한 번의 프롬프트로 코드를 만드는 시연과, 코드를 반복적·안전하게 배포하는 시스템을 구축하는 일은 다르다. AI 에이전트 시대의 개발자는 단순히 코드를 작성하는 사람을 넘어, 코드 생성부터 검증·리뷰·배포까지의 흐름을 설계하고 통제하는 ‘오케스트레이터’가 되어야 한다. 에이전트의 유연성과 CI·브랜치 보호·리뷰 같은 결정론적 통제를 결합해야 팀이 신뢰할 수 있는 개발 시스템을 만들 수 있다.
## 일회성 프롬프트에서 반복 가능한 워크플로로
- 한 번의 프롬프트는 빠르게 결과를 만들 수 있지만, 매번 안정적으로 재현되는 산출물을 보장하지는 않는다.
- 실제 개발에는 다음 요소가 연결된 워크플로가 필요하다.
- 작업을 시작하는 이벤트와 트리거
- 에이전트가 수행할 작업의 범위
- 코드 검증과 보안 검사
- 리뷰 및 승인 절차
- 안전한 병합과 배포를 위한 통제
- 따라서 개발자는 코드뿐 아니라 코드가 제안되고, 검증되고, 리뷰되고, 배포되는 시스템 자체를 설계해야 한다.
## 이벤트 기반 에이전트 흐름
- 익숙한 저장소 이벤트를 에이전트 작업의 시작점으로 활용한다.
- 이슈에 특정 라벨 추가
- 예약된 야간 워크플로 실행
- 기타 GitHub 저장소 이벤트
- 이벤트가 GitHub Actions 워크플로를 실행하고, 사전에 범위를 정한 작업을 Copilot 에이전트가 수행한다.
- 에이전트가 만든 결과는 풀 리퀘스트에 기록된다.
- 이후 자동화된 검증 절차가 결과를 평가한다.
- 린트
- 테스트
- 보안 스캔
- 빌드 검증
## 에이전트의 유연성과 결정론적 통제
- 에이전트는 모호하고 맥락이 많은 작업을 처리하는 데 적합하다.
- 반면 다음과 같은 규칙 기반 장치는 예측 가능하고 반복 가능한 품질 신호를 제공한다.
- CI 검사
- CODEOWNERS
- 필수 리뷰
- 브랜치 보호 규칙
- 브랜치 보호는 검증되지 않은 변경이나 승인되지 않은 병합을 막는다.
- 위험도가 높은 변경에는 사람의 판단이 반드시 개입되도록 리뷰 요건을 설정할 수 있다.
- 팀이 에이전트를 신뢰하려면 에이전트의 자율성을 무제한으로 허용하기보다, 명확한 결정론적 경계 안에서 운영해야 한다.
## 개발자의 역할 변화
- 개발자는 여전히 코드를 작성하지만, 동시에 다음을 책임진다.
- 어떤 이벤트가 에이전트를 실행할지 정의
- 에이전트의 권한과 작업 범위 제한
- 에이전트와 검증·리뷰 단계 사이의 인계 설계
- 사람의 판단이 필요한 지점 결정
- GitHub Copilot은 이러한 자동화와 에이전트 운영을 한곳에서 관리하는 제어 평면 역할을 한다.
- Copilot cloud agent 워크플로, GitHub Actions의 Copilot CLI, MCP를 통한 외부 도구·컨텍스트 연동은 같은 성숙 경로에서 선택할 수 있는 구현 방식이다.
## 작은 범위에서 시작하기
- 처음부터 전체 개발 프로세스를 자동화하기보다 범위가 명확하고 위험이 낮은 작업 하나를 선택하는 것이 좋다.
- 예시:
- 이슈 분류
- 문서와 테스트의 동기화
- 단순 유지보수 변경
- 기존 소프트웨어 개발 인프라에 Copilot을 단계적으로 도입하고, 실제로 필요한 다음 자동화 단계를 확인하며 확장한다.
실용적으로는 에이전트에게 제한된 권한을 부여하고, 모든 변경을 풀 리퀘스트와 자동 검사를 거치게 하는 방식이 적합하다. 즉, AI가 코드를 대신 작성하는 것보다 중요한 것은 사람이 통제 가능한 검증·승인·배포 체계를 설계하는 일이다.
Cloudflare의 2026년 상반기 DDoS 보고서는 공격 규모가 급격히 커지는 동시에, 공격 방식이 봇넷 기반 대량 트래픽에서 DNS·CLDAP 같은 반사·증폭 공격으로 이동하고 있다고 분석한다. 상반기에만 네트워크 계층 공격 2,320만 건과 HTTP DDoS 요청 29조 6,400억 건이 차단됐으며, 1Tbps 초과 공격은 935건에 달했다. 공격 대부분은 짧고 자동화되어 발생하므로 수동 대응이 아닌 상시 자동화 방어가 필수라는 것이 보고서의 결론이다.
## 2026년 상반기 DDoS 규모
- Cloudflare는 2026년 1~6월 동안 다음 공격을 완화했다.
- 네트워크 계층 DDoS: 2,320만 건
- HTTP DDoS 요청: 29조 6,400억 건
- 시간당 약 5,343건, 하루 약 12만 8,000건의 네트워크 계층 공격이 발생했다.
- 2026년 4월에는 공격량이 정점에 도달했다.
- HTTP 요청 6조 4,600억 건
- 네트워크 트래픽 165PB
- 이후 공격량이 감소한 것은 21개국이 참여한 Operation PowerOFF의 영향일 가능성이 있다.
- DDoS 대행 서비스 이용자 7만 5,000명 이상 대상
- 도메인 53개 폐쇄
- 수색영장 25건 발부
- 4명 체포
## 초대형 공격의 급증
- 1Tbps, 10억 패킷/초(Bpps), 100만 요청/초(Mrps)를 초과하는 공격을 초대형 DDoS로 분류한다.
- 상반기 1Tbps 초과 네트워크 공격은 총 935건이었다.
- 특히 2분기에는 805건이 발생해 전 분기보다 6배 이상 증가했다.
- 1Tbps를 넘는 공격은 대규모 인터넷 인프라까지 압박할 수 있는 수준이다.
## 대부분은 작고 짧지만 충분히 치명적
- 네트워크 계층 공격의 96.62%는 500Mbps 미만이었다.
- 90.60%는 10분 이내에 종료됐다.
- 그러나 “작은 공격”도 일반적인 서비스에는 치명적일 수 있다.
- 100Mbps: 서버나 웹사이트를 마비시킬 수 있는 수준
- 100Gbps: 보호되지 않은 대부분의 데이터센터를 오프라인으로 만들 수 있는 수준
- 1Tbps 이상: 주요 인터넷 인프라까지 위협하는 초대형 공격
- 공격자는 대역폭과 패킷 속도를 조합해 네트워크 장비 또는 회선 용량의 약점을 노린다.
- 공격 시간이 수십 초에 불과한 경우도 있어, 보안 담당자가 경보를 확인한 뒤 수동으로 대응하는 방식은 현실적으로 늦다.
- 짧은 공격도 라우팅 불안정, TCP 재전송, 애플리케이션 타임아웃, 하위 서비스 장애 같은 장기적인 후속 피해를 유발할 수 있다.
## 공격 산업: 미디어와 정부 부문
### 미디어·출판 산업의 지속적인 표적화
- Media, Production & Publishing 부문은 1·2분기 모두 가장 많이 공격받은 산업이었다.
- 전체 완화 HTTP DDoS 요청의 14.2%를 차지해 2위 산업보다 약 4배 많았다.
- 이란과 우크라이나 전쟁 관련 보도, 월드컵 등 국제적 관심이 집중된 사건이 공격 증가에 영향을 준 것으로 분석된다.
### Operation Epic Fury 이후 정부 공격 증가
- 2026년 2월 28일 이스라엘과 미국이 이란 지도부 및 인프라를 대상으로 Operation Epic Fury를 시작했다.
- 이후 72시간 동안 16개국 110개 조직을 대상으로 한 핵티비스트 DDoS 공격 주장이 149건 보고됐다.
