Claude와 Windsurf를 활용한 소프트웨어 구축: 효과가 있었던 것(과 효과가 없었던 것)

AI 지원 개발, 즉 바이브 코딩에 대한 기대감은 끊이지 않습니다. 하지만 실제로 앉아서 뭔가를 만들어 보면 어떤 일이 벌어질까요? 

이를 알아보기 위해 우리는 Claude 3.5 Sonnet과 Windsurf IDE를 사용하여 계약자 정보를 중앙에서 관리하도록 설계된 Scopic People이라는 내부 대시보드를 구축하는 내부 실험을 진행했습니다.  

우리의 목표는 AI를 주요 동인으로 활용하여 실제 생산성, 출력 품질, 워크플로우 유용성을 평가하는 것이었습니다. 

이 블로그에서는 무엇이 효과가 있었고, 무엇이 효과가 없었는지, 그리고 그 과정에서 무엇을 배웠는지 모두 알려드리겠습니다. 바로 시작해 볼까요? 

*참고: 모든 조사 결과는 Scopic의 백서 'AI 기반 개발: 약속과 위험'에서 직접 발췌한 것입니다. 

효과가 있었던 것 

좋은 소식부터 시작해 보겠습니다. Scopic People 개발 과정 전반에 걸쳐 AI 지원 워크플로의 여러 측면이 매우 효과적임이 입증되었습니다.  

이러한 성공 사례는 클로드 3.5 소네트와 윈드서프가 어떻게 실질적인 생산성 향상을 가져왔고 최소한의 개입으로 안정적이고 사용 가능한 결과물을 만들어냈는지 보여줍니다.  

AI를 위한 작업 구조화 

AI는 구체적인 지시와 명확한 업무 세분화를 통해 가장 신뢰할 수 있는 결과를 도출했습니다. 한 번에 전체 인터페이스나 여러 구성 요소를 생성하려고 하면 오류가 발생하는 경우가 많았습니다. 작업을 더 작고 논리적으로 분리된 단계로 나누면 결과가 크게 향상되고 재작업 필요성이 줄어듭니다. 

프롬프트 기반 개발 

Windsurf의 Cascade 인터페이스는 코드베이스 내에서 직접 프롬프트를 제공하여 개발자가 실시간으로 명령어를 반복할 수 있도록 했습니다. 자연어 프롬프트와 인라인 출력이 통합되어 변경 사항을 테스트하고, 코드를 수정하고, 컨텍스트 전환을 최소화하는 것이 더욱 쉬워졌습니다. 

신속한 프로토타입 제작 및 설정 

Claude는 초기 프로젝트 설정 과정에서 훌륭한 성과를 거두었습니다. Git 저장소를 생성하고, 적절한 설정 파일을 추가하고, Tailwind CSS와 DaisyUI를 사용하여 스캐폴드 방식의 사용자 인터페이스 요소를 생성했습니다. 이 단계들은 최소한의 조정만으로 빠르게 완료되었습니다. 

복잡한 논리 및 아키텍처 패턴 

정확한 요구 사항이 주어졌을 때, Claude는 서비스 계층 설계, 데이터 모델링, 역할 기반 접근 제어를 성공적으로 처리했습니다. 한 사례에서는 하드코딩된 관리자 역할을 유지 관리가 더 용이한 데이터베이스 기반 접근 시스템으로 대체하여 기대 이상의 성과를 거두었습니다. 

컨테이너화 및 DevOps 작업 

AI는 다음을 포함하여 DevOps 관련 작업을 효과적으로 완료했습니다. 

• Docker 생성 및 도커 작성 파일 
• PostgreSQL 통합 구성 
• 캐싱 로직 구현 
• 스키마 마이그레이션 스크립트 생성 

작동하지 않는 것 

전반적인 시간 절약과 기능적 성과에도 불구하고, Claude와 Windsurf를 함께 사용하면서 몇 가지 어려움이 발생했습니다. 이러한 한계는 여전히 사람의 개입이 필수적인 상황에서 더욱 명확해졌습니다. 

지나치게 복잡한 프롬프트 

광범위하거나 여러 부분으로 구성된 지침은 불완전하거나 잘못된 결과를 초래했습니다. 하나의 프롬프트에 대규모 인터페이스 섹션이나 여러 단계로 구성된 워크플로를 생성하려는 시도는 종종 실패하여 재구성해야 했습니다. 

루핑 및 반복 출력 

경우에 따라 LLM이 루프에 빠져 동일한 변경 사항을 다시 적용하거나 이전 코드를 되돌리는 상황이 발생했습니다. 개발자는 프로세스를 중단하고 마지막 안정 버전으로 돌아가서 프롬프트를 더욱 구체적으로 다시 작성해야 했습니다. 

좋은 문서 없이 API 통합 

문서가 부족하여 Claude가 Zoho People API와의 통합을 독립적으로 완료할 수 없었습니다. 개발자가 API를 직접 탐색하고 엔드포인트 세부 정보를 수집한 후, 해당 컨텍스트를 모델에 제공하여 통합을 완료했습니다. 

사소한 UI 조정 및 수정 

간격이나 버튼 위치와 같은 간단한 레이아웃 변경의 경우, AI에게 직접 지시하는 것보다 코드를 직접 수정하는 것이 더 빨랐습니다. 정확한 지시를 작성하는 데 드는 오버헤드가 이점보다 더 큰 경우가 많았습니다. 

핵심: 언제 개입해야 할지 아는 것 

 목표는 AI 지원 개발의 전체 범위를 탐색하는 것이었지만, 가장 효율적인 결과는 하이브리드 접근 방식에서 나왔습니다.  

클로드 3.5 소네트는 논리적 스캐폴딩, 백엔드 구조, 반복적인 코드 생성에 사용되었을 때 가장 효과적이었습니다.  

개발자는 품질 보증, 통합 문제 해결, 신속한 미세 조정을 위해 필수적인 존재였습니다. 

맺음말 

이 실험은 AI 기반 개발 도구를 구조화하고 감독하는 방식으로 사용하면 완료 시간을 크게 단축할 수 있음을 보여주었습니다.  

우리의 경우, Claude and Windsurf는 기존 방식을 사용했을 때 추정 9~144시간이 걸리는 것과 비교했을 때 불과 180시간 만에 작동하는 내부 애플리케이션을 완성하는 데 도움을 주었습니다.  

개발팀을 위한 주요 권장 사항: 

• 작업을 명확하게 정의된 단계로 나누세요 
• 정밀한 변경이 아닌 스캐폴딩에 AI를 사용하세요 
• 버전 제어를 전반적으로 유지하세요 
• 타사 API 및 UI 조정을 위해 수동으로 개입하세요. 
• AI를 개발자 전문성을 대체하는 것이 아니라 확장하는 도구로 취급하세요. 

실험이 어떻게 진행되었는지 자세히 알아보려면 전체 백서 'AI 기반 개발: 약속과 위험'을 다운로드하세요.

Or 무료 상담 예약 귀사의 LLM 전략을 어떻게 지원할 수 있는지 확인해 보세요.