AI FDE를 사용할 때의 작업 원칙

변경 검토와 시험 실행

운영에 반영하기 전에 생성한 코드와 리소스가 요구사항 및 조직 규칙에 맞는지 확인합니다. 변환 로직은 실제 사용 조건을 대표하는 표본 데이터로 시험합니다. 정상 입력만으로 확인하지 않고 여러 조건에서 결과를 살펴봅니다.

AI FDE는 기본적으로 브랜치에서 변경한 뒤 Global Branching 변경 제안이나 Code Repositories 풀 리퀘스트를 만듭니다. 제안의 코드와 리소스 변경을 검토하고, 도구 실행 승인을 요청받으면 모델이 어떤 작업을 어떤 도구로 수행하려는지 확인합니다.

필요한 문맥과 도구만 제공하기

작업에 필요한 데이터, 문서와 도구만 활성화합니다. 관련 없는 정보가 많으면 모델이 잘못된 문맥이나 도구를 선택할 수 있습니다. 민감한 데이터와 변경 도구도 요청에 필요한 범위로 제한합니다.

복잡한 작업은 확인 가능한 작은 단계로 나눕니다. 기본 구조를 만든 뒤 각 부분을 확인하면서 기능을 추가합니다. 여러 접근법을 빠르게 비교하는 데 AI FDE를 활용할 수 있으며, 운영 구현에서는 생성 결과를 직접 검토하고 필요한 세부 조정과 최적화를 수행합니다.

함수 변경 평가

AI FDE가 생성하거나 수정한 LLM 기반 함수에는 AIP Evals 평가 모음을 구성할 수 있습니다. 같은 사례와 지표로 변경 전후 결과를 비교하면 반복 개발에서 품질이 개선되거나 악화되는 부분을 확인할 수 있습니다. 모델과 프롬프트 변경을 비교할 때도 평가 구성을 유지하여 영향을 살펴봅니다.

인프라 부하 고려

AI FDE는 작업 사이에 짧은 간격만 두고 연속으로 실행할 수 있습니다. 몇 분 동안 수십 개의 작업을 수행하거나 여러 세션이 동시에 실행되면 사람이 순차적으로 작업할 때 드러나지 않던 병목이 발생할 수 있습니다.

스토리지 읽기 및 쓰기 처리량, GPU를 포함한 연산 자원, 저장 용량을 확인합니다. 지속적인 연산 부하, 높은 빈도의 병렬 작업과 늘어나는 네트워크 사용을 수용할 수 있는지도 고려해야 합니다.