- 표적 조직의 약 47.8%가 정부 부문이었다.
- 정부 부문은 공격 비중 순위가 1분기 29위에서 2분기 9위로 급상승했다.
## 공격받은 국가 및 지역
- 2분기 기준 가장 많이 공격받은 국가는 중국으로, 전 세계 HTTP DDoS 요청의 22.4%를 차지했다.
- 미국은 18.8%로 2위를 유지했다.
- 튀르키예는 공격 비중이 두 배 이상 증가하며 3위로 올라섰다.
- 이 증가는 2026년 앙카라 NATO 정상회의를 앞두고 보안 당국이 대규모 단속을 진행한 시기와 겹쳤다.
## 공격 발생지 국가
- 브라질이 미국을 제치고 상반기 DDoS 트래픽의 최대 발생지로 나타났다.
- 브라질: 14.9%
- 미국: 13.4%
- 브라질은 2분기에만 전체 완화 DDoS 요청의 21.4%를 차지했다.
- 인도네시아는 두 분기 모두 3위를 기록하며 주요 DDoS 발생지로 남았다.
## 공격 벡터의 변화
### DNS Flood와 DNS Amplification의 확대
- DNS 기반 공격은 상반기 네트워크 계층 공격의 34.3%를 차지했다.
- DNS Flood는 봇넷이 피해자의 권한 있는 DNS 서버에 대량 질의를 보내 처리 용량을 고갈시킨다.
- DNS가 마비되면 해당 도메인에 의존하는 웹사이트와 서비스가 함께 영향을 받는다.
- DNS Amplification은 위조된 출발지 IP를 사용해 개방형 DNS 리졸버에 작은 질의를 보내고, 더 큰 응답이 피해자에게 전달되도록 만드는 반사·증폭 공격이다.
- DNS Flood 비중은 1분기 25.7%에서 2분기 40.0%로 상승했다.
### CLDAP 증폭 공격의 폭증
- CLDAP Flood는 노출된 Active Directory LDAP-over-UDP 엔드포인트를 악용하는 반사·증폭 공격이다.
- 2분기에 전 분기 대비 580% 증가했다.
- 그 결과 CLDAP Flood는 2분기 네트워크 계층 공격 벡터 중 3위가 됐다.
- 이는 공격 중심이 단순한 봇넷 트래픽 폭주에서, 개방형 서비스와 프로토콜의 증폭 특성을 악용하는 방식으로 이동하고 있음을 보여준다.
## 실용적인 대응 방향
- 공격이 짧고 빠르게 끝나므로 수동·온디맨드 대응만으로는 부족하다.
- DNS 인프라, 네트워크 회선, 애플리케이션 계층을 모두 포함하는 상시 자동화 방어가 필요하다.
- CLDAP·DNS 등 반사·증폭에 악용될 수 있는 인터넷 노출 서비스를 점검하고, 불필요한 UDP 서비스와 개방형 리졸버를 차단해야 한다.
- 공격 직후에도 재전송, 타임아웃, 라우팅 불안정 등 후속 장애를 확인해야 한다.
AI 기업은 빠르게 해외 시장을 개척하고 있지만, 단순히 여러 국가에서 판매를 시작하는 것만으로는 지속적인 매출 성장을 보장하기 어렵다. Stripe 거래 데이터에 따르면 인도·멕시코·폴란드·UAE처럼 전체 결제 규모 대비 AI 지출 비중이 높은 시장과, 멕시코·한국처럼 성장률이 높은 시장이 새로운 기회로 부상하고 있다. 장기적인 해외 매출을 확보하려면 현지 결제수단, 통화, 언어 등을 제품과 결제 경험에 반영하는 현지화가 핵심이다.
## AI 지출 비중이 높은 시장이 새로운 진출 후보로 부상
- AI 지출 총액이 가장 큰 10개 시장은 미국 등 GDP와 온라인 소비 규모가 큰 국가에 집중됐다.
- 단순한 시장 규모 대신, 각국의 전체 Stripe 결제액 중 AI 지출이 차지하는 비중을 비교하면 색다른 유망 시장이 드러났다.
- 인도, 멕시코, 폴란드, 아랍에미리트는 전체 온라인 지출 대비 AI 지출 비중이 높은 시장으로 나타났다.
- 브라질, 일본, 한국은 AI 지출 총액과 전체 결제에서 차지하는 비중이 모두 높은 시장이었다.
- 따라서 시장 규모가 큰 선진국뿐 아니라, AI 수요가 전체 소비에 비해 빠르게 커지는 국가도 우선 검토할 필요가 있다.
## AI 시장은 규모와 관계없이 빠르게 성장
- 2024년까지 AI 지출이 2,000만 달러를 넘은 35개 시장을 분석한 결과, AI 지출의 전년 대비 성장률 중앙값은 약 100%였다.
- 미국은 전년 대비 91%, 호주는 61% 성장했다. 대형 시장의 성장률이 중앙값보다 낮더라도 실제 증가액은 상당히 컸다.
- 캐나다, 독일, 영국은 이미 큰 시장임에도 높은 성장세를 유지했다.
- 한국은 다음 세 가지 조건을 동시에 갖춘 시장으로 평가됐다.
- 큰 AI 지출 규모
- 134%의 높은 전년 대비 성장률
- 전체 Stripe 결제액 대비 높은 AI 지출 비중
- 멕시코는 AI 지출이 264% 증가해 가장 두드러진 성장 시장이었다.
- 미국과의 지리적 인접성
- 미국 기업의 투자
- 기존 주요 시장보다 낮은 경쟁 밀도
- 전체 소비 대비 높은 AI 지출 비중
- 이런 요인 때문에 멕시코는 초기 거점을 확보하기 좋은 확장 후보로 제시됐다.
## 글로벌 출시만으로는 지속적인 해외 매출이 어렵다
- AI 기업은 제품이 온라인으로 제공되기 때문에 짧은 기간 안에 전 세계 고객을 확보할 수 있다.
- 예를 들어 AI 에이전트 플랫폼 Manus는 2025년 초 큰 관심을 받은 뒤 한 달 만에 200개가 넘는 국가와 지역에서 결제를 지원했고, 4개월 만에 9,000만 달러의 연환산 매출 규모에 도달했다.
- 그러나 글로벌 판매 가능 국가를 늘리는 것과 실제 해외 매출을 안정적으로 확보하는 것은 별개의 문제다.
- Stripe의 상위 100개 AI 기업은 평균적으로 자국 외 시장에서 전체 매출의 48%를 창출하고 있으며, 이를 위해 현지 시장에 맞춘 제품과 결제 경험이 필요하다.
## 현지 결제수단이 전환율과 매출을 높인다
- 가장 빠르게 성장하는 AI 기업들은 일반 AI 기업군보다 평균 2배 많은 현지 결제수단(Local Payment Methods, LPM)을 사용한다.
- 관련 분석에 따르면 현지에서 익숙한 결제수단을 제공하면:
- 평균 전환율이 7.4% 증가
- 평균 매출이 12% 증가
- AI 디자인 플랫폼 Gamma는 인도의 실시간 결제 시스템인 UPI를 지원한 뒤 인도 내 매출이 22% 증가했다.
- Gamma는 현재 미국 외 시장에서 전체 매출의 절반 이상을 얻고 있다.
- 국가별로 선호 결제수단이 다르므로, 시장 진출 시 카드 결제만 제공하기보다 현지 계좌이체·전자지갑·실시간 결제망 등을 함께 검토해야 한다.
## 현지 통화와 가격 정책은 구독 매출의 장기 가치를 높인다
- 현지 통화로 가격을 표시하고 결제하게 하면 최초 구매 전환뿐 아니라 구독 고객의 생애가치(LTV)도 개선될 수 있다.
- Stripe Adaptive Pricing을 사용하는 구독 기업은 평균적으로:
- 최초 전환율 4.7% 증가
- 구독 생애가치 5.4% 증가
- AI 영상 기업 Runway는 Adaptive Pricing 도입 후 구독당 생애가치가 최대 17.7% 증가했다.
- 따라서 현지화는 번역에만 국한되지 않고 가격 표시, 환율 적용, 세금·결제 방식, 구독 청구 경험까지 포함해야 한다.
## 실용적인 확장 전략
- 시장 규모만 보지 말고 AI 지출 성장률과 전체 소비 대비 AI 지출 비중을 함께 분석한다.
- 초기에는 여러 국가에서 빠르게 판매를 시작하되, 성과가 확인된 시장에는 현지 마케팅과 번역 투자를 확대한다.
- 국가별 주요 결제수단과 현지 통화를 지원해 결제 장벽을 낮춘다.
- 해외 매출 비중이 커진 뒤에는 해당 시장에 맞는 가격·구독·고객지원 체계를 구축한다.
- 글로벌 확장의 다음 단계는 더 많은 국가에 진출하는 것이 아니라, 이미 진출한 시장에 현지 기반을 구축하는 것이다.
AMIE는 텍스트 기반 진료의 한계를 넘어, 실시간 영상과 음성을 활용하는 임상 상담 AI로 발전했다. 새로운 AMIE(Video)는 환자의 비언어적 신호를 관찰하고 가상 신체검사를 안내하면서 동시에 진단적 추론을 수행한다. 100개 시나리오와 300회 상담으로 구성된 무작위 연구에서 전문의 수준의 성능을 보였다는 것이 글의 핵심 주장이다.
## 텍스트 기반 의료 AI의 한계
- 기존 텍스트 인터페이스는 환자가 증상을 글로 설명하도록 요구한다.
- 걸음걸이, 호흡, 불편함의 표정, 신체 움직임 같은 시각적 정보가 사라진다.
- 환자가 신체검사 동작을 수행하도록 안내하거나 그 결과를 직접 관찰할 수 없다.
- 디지털 문해력이나 건강 문해력이 낮은 환자에게 특히 불리할 수 있다.
- 이러한 비언어적 단서는 진단뿐 아니라 환자 신뢰와 의사소통에도 중요하다.
## AMIE의 기존 발전
- AMIE(Articulate Medical Intelligence Explorer)는 임상 추론과 대화에 특화된 연구 의료 AI다.
- 텍스트 기반 진단 대화에서 전문의 수준의 성능을 보였고, 임상의의 감별진단 보조 도구로 활용 가능성을 보였다.
- 이후 질병 치료와 장기 관리, 종양학·심장학·안과 분야의 전문 평가로 기능을 확장했다.
- 의료 이미지와 임상 문서를 활용한 멀티모달 진단 추론도 실험했다.
- 실제 의료 적용을 위해 의사 중심의 감독 체계와 병원·의료 서비스 기업과의 임상 연구도 진행 중이다.
## 실시간 영상 상담을 위한 AMIE(Video)
- AMIE(Video)는 Gemini와 Project Astra를 기반으로 한다.
- 실시간 영상 상담에서 다음 기능을 수행한다.
- 환자의 표정, 움직임, 신체적 징후 등 비언어적 단서 관찰
- 음성에서 호흡 이상이나 기타 임상적으로 의미 있는 신호 파악
- 환자에게 가상 신체검사 동작 안내
- 수집한 정보를 바탕으로 실시간 진단 추론
- 말의 자연스러운 속도와 깊은 임상 추론을 동시에 달성하는 것이 주요 설계 목표다.
## 비동기 멀티 에이전트 구조
AMIE(Video)는 하나의 에이전트가 모든 작업을 순차적으로 처리하는 대신, 세 에이전트가 병렬로 작동한다.
- **Talker 에이전트**
- 환자와 직접 대화한다.
- 낮은 지연 시간으로 자연스러운 음성 상호작용을 유지한다.
- 다른 에이전트의 분석과 지침을 대화에 반영한다.
- **Planner 에이전트**
- 백그라운드에서 임상 추론을 지속적으로 갱신한다.
- 감별진단과 치료 계획을 정교화한다.
- 부족한 정보를 찾고, 여러 임상 목표의 우선순위를 재조정한다.
- **Perception 에이전트**
- 영상과 음성 스트림을 계속 분석한다.
- 고통의 징후, 신체 소견, 청각적 이상 등 임상적 단서를 식별한다.
- 관찰 결과를 현재 대화 맥락과 연결한다.
이 구조는 깊은 추론 때문에 대화가 끊기는 문제를 줄이면서, 자연스러운 상담 속도와 지속적인 영상·음성 분석을 가능하게 한다. 자동 평가에서는 세 에이전트 모두 병력 청취, 임상 추론, 치료 권고, 환자 중심 의사소통, 응답 속도 등의 개선에 기여한 것으로 나타났다.
## 자동 평가 체계
- 연구진은 원격의료에 필요한 오디오·비주얼 임상 역량을 의학 문헌을 바탕으로 분류했다.
- 평가 항목에는 다음이 포함된다.
- 비언어적 시각 단서 인식
- 청각적 임상 신호 파악
- 신체검사 동작 안내
- 해부학적 좌우 구분
- 호흡 곤란 등 이상 징후 인식
- 단일 턴 평가에서는 특정 시각·청각 단서를 올바르게 인식하고 추론하는 능력을 측정했다.
- 다중 턴 시뮬레이션에서는 대화 전체의 임상 성능을 평가했다.
- 시각 정보는 환자 시뮬레이터가 “[카메라를 향해 종이를 들고 있음]”과 같은 텍스트 설명으로 주입됐다.
- 이 평가를 통해 실제 사람을 대상으로 한 연구 전에 시스템의 강점과 실패 양상을 빠르게 파악하고 설계를 반복 개선했다.
## 무작위 영상 상담 연구
- 연구진은 동기식 영상 인터페이스를 이용한 대규모 무작위 OSCE(Objective Structured Clinical Examination)를 실시했다.
- 100개 임상 시나리오가 포함됐으며, 심폐·복부·두경부·신경정신·근골격계 등 다섯 신체 계통을 다뤘다.
- 15명의 훈련된 환자 역할 배우가 총 300회의 표준화 상담을 수행했다.
- 비교군은 세 가지였다.
- **AMIE(Video):** 실시간 영상 상담을 수행하는 AMIE
- **AMIE(Text):** 오디오·비주얼 기능의 효과를 분리해 보기 위한 텍스트 기반 버전
- **PCP(Video):** 동일한 영상 인터페이스를 사용하는 보드 인증 일차의료 전문의
- 30명의 보드 인증 일차의료 전문의가 참여했고, 독립 평가단이 표준화된 임상 평가 기준으로 상담을 평가했다.
이 연구는 의료 AI가 단순한 텍스트 문답을 넘어, 환자를 보고 들으며 신체검사를 안내하는 실시간 임상 상담으로 확장될 수 있음을 보여준다. 다만 실제 의료 도입을 위해서는 환자 안전, 의사 감독, 다양한 환자군에서의 검증과 같은 추가 임상 연구가 필요하다.
2026년 8월 11일 디스코드 업데이트는 프로필 꾸미기와 사용자 간 소통, 스포일러 콘텐츠 관리 기능을 강화하는 데 초점을 맞췄습니다. 데스크톱 WYSIWYG 편집기, 비공개 프로필, 친구 요청 메모, 스포일러 채널, 게임 멘션 기능 등이 추가됐으며 Meta Quest도 지원합니다. 이와 함께 설정 메뉴를 재정비하고 Electron 42로 데스크톱 클라이언트를 업그레이드해 사용성과 성능을 개선했습니다.
### 프로필 편집 및 공개 범위 강화
- 데스크톱에서 WYSIWYG 방식의 프로필 편집기를 사용할 수 있습니다.
- Markdown 문법을 직접 외우지 않아도 텍스트에 굵게 표시하는 등 서식을 적용할 수 있습니다.
- 프로필을 “비공개”로 설정할 수 있습니다.
- 모든 사용자에게 공개
- 소규모 서버 멤버에게만 공개
- 친구로 추가한 사용자에게만 공개
- 디스코드 상점에서 새로운 프로필 꾸미기 요소인 **프레임(Frame)**을 구매해 프로필 사진을 장식할 수 있습니다.
### 친구 요청 기능 개선
- 친구 요청을 보낼 때 메시지나 메모를 함께 첨부할 수 있습니다.
- 상대방은 요청을 받은 이유를 확인할 수 있어, 서로를 어떻게 알게 됐는지 설명하기 쉬워졌습니다.
### 스포일러 채널
- 새로운 스포일러 채널 기능이 추가됐습니다.
- 서버 멤버는 텍스트 채널의 내용을 보기 전에 “확인하고 보기”와 같은 동의 절차를 거쳐야 합니다.
- 채널 전체를 연령 제한 채널로 지정하는 기존 우회 방법 없이도 스포일러 콘텐츠를 관리할 수 있습니다.
### 게임 멘션 기능
- 데스크톱에서 `@game`을 입력해 디스코드 프로필이 있는 게임을 검색하고 메시지에 삽입할 수 있습니다.
- 예시는 다음과 같습니다.
- `@game Palworld`
- `@game Sunderfolk`
- 게임 정보가 메시지에 임베드되며, 모바일 지원은 추후 제공될 예정입니다.
### Meta Quest 지원
- 디스코드 앱이 Meta Quest에서 제공됩니다.
- VR 게임을 플레이하는 동안 가상 환경에 디스코드 앱을 고정해 사용할 수 있습니다.
### 설정 메뉴 재설계
- 사용자 설정 개편의 추가 작업이 적용됐습니다.
- 기존 **Activity** 메뉴가 **Games & Apps**로 변경됐습니다.
- **Content & Social**은 **Messaging Permissions**로 이름이 바뀌었습니다.
- 승인된 앱, 연결 서비스, 운영체제별 설정, 단축키 페이지처럼 연관된 설정을 더 명확하게 묶었습니다.
- Data & Privacy, Activity Privacy 등 여러 설정 페이지의 문구와 스타일도 정리했습니다.
### 데스크톱 성능 개선
- 데스크톱 클라이언트가 Electron 42 기반으로 업그레이드됐습니다.
- 유지보수성과 최신 환경 대응력이 향상됐습니다.
- CPU 사용량도 일부 개선됐지만, 업데이트의 주요 목적은 전반적인 기술적 유지관리입니다.
이번 업데이트는 프로필 표현 방식과 콘텐츠 공개 제어를 세밀하게 만들고, 게임·VR 환경과의 연동을 넓힌 것이 특징입니다. 특히 프로필 공개 범위와 스포일러 채널은 개인정보 보호와 커뮤니티 관리가 중요한 서버에서 유용하게 활용할 수 있습니다.
토션(Tossion)은 흩어진 자동화·수동 테스트 결과와 테스트 케이스를 하나의 플랫폼에서 연결하고, QA 조직이 필요한 기능을 직접 빠르게 확장하기 위해 만든 테스트 관리 플랫폼입니다. 테스트 런에는 당시의 테스트 케이스와 판정 근거를 스냅샷으로 보존해 과거 결과의 신뢰성을 확보하고, AI·PR 분석·실기기 자동화까지 하나의 흐름으로 통합했습니다. 토스는 상용 TCM의 기능을 사용하는 데 그치지 않고, 빠른 개발 속도와 품질 기준에 맞춰 플랫폼 자체를 계속 진화시키는 것을 목표로 합니다.
## 흩어진 테스트 정보를 하나의 기록으로 통합
- 기존에는 자동화 테스트 결과, 매뉴얼 테스트 결과, 테스트 케이스와 판단 근거가 서로 다른 곳에 흩어져 과거 결과를 확인하는 데 시간이 걸렸습니다.
- 토션의 기본 구조는 **프로젝트 → 스위트 → 섹션 → 테스트 케이스**이며, 섹션은 트리 구조로 관리됩니다.
- 테스트 케이스는 제품 변화에 따라 수정·삭제되지만, 테스트 런은 당시 검증 내용을 보존하기 위해 별도로 축적됩니다.
- 테스트 런을 생성할 때 테스트 케이스를 단순 참조하지 않고 다음 정보를 복사해 독립적인 행으로 저장합니다.
- Assignee
- Test Step
- Description
- 테스트 런의 각 행에는 상태 변경 이력이 쌓이며, 누가 언제 어떤 Version에서 어떤 판단을 했는지 확인할 수 있습니다.
- 섹션을 직접 선택한 테스트 케이스에는 Type·Platform 등의 필터를 적용하지 않습니다. 명시적인 선택이 자동 조건보다 우선하기 때문입니다.
## 테스트 런의 스냅샷과 변경 이력
- 테스트 런은 **Active → Completed → Closed** 상태로 진행됩니다.
- Closed 시점에 테스트 케이스, 코멘트, 자동화 결과를 스냅샷으로 저장합니다.
- 이후 원본 테스트 케이스가 수정되거나 삭제되어도 종료된 테스트 런의 화면과 리포트는 변하지 않습니다.
- 이를 통해 “지난달에는 무엇으로 검증했는가”라는 질문에 당시 상태 그대로 답할 수 있습니다.
## 빠른 피드백을 반영하는 협업 기능
- Assignee별로 전체 테스트 수와 남은 테스트 수를 보여 주는 진척도 차트를 제공합니다.
- Status, Type, Assignee, Version, Platform, RNR, History 등 실제로 필요한 필드만 추가·유지합니다.
- 여러 사용자가 같은 테스트 런을 동시에 사용할 수 있도록 다음 기능을 제공합니다.
- 현재 접속 중인 사용자 아바타 표시
- 사용자별 색상 구분
- 편집 중인 테스트 케이스와 Description 잠금
- 창을 닫거나 연결이 끊기면 잠금 자동 해제
- 다른 사용자의 Status 변경을 새로고침 없이 반영
- 핵심은 기능의 규모보다 사용자 요청을 개발·배포·활용하는 시간이 짧다는 점입니다.
## 상용 TCM 대신 직접 만든 플랫폼
- 토스의 빠른 개발 속도에서는 품질 검증도 같은 속도로 변화해야 하며, 품질이 속도의 희생양이 되어서는 안 됩니다.
- 상용 도구는 제공 업체가 정한 기능과 로드맵 안에서만 사용할 수 있습니다.
- 토스가 필요로 한 것은 정해진 기능을 제공하는 도구가 아니라, 새로운 요구를 즉시 추가할 수 있는 플랫폼이었습니다.
- 이를 기반으로 다음 기능을 직접 추가했습니다.
- 릴리즈 PR 분석
- AI 기반 테스트 케이스 생성
- 실기기 회귀 테스트 실행
- 자동화 결과를 수동 테스트 케이스별로 기록
## 릴리즈 PR 분석과 QA 범위 결정
- RC 빌드나 릴리즈 마일스톤에 포함된 PR을 모두 수집해 QA 라벨이 있는 PR과 없는 PR로 나누어 분석합니다.
- QA 라벨이 있는 PR은 검증 관점을 정리하고, 라벨이 없는 PR은 정말 QA 검증이 필요 없는지 다시 확인합니다.
- 분석 목적은 기능 요약이 아니라 “이번 릴리즈에서 반드시 확인해야 할 항목”을 찾는 것입니다.
- QA 서버의 Agent가 토션에 등록된 작업을 주기적으로 확인하고, 작업을 받으면 서버에 로그인된 AI를 실행합니다.
- 수백 개의 PR을 한 번에 처리하지 않고 여러 묶음으로 나누어 병렬 분석합니다.
- AI 결과는 다음과 같은 규칙으로 검증합니다.
- 화면명이나 구체적인 조건이 없는 모호한 문장
- PR 제목을 그대로 옮긴 요약
- 함수명이 그대로 남은 설명
- 재현 단계·기대 결과·실패 증상·판단 근거가 빠진 테스트 케이스
- 부적합한 결과는 AI가 다시 분석합니다.
- 병합된 PR 수와 분석 결과 수를 대조해 누락된 PR이 있으면 해당 항목만 재처리합니다.
- 과거 장애가 발생한 파일 목록과 이번 PR의 변경 파일을 비교해 위험도를 조정합니다.
- 결과는 묶음 단위로 토션에 저장해 중단 시에도 완료된 분석을 보존하고, 재실행할 때 이미 처리한 PR은 건너뜁니다.
- 최종적으로 추려진 항목은 Sprint 테스트 런의 범위와 검증 근거가 됩니다.
## AI 기반 테스트 케이스 생성
- 기능 개발 속도를 사람이 따라가기 어렵기 때문에 AI가 테스트 케이스를 생성해 토션에 등록합니다.
- AI는 “자산 > 계좌 연결 > 은행 선택”처럼 경로를 출력하고, 토션이 이를 실제 섹션 트리로 변환합니다.
- 기존 섹션이 있으면 재사용하고, 없으면 중간 단계를 포함해 새로 생성합니다.
- 결과의 신뢰성을 확보하기 위해 세 겹의 검증을 적용합니다.
1. AI가 누락된 분기·에러 상황·경계값을 스스로 재검토
2. 표기 규칙, 테스트 케이스 번호, 화면 누락, 요구사항 반영 여부를 스크립트로 검증
3. 별도의 AI가 테스트 계획을 작성해 범위와 위험 요소, 적용할 테스트 기법을 정의
- 테스트 계획과 실제 테스트 케이스를 비교해 다음을 확인합니다.
- 계획에는 있지만 테스트 케이스에 없는 항목은 누락
- 테스트 케이스에는 있지만 계획에 없는 항목은 범위 이탈
- 화면 중심으로만 테스트하면 상태 전이처럼 화면에 드러나지 않는 테스트 축을 놓칠 수 있습니다.
- 따라서 테스트 계획에서 상태 전이, 경계값 등 필요한 테스트 기법을 먼저 지정하고, 테스트 케이스가 이를 모두 포함하는지 확인합니다.
- AI의 토션 접근은 화면이 아닌 CLI로 제한하고, 환경 차이로 인한 설치·런타임·경로 문제를 줄이기 위해 단일 실행 파일로 배포합니다.
## 토션에서 실기기 회귀 테스트 실행
- 신규 기능은 사람이 직접 검증하고, 안정화된 테스트 케이스는 회귀 자동화 대상으로 편입합니다.
- 토션의 실행 화면에서 다음 항목을 선택해 바로 테스트를 시작합니다.
- 대상 기기
- 빌드
- 실행 범위
- 결과를 연결할 테스트 런
- QA 서버의 러너는 Android·iOS 실기기를 관리하며, 스스로 토션에 등록되지만 관리자 승인 전에는 작업을 받지 않습니다.
- 러너는 주기적으로 연결된 기기 상태를 보고하므로 실행 가능한 기기를 화면에서 확인할 수 있습니다.
- 토션이 발급한 빌드를 설치해 실행함으로써 어떤 빌드에서 나온 결과인지 명확히 유지합니다.
- 전체 회귀 또는 특정 섹션만 선택해 실행할 수 있습니다.
- 테스트 중에는 시나리오별 통과·실패 여부, 실행 시간, 오류 메시지가 실시간으로 기록됩니다.
- 결과는 시나리오가 아니라 **스텝 단위**로 저장됩니다.
- 상태
- 소요 시간
- 오류 메시지
- 해당 시점의 스크린샷
- 시나리오 단위 영상
- 실행 결과를 특정 테스트 런에 연결하면 자동화 결과가 수동 테스트 기록의 각 테스트 케이스에 직접 반영됩니다.
## 자동화 결과를 테스트 케이스와 연결
- 별도 자동화 리포트에 “200건 중 3건 실패”라고만 표시하면 어떤 수동 테스트 케이스가 실패했는지 사람이 다시 대조해야 합니다.
- 이를 해결하려면 양방향 연동이 필요합니다.
- 테스트 케이스를 자동화 코드로 변환
- 자동화 결과를 다시 테스트 케이스별 기록으로 저장
- 토션은 자동화 결과를 테스트 케이스 한 건 단위까지 내려보내 수동 검증 기록과 자동화 실행 결과를 같은 맥락에서 확인할 수 있도록 설계되었습니다.
- 제공된 글은 이 자동화 코드 생성 기능의 상세 구현 설명 직전에서 끝납니다.
토션의 핵심은 테스트 관리, AI 분석, 테스트 생성, 실기기 자동화를 각각 분리하지 않고 하나의 테스트 런과 테스트 케이스 흐름으로 연결한 데 있습니다. 유사한 플랫폼을 구축할 때도 먼저 결과의 스냅샷·이력 보존을 설계하고, 이후 AI와 자동화를 기존 기록 구조에 연결하는 방식이 실용적입니다.
Discord와 월드 오브 워크래프트(WoW)의 길드 채팅을 공식 연동해, 양쪽에서 보낸 메시지를 서로 동기화할 수 있게 되었다. Battle.net 계정과 Discord 계정을 연결한 뒤 WoW 길드 채팅과 Discord 채널을 지정하면, 게임 중이거나 Discord를 사용하는 상황과 관계없이 길드원과 대화할 수 있다. 이를 통해 레이드 준비, 쐐기돌 파티 모집 등 길드 운영이 더 편리해진다는 것이 글의 결론이다.
## Discord와 WoW 길드 채팅의 통합
- Discord와 WoW에서 보낸 길드 채팅 메시지가 양쪽에 동기화된다.
- WoW 안에서는 Discord에서 전송된 메시지를 나타내는 Discord 아이콘이 표시된다.
- 게임 중인 길드원과 Discord에 접속한 길드원이 같은 대화에 참여할 수 있다.
- 레이드 준비, 파티원 모집, 소모품 확인 등 길드 커뮤니케이션을 한곳에서 관리할 수 있다.
## 1단계: Battle.net과 Discord 계정 연결
- Discord의 **사용자 설정**으로 이동한다.
- **연결된 앱(Connected Apps)**을 선택한 뒤 Battle.net 로고를 클릭한다.
- 목록에 Battle.net이 보이지 않으면 **더 보기(View More)**를 눌러 찾는다.
- 필요한 권한을 확인하고 안내에 따라 계정 연결을 완료한다.
- 이미 계정을 연결한 사용자도 새로운 기능을 위해 연결 정보를 갱신해야 할 수 있다.
- Blizzard 페이지를 통해 WoW에서 직접 계정을 연결하는 방법도 제공된다.
## 2단계: WoW 길드 채팅과 Discord 채널 연결
길드장이나 해당 권한을 가진 길드 임원이 WoW에서 채널 연결을 설정해야 한다.
- `J` 키를 눌러 **길드 및 커뮤니티** UI를 연다.
- 오른쪽 패널에서 **명단(Roster)** 탭을 선택한다.
- 오른쪽 아래의 **길드 설정(Guild Settings)**을 클릭한다.
- **길드 관리(Guild Control)** 드롭다운에서 **Discord 설정(Discord Settings)**을 선택한다.
- 연결 가능한 Discord 서버 목록에서 원하는 서버를 선택한다.
- 연결 권한이 있는 Discord 채널을 드롭다운에서 선택한다.
- 채널 연결을 클릭하고 승인을 완료한다.
## Discord 서버 권한 확인
연결 설정이 표시되지 않는다면 Discord 서버에서 필요한 권한이 없는 것일 수 있다.
- **채널 관리(Manage Channels)**
- **채널 보기(View Channel)**
- **메시지 보내기(Send Messages)**
이 권한은 Discord 서버 설정에서 확인할 수 있다. 해당 서버의 관리자나 역할 설정 담당자에게 권한 부여를 요청해야 할 수도 있다.
## 추가 설정과 기대 효과
- Blizzard 안내 페이지에서 캐릭터 이름 표시 방식과 채팅 필터 등 세부 설정을 조정할 수 있다.
- 특정 메시지가 어느 채널에 표시될지 필터를 통해 제어할 수 있다.
- 게임에 접속하지 않은 길드원도 Discord를 통해 길드 대화에 참여할 수 있다.
- 레이드 일정 조율, 쐐기돌 파티 구성, 플라스크 등 준비물 확인이 간단해진다.
길드 운영을 자주 하는 플레이어라면 Battle.net 계정과 Discord를 연결하고, 실제로 사용하는 길드 채널을 연동해 두는 것을 추천한다. 특히 레이드나 파티 모집이 잦은 길드에서는 커뮤니케이션 누락을 줄이고 준비 과정을 간소화할 수 있다.
Figma 데이터 과학팀은 Figma Make가 디자인 작업을 얼마나 단축하는지 측정하기 위해 100명 대상의 무작위 대조 실험(RCT)을 설계했다. 그 결과 전체 디자인 작업은 20% 빨라지고 16% 쉬워졌으며, 특히 PM은 작업 시간이 23% 단축되고 난이도가 37% 낮아지는 가장 큰 효과를 보였다. 기존 A/B 테스트나 로그 기반 인과 추론만으로는 작업 복잡도와 사용자 경험 같은 교란 요인을 충분히 통제하기 어려워 RCT가 선택됐다.
## AI 시간 절감 측정의 어려움
- AI가 반복적·기계적인 업무를 대신하면 팀이 더 중요한 작업에 집중할 수 있지만, 실제 절감 시간과 효율 개선 지점을 정량화하기는 어렵다.
- 작업 완료 시간에는 AI 사용 여부 외에도 다음과 같은 교란 요인이 영향을 준다.
- 근속 기간
- 경력과 숙련도
- 작업의 복잡성
- 개인의 주관적인 디자인 경험
- 이런 요인을 통제하지 않으면 생산성 향상이 AI 때문인지, 다른 조건 때문인지 구분하기 어렵다.
## 기존 방법의 한계
### 온라인 A/B 테스트
- 한 그룹에는 Figma Make를 제공하고 다른 그룹에는 제공하지 않는 방식이다.
- 무작위 배정으로 사용자 특성의 차이는 어느 정도 줄일 수 있다.
- 그러나 사용자마다 수행하는 작업이 달라 작업 난이도와 유형을 동일하게 맞추기 어렵다.
- 따라서 두 그룹의 완료 시간 차이가 AI 효과인지, 과제 차이 때문인지 판단하기 어렵다.
### 로그 데이터 기반 인과 추론
- AI 기능을 사용한 작업과 사용하지 않은 작업의 평균 소요 시간을 비교하는 방식이다.
- **성향 점수 매칭(PSM)**은 각 작업이 AI 사용 조건에 속할 확률을 계산해 비교하지만, 모든 교란 요인이 로그에 기록되어 있어야 한다.
- 익명화된 사용자 ID만으로는 사용자의 주관적인 디자인 숙련도나 경험을 알 수 없어 PSM 적용에 한계가 있다.
- **도구 변수(IV)** 방법은 AI 사용 여부에 영향을 주면서 작업 속도에는 다른 방식으로 영향을 주지 않는 변수가 필요하다.
- 하지만 Figma 로그에는 이러한 조건을 만족하는 유효한 도구 변수가 없었다.
## 무작위 대조 실험을 선택한 이유
- RCT는 인과적 효과를 측정하는 표준적인 방법으로, 데이터 수집 단계에서 교란 요인을 직접 통제할 수 있다.
- 연구에서는 다음 세 가지 요소를 결합했다.
- **무작위 배정:** 참가자를 실험군과 대조군에 나누어 개인별 차이를 양쪽에 대체로 균등하게 분산
- **동일한 과제:** 모든 참가자가 같은 작업을 수행하게 해 과제 속성의 영향을 제거
- **실험 진행 관리:** 숙련된 연구팀이 실험을 감독해 수행 과정의 변동과 통계적 오류를 줄임
- 제품 디자이너와 PM이 일상적인 디자인 업무에서 Figma Make를 사용할 때 얻는 시간 절감 효과를 측정하기 위해 Figma 안팎의 사용자 연구팀과 협력했다.
## 연구 대상과 실험 도구
- 여러 AI 도구를 동시에 허용하면 어떤 도구가 시간 절감에 기여했는지 구분하기 어려워, 연구 대상 AI를 Figma Make 하나로 제한했다.
- Figma Make는 사용자 기반이 크고 다양한 디자인 작업에 활용될 수 있어 연구 도구로 선정됐다.
- 참가자는 총 100명으로 구성됐다.
- 제품 디자이너 50명
- 제품 관리자 50명
- 표본 수는 GitHub Copilot 무작위 대조 실험 등 기존 연구에서 관찰된 효과 크기를 참고해 산출했다.
- 이후 통계적으로 유의미한 효과를 탐지할 수 있도록 검정력 분석(power analysis)을 수행해 최종 표본 규모를 결정했다.
## 관찰된 효과
- 전체적으로 Figma Make 사용 시:
- 디자인 작업이 **20% 더 빨라짐**
- 작업이 **16% 더 쉬워짐**
- 직군별로는 PM의 효과가 가장 컸다.
- 작업 시간 **23% 단축**
- 작업 난이도 **37% 감소**
실무에서 AI의 생산성 효과를 검증하려면 단순한 사용 로그 비교보다, 동일한 과제와 무작위 배정을 포함한 통제된 실험이 더 신뢰할 만하다. 특히 AI 도입 효과를 직군별로 비교하려면 사용자 특성뿐 아니라 과제 복잡도와 실험 진행 방식까지 함께 표준화하는 것이 중요하다.
애플리케이션 시작 시간은 사용자 경험, 개발 생산성, 클라우드 비용에 모두 영향을 주며, Java APM의 클래스 매칭 비용도 주요 요인이다. Datadog은 JVM 시작 단계의 제약을 고려해 클래스명 접두사 매칭을 최적화했고, 최근 4년간 관련 오버헤드를 30% 줄였다. 특히 여러 접두사 매칭 트라이(trie)를 하나의 JVM 문자열 상수로 미리 인코딩해, 시작 시 별도의 파일 읽기나 자료구조 구축 없이 빠르게 조회하도록 만든 것이 핵심이다.
## Java APM과 클래스 계측
- Java Instrumentation API는 클래스가 로드되기 전에 변환할 수 있어, 네이티브 코드가 필요한 JVMTI보다 Java 기반 APM 구현에 적합하다.
- APM은 메서드 시작·종료 시점 기록, 호출 간 컨텍스트 전파 등을 위해 클래스에 코드를 삽입한다.
- 개별 메서드 계측 비용은 작지만, 모든 클래스와 메서드를 계측하면 전체 성능 비용이 급격히 증가한다.
- 따라서 관측 가치가 높은 클래스만 선별해야 하며, 이 선별 과정이 **클래스 매칭**이다.
## 클래스명 접두사로 탐색 범위 줄이기
- 일반적인 Java 애플리케이션은 수만 개의 클래스를 정의하고, 대규모 엔터프라이즈 애플리케이션은 10만 개 이상을 로드할 수 있다.
- 클래스 파일을 분석하거나 상속 구조를 확인하는 방식은 비용이 크다.
- 클래스 파일 파싱이 필요하다.
- 관련 타입의 추가 클래스 파일을 읽어야 할 수 있다.
- 이에 따라 Datadog APM은 먼저 클래스명과 패키지명 접두사를 curated ignore list와 비교해 계측 대상이 아닌 클래스를 빠르게 제외한다.
- 이 초기 접두사 매칭은 모든 클래스에 적용되므로, 작은 알고리즘 개선도 전체 시작 시간에 측정 가능한 영향을 준다.
## JVM 시작 단계의 특별한 제약
- 에이전트는 애플리케이션의 `main`보다 먼저 실행되는 `premain` 단계에서 클래스 변환기를 등록한다.
- 이 시점에는 다음과 같은 제약이 있다.
- 로드된 클래스가 거의 없다.
- JIT 컴파일러가 아직 준비되지 않았다.
- Java 8에서는 `premain` 이후에야 JIT가 시작되므로 코드가 인터프리트되고 최적화되지 않는다.
- 일부 JDK API 호출이 애플리케이션 동작에 영향을 줄 수 있다.
- 예를 들어 `java.util.logging`을 사용하면 `LogManager`가 초기화된다.
- 이후 애플리케이션의 `main`에서 사용자 지정 `java.util.logging.manager`를 설정하려 해도 이미 초기화가 끝났기 때문에 동작이 깨질 수 있다.
- 따라서 `premain`에서는 외부 리소스, 무거운 라이브러리, 부작용이 있는 JDK API 사용을 피해야 한다.
## 기존 코드 기반 매칭의 한계
- 2020년 당시 Datadog APM Java는 복잡한 중첩 구조의 코드를 직접 생성해 접두사를 매칭했다.
- 이 방식은 유연했지만 다음 문제가 있었다.
- 매칭 규칙을 유지보수하기 어려웠다.
- Java 8의 초기화 단계에서는 JIT 최적화를 기대할 수 없었다.
- 시작 시 빠르게 실행되도록 여러 추가 최적화가 필요했다.
- 분석 결과, 기존 매칭 규칙에는 트라이 자료구조가 가장 적합한 대안으로 판단됐다.
- 하지만 일반적인 트라이는 리소스 파일을 찾고, 읽고, 파싱한 뒤 노드를 구성해야 하므로 `premain` 환경에 적합하지 않았다.
## 트라이를 JVM 문자열 상수로 인코딩
- Datadog은 `ClassNameTrie`라는 접두사 트라이를 만들고, 이를 하나의 JVM 문자열 상수로 표현했다.
- 문자열 상수는 클래스 로딩 과정에서 JVM이 직접 로드하므로 다음 장점이 있다.
- `ldc` 단일 바이트코드 명령으로 접근할 수 있다.
- 파일 검색이나 I/O가 필요 없다.
- 클래스 내부에 포함되므로 애플리케이션 패키징·재패키징 후에도 유지된다.
- 데이터가 작고 연속적으로 저장되어 캐시 지역성이 좋다.
- 시작 단계에 트라이 객체를 별도로 생성할 필요가 없다.
## 문자열 내부의 트라이 구조
- Java의 `char`는 2바이트이며 65,536개의 값을 표현할 수 있다.
- 이 값을 일반적인 문자뿐 아니라 트라이의 제어 정보와 매칭 결과 저장에도 사용한다.
- 각 트라이 노드는 다음 구조를 가진다.
- 첫 번째 문자: 해당 노드의 브랜치 개수
- 이어지는 문자들: 각 브랜치의 문자
- 브랜치 문자 뒤의 값 문자들: 각 브랜치의 결과 정보
- 브랜치 문자는 정렬되어 저장되므로 이진 검색으로 빠르게 다음 경로를 찾을 수 있다.
- 값은 상위 비트에 따라 세 가지 의미를 가진다.
- **Leaf**: 확정된 결과이며 검색을 즉시 종료한다.
- **Bud**: 잠정적인 결과를 제공하지만 더 긴 접두사를 확인하기 위해 검색을 계속한다.
- **Inline segment 길이**: 해당 브랜치에 이어지는 문자열 구간의 길이를 나타낸다.
- Bud와 leaf에는 glob 비트를 설정할 수 있다.
- 기본적으로 결과는 입력 키가 해당 노드에서 정확히 끝날 때만 적용된다.
- glob 비트가 있으면 뒤에 문자가 더 남아 있어도 결과를 적용할 수 있다.
- 이 비트 구성 때문에 `ClassNameTrie`에 저장할 수 있는 최대 값은 8,191이다.
## 실용적인 결론
JVM의 가장 이른 시작 단계에서 실행되는 코드는 JIT 최적화나 일반적인 런타임 자료구조 생성에 의존하기 어렵다. 이런 환경에서는 작은 매칭 데이터라도 문자열 상수처럼 JVM이 직접 로드할 수 있는 형태로 미리 인코딩하면 초기화 비용과 I/O를 줄이고, 대규모 클래스 탐색의 누적 비용을 낮출 수 있다.
Ed Burns는 Microsoft와 GitHub 기술에 자바다운(idiomatic) 개발 경험을 제공하는 Principal Software Engineer입니다. 1997년부터 자바를 사용해 왔으며, 클라이언트·서버·클라우드·AI 등 다양한 영역에서 활동해 왔습니다.
### Ed Burns의 역할
- Microsoft와 GitHub 기술 생태계에 자바 관용적 개발 경험을 도입하는 업무를 담당합니다.
- Principal Software Engineer로서 기술 방향과 개발 경험 개선에 기여합니다.
### 자바 경력과 전문 분야
- 1997년부터 자바를 다뤄 온 숙련된 개발자입니다.
- 다음과 같은 폭넓은 영역에서 경험을 쌓았습니다.
- 클라이언트 애플리케이션
- 서버 애플리케이션
- 클라우드 기술
- 인공지능(AI)
### 실용적인 결론
이 글은 특정 기술이나 방법론을 설명하기보다는 Ed Burns의 경력과 전문성을 소개하는 약력입니다. 자바가 클라이언트부터 AI까지 다양한 기술 영역에서 활용되어 왔다는 점을 보여줍니다.
에이전트는 AI 기능을 넘어 사람과 소프트웨어가 인터넷과 상호작용하는 방식을 바꾸는 새로운 소프트웨어 계층이다. Cloudflare는 Agents Week를 통해 실행 환경, 개발 생명주기, 신원·보안, 에이전트 친화적 인터넷, 관측·검색·AI 인프라를 하나의 플랫폼으로 통합하는 방향을 제시했다. 궁극적으로는 인간과 에이전트가 충돌하지 않고 협력하는 “Agentic Internet”을 구축하는 것이 목표다.
### 에이전트를 위한 실행 환경과 인프라
- 에이전트에는 단순한 컨테이너가 아니라 작업에 맞는 컴퓨터 환경이 필요하다는 관점에서 `@cloudflare/computer` 런타임을 소개했다.
- Python과 JavaScript Workers 간 RPC 통신을 지원해 혼합 언어 프로젝트를 쉽게 만들 수 있도록 했다.
- Kimi, GLM 같은 대규모 모델을 더 작고 빠르며 안전하게 운영하는 방법을 제시했다.
- Billable Usage API로 셀프서비스 제품의 사용량과 비용을 프로그램 방식으로 확인할 수 있다.
- Workers와 Containers에서 인바운드 TCP 및 gRPC를 지원해 음성 AI 백엔드와 실시간 에이전트 구축이 가능해졌다.
### 프로토타입에서 운영까지: Agent Development Lifecycle
- 기존 SDLC를 확장한 ADLC(Agent Development Lifecycle)를 제안했다.
- Cloudflare Agents는 에이전트 실행 과정을 실시간으로 관찰하고, 추적·재생하며, 운영 중 사람의 승인을 받을 수 있게 한다.
- 로컬 개발 환경에서도 분산 추적을 활용해 에이전트가 Workers 문제를 직접 찾고 디버깅할 수 있다.
- Cloudflare Wallets는 에이전트가 안전하게 거래를 수행할 수 있는 프로그래밍 가능한 지갑을 제공한다.
- 코드로 정의하는 CI/CD 파이프라인과 실패를 분석하고 수정안을 검토 단계로 보내는 에이전트를 소개했다.
- AI를 활용해 코드 표준과 개발 프로세스를 자동으로 점검하고, Astro의 GitHub 이슈를 분석·분류·라우팅해 유지보수 부담을 줄인 사례도 공유했다.
### 에이전트의 신원과 보안 통제
- Zero Trust를 사용자와 기기뿐 아니라 에이전트에도 적용하는 Agent Access Model을 제시했다.
- 에이전트가 사용자를 대신해 리소스와 서비스에 접근할 때, 주체와 권한을 명확히 식별하고 통제하는 것이 핵심이다.
- Cloudflare OS는 내부 업무와 시스템에 AI를 통합하되 보안과 감독을 유지하도록 설계된 오픈 플랫폼이다.
- 신원 기반 분석으로 AI 활동을 실제 사용자와 시스템에 연결해 이상 행동이나 비용 급증을 감지할 수 있다.
- WriteGuard는 MCP 서버의 도구 호출을 세밀하게 제한해 에이전트의 위험한 변경이나 원치 않는 작업을 줄인다.
### 사람이 통제하는 Agentic Internet
- Agentic Internet은 웹사이트와 콘텐츠가 에이전트에게 읽히고(readable), 발견되며(discoverable), 호출되고(callable), 결제될 수 있어야 한다는 모델이다.
- WebMCP를 통해 웹사이트와 웹 애플리케이션에 에이전트용 인터페이스를 쉽게 추가할 수 있다.
- 기존 SEO를 넘어 에이전트가 콘텐츠를 이해하고 답변에 활용하도록 만드는 AEO(Answer Engine Optimization)의 필요성을 강조했다.
- Kitesurf는 픽셀 단위의 브라우저 렌더링보다 낮은 메모리·CPU 사용량을 우선한 에이전트 전용 브라우저다.
- MCPv2는 MCP 기반 애플리케이션의 배포와 확장을 단순화하는 차세대 규격으로 소개됐다.
- Cloudflare AI Search는 파일이나 웹사이트를 한 번의 명령으로 에이전트가 사용할 수 있는 검색 엔진으로 변환한다.
### 실제 인터넷에서의 신뢰와 AI 운영
- 봇을 무조건 악성으로 보거나 사람을 항상 신뢰하는 방식에서 벗어나, 행동을 지속적으로 평가하는 신뢰 모델을 제안했다.
- Workers AI와 AI Gateway를 하나의 AI 제어 평면으로 통합해 단일 바인딩, 지갑, 대시보드에서 다양한 AI 모델을 호출하도록 했다.
- 향후에는 모델 중심 라우팅을 통해 목적과 비용, 성능에 맞는 모델을 자동 선택할 수 있게 될 전망이다.
- Cloudflare Ambassadors와 Community Engineers 프로그램, 2년간 추가 100만 달러 규모의 오픈소스 지원 계획을 발표했다.
- Radar Researcher는 자연어 질문을 인터랙티브 차트로 변환해 인터넷 데이터를 탐색하도록 돕는다.
Cloudflare가 제시한 Agent Cloud는 실행 계층, ADLC 기반 개발 도구, 신원과 보안 제어, 에이전트 친화적 웹 표준, 관측·검색·AI 운영 도구를 함께 제공하는 형태로 구체화되고 있다. 에이전트를 도입할 때는 모델 성능뿐 아니라 권한 관리, 실행 추적, 사람의 승인 절차, 비용 가시성, 웹 접근 규칙까지 함께 설계하는 것이 실용적인 출발점이다.
제공된 내용은 NAVER D2 사이트의 메뉴와 저작권 표시로만 구성되어 있어, 기술 블로그 글의 주제나 주장을 확인할 수 없습니다. 따라서 요약할 기술적 내용이나 결론이 없습니다.
### 표시된 메뉴
- Hello world
- D2 News
- About D2
- NAVER Developers
- DEVIEW
- OpenSource
- D2 STARTUP FACTORY
### 기타 정보
- NAVER D2 관련 페이지로 보입니다.
- 하단에 NAVER Corp.의 저작권 표시가 있습니다.
- 본문, 기술 설명, 사례, 결론 등은 포함되어 있지 않습니다.
원문 본문이나 올바른 글 내용을 제공해 주시면 요청하신 형식으로 요약할 수 있습니다.
AWS는 AI 에이전트의 실시간 정보 활용, 실행 환경 제어, 벡터 검색, 거버넌스와 협업 개발을 강화하는 기능들을 대거 공개했다. Amazon Bedrock의 웹 검색·전용 런타임·DynamoDB 벡터 검색과 AWS Transform의 지속적 현대화가 주요 출시 내용이며, Dogwood와 Agent Plugins를 통해 에이전트의 안전성과 이식성도 확대한다. 또한 AWS Heroes Summit과 Kiro Crew를 통해 개발자 커뮤니티와 멀티에이전트 개발 경험을 강화하고 있다.
## AWS Heroes Summit
- 전 세계 AWS Heroes가 초청된 연례 행사로, AI·서버리스·컨테이너 분야 전문가들이 참여했다.
- AWS 내부 제품·서비스 팀과 직접 기술 토론, 심층 세션, 피드백 교환을 진행했다.
- AWS CEO 맷 가먼의 대담과 James Hamilton의 AMA, 제품 팀별 브레이크아웃 세션 등이 열렸다.
- 참가자 간 지식 공유와 협업 기회 확대가 행사의 핵심 성과였다.
## Amazon Bedrock의 웹 검색
- Amazon Bedrock에서 OpenAI 모델이 인터넷을 검색하고 최신 정보를 가져올 수 있게 됐다.
- GPT-5.4, GPT-5.5, GPT-5.6 Sol·Terra·Luna 모델이 학습 데이터 이후의 실시간 웹 콘텐츠를 활용할 수 있다.
- AI 에이전트가 최신 뉴스나 외부 정보를 바탕으로 답변하도록 구축할 수 있다.
- 데이터가 보안이 적용된 AWS 환경에 머물며 외부 데이터 반출 없이 사용할 수 있어 데이터 레지던시 요구사항에 유리하다.
## Bedrock AgentCore 전용 런타임 인스턴스
- AI 에이전트를 전용 런타임 인스턴스에 배포하고 실행할 수 있다.
- 에이전트 실행 환경을 더 세밀하게 제어할 수 있으며 성능과 비용을 예측하기 쉽다.
- 실행 리소스와 운영 특성이 중요한 프로덕션 에이전트에 적합하다.
## DynamoDB 벡터 검색
- 기존 DynamoDB 데이터와 AI용 벡터 임베딩을 같은 데이터베이스에 저장할 수 있다.
- 별도의 벡터 데이터베이스를 운영하지 않고도 의미 기반 검색을 제공한다.
- 에이전트 메모리에 저장된 정보에서 관련 내용을 검색해 응답을 보강하는 에이전틱 그라운딩에 활용할 수 있다.
- DynamoDB 기반 운영 모델을 유지하면서 예측 가능한 성능으로 벡터 검색을 추가할 수 있다.
## AWS Transform의 지속적 현대화
- 소스 코드 저장소를 대규모로 분석해 기술 부채를 식별하고 수정한다.
- 메인프레임과 레거시 워크로드를 일회성 마이그레이션이 아니라 지속적·자동화된 방식으로 현대화한다.
- AWS Transform용 Kiro Power와 에이전트 플러그인을 통해 개발 작업을 자동화할 수 있다.
## Lambda 네트워크 대역폭 확대
- Lambda 함수의 네트워크 대역폭이 최대 3,000Mbps로 증가했다.
- VPC 외부에서 실행되며 메모리가 2GB 이상인 함수의 네트워크 대역폭이 메모리에 비례해 확장된다.
- 2GB 메모리에서는 625Mbps, 10GB 메모리에서는 최대 3,000Mbps를 제공한다.
- 대용량 데이터 처리나 Lambda와 다른 AWS 서비스 간 통신이 많은 작업의 성능을 높일 수 있다.
## Dogwood와 시간 기반 에이전트 거버넌스
- AWS는 AI 에이전트용 거버넌스 언어인 Dogwood를 오픈 소스로 공개했다.
- Cedar 정책을 지원하고, 에이전트 행동의 시간적 조건을 표현할 수 있다.
- AgentCore의 temporal policy는 현재 요청만이 아니라 세션 내 과거 행동 이력에 따라 정책 결정을 내린다.
- 반복적인 행동, 특정 순서의 작업, 이전 행동에 따른 권한 제한 등 상태ful한 에이전트 통제가 가능하다.
## Agent Plugins 표준
- Agent Plugins는 AI 에이전트 확장을 위한 오픈 소스·벤더 중립 표준이다.
- 하나의 형식으로 확장 기능을 패키징해 Kiro, VS Code, Cursor 등 표준을 구현한 여러 클라이언트에서 사용할 수 있다.
- 특정 개발 도구에 종속되지 않는 에이전트 확장 생태계를 구축하는 것이 목적이다.
## Kiro Crew의 멀티에이전트 개발
- Kiro Crew는 작업 상태를 지속적으로 유지하는 협업형 개발 workspace다.
- 단일 채팅 