌드·테스트 — Q Developer가 자동 빌드 및 테스트 실행
검증 통과 — 모든 검사 통과 시 Argo CD가 자동 동기화
배포 완료 — EKS 클러스터에 배포, Application Signals 자동 활성화

이 워크플로우는 하네스 엔지니어링의 핵심 구현 패턴입니다.

7. 에이전트 선택 가이드

프로젝트 특성별 AI 코딩 에이전트 선택 기준입니다.

7.1 프로젝트 규모별

프로젝트 규모	권장 에이전트	이유
소규모 (1-5 마이크로서비스)	Amazon Q Developer	IDE 통합, 빠른 피드백, 보안 스캔
중규모 (5-20 마이크로서비스)	Kiro + Q Developer	Spec-Driven 일관성, Q Developer 실시간 검증
대규모 (20+ 마이크로서비스)	Kiro + 오픈 웨이트 모델	비용 최적화, 도메인 특화 모델 활용

7.2 도메인별

도메인	권장 에이전트	이유
일반 웹 애플리케이션	Amazon Q Developer	범용 언어·프레임워크 지원, 빠른 프로토타이핑
EKS 인프라 자동화	Kiro + MCP	실시간 클러스터 상태 반영, ACK/KRO 통합
금융·의료 특수 도메인	Kiro + 파인튜닝 오픈 모델	도메인 규제 준수, 온프레미스 배포
레거시 마이그레이션	Amazon Q Developer `/transform`	Java 8→17, .NET Framework→Core 자동 변환

7.3 팀 성숙도별

팀 성숙도	권장 에이전트	이유
AI 도구 첫 도입	Amazon Q Developer	IDE 통합, 낮은 학습 곡선, AWS 공식 지원
DevOps 숙련 팀	Kiro + Q Developer	Spec-Driven 구조화, CI/CD 자동화, MCP 활용
AI 플랫폼 운영 팀	Kiro + 오픈 웨이트 모델	맞춤형 모델 배포, 비용 최적화, 특수 요구사항 대응

7.4 비용 고려사항

월 요청량	권장 전략	예상 비용
< 10,000 요청	Amazon Q Developer 단독	~$50-100
10,000 - 100,000 요청	Kiro + Claude (단순 태스크는 소형 모델)	~$200-500
> 100,000 요청	Kiro + 오픈 웨이트 모델 (EKS 자체 호스팅)	~$100-300 (인프라 비용)

8. 실전 적용 패턴

8.1 하이브리드 전략

대부분의 팀은 Amazon Q Developer + Kiro 하이브리드가 최적입니다:

개발 초기 — Q Developer로 빠른 프로토타이핑, 실시간 피드백
설계 확정 후 — Kiro Spec-Driven으로 일관성 있는 구현
보안 검증 — Q Developer 자동 스캔으로 취약점 조기 발견
배포 자동화 — Kiro MCP로 현재 클러스터 상태 반영한 배포 설정

8.2 온톨로지 기반 코드 생성

Inception 단계에서 구축한 온톨로지를 Kiro에게 제공하면, 도메인 용어와 관계를 반영한 코드를 생성합니다:

# ontology.md (Kiro에게 제공)

## 도메인 모델
- Payment (결제) → Order (주문) → Customer (고객)
- Payment.status: [pending, completed, failed]
- Payment.method: [card, bank_transfer, wallet]

## 비즈니스 규칙
- Payment 생성 시 Order.status가 "confirmed"여야 함
- Payment.amount는 Order.total_amount와 일치해야 함
- Payment 실패 시 SQS 재시도 큐로 전송 (max 3회)

Kiro는 이 온톨로지를 기반으로 design.md와 코드를 생성하며, 도메인 용어의 일관성을 보장합니다.

8.3 지속적 학습

AI 코딩 에이전트는 팀의 코드 리뷰 피드백을 학습하여 점진적으로 개선됩니다:

코드 리뷰 피드백 — PR 코멘트를 통해 팀의 코딩 컨벤션 학습
온톨로지 업데이트 — 새로운 도메인 개념이 추가되면 ontology.md 갱신
MCP 서버 확장 — 새로운 인프라 서비스가 추가되면 MCP 서버 통합
파인튜닝 — 팀 코드베이스로 오픈 웨이트 모델 파인튜닝 (선택적)

0. 공식 AIDLC 지원 플랫폼 7종​

0.1 Kiro​

0.2 Amazon Q Developer​

0.3 Cursor​

0.4 Cline​

0.5 Claude Code​

0.6 GitHub Copilot​

0.7 AGENTS.md​

0.8 플랫폼 선택 요약표​

1. AI 코딩 에이전트 개관​

2. Kiro — Spec-Driven 개발​

2.1 Spec-Driven Inception​

EKS 예시: Payment Service 배포​

2.2 Spec-Driven vs. 디렉팅 방식​

2.3 MCP 네이티브 아키텍처​

2.4 오픈 웨이트 모델 지원​

3. Amazon Q Developer — 실시간 빌드 및 테스트​

3.1 실시간 코드 실행 메커니즘​

3.2 보안 스캔 자동 수정​

3.3 피드백 루프 단축 효과​

4. AI 코딩 에이전트 비교​

AI 코딩 에이전트

Amazon Q Developer 주요 기능

5. MCP 기반 실시간 컨텍스트 수집​

5.1 AWS Hosted MCP 서버 활용​

5.2 MCP 통합 이점​

6. CI/CD 통합​

6.1 GitHub Actions 통합​

6.2 Argo CD 통합​

6.3 Quality Gate 워크플로우​

7. 에이전트 선택 가이드​

7.1 프로젝트 규모별​

7.2 도메인별​

7.3 팀 성숙도별​

7.4 비용 고려사항​

8. 실전 적용 패턴​

8.1 하이브리드 전략​

8.2 온톨로지 기반 코드 생성​

8.3 지속적 학습​

참고 자료​

0. 공식 AIDLC 지원 플랫폼 7종

0.1 Kiro

0.2 Amazon Q Developer

0.3 Cursor

0.4 Cline

0.5 Claude Code

0.6 GitHub Copilot

0.7 AGENTS.md

0.8 플랫폼 선택 요약표

1. AI 코딩 에이전트 개관

2. Kiro — Spec-Driven 개발

2.1 Spec-Driven Inception

EKS 예시: Payment Service 배포

2.2 Spec-Driven vs. 디렉팅 방식

2.3 MCP 네이티브 아키텍처

2.4 오픈 웨이트 모델 지원

3. Amazon Q Developer — 실시간 빌드 및 테스트

3.1 실시간 코드 실행 메커니즘

3.2 보안 스캔 자동 수정

3.3 피드백 루프 단축 효과

4. AI 코딩 에이전트 비교

5. MCP 기반 실시간 컨텍스트 수집

5.1 AWS Hosted MCP 서버 활용

5.2 MCP 통합 이점

6. CI/CD 통합

6.1 GitHub Actions 통합

6.2 Argo CD 통합

6.3 Quality Gate 워크플로우

7. 에이전트 선택 가이드

7.1 프로젝트 규모별

7.2 도메인별

7.3 팀 성숙도별

7.4 비용 고려사항

8. 실전 적용 패턴

8.1 하이브리드 전략

8.2 온톨로지 기반 코드 생성

8.3 지속적 학습

참고 자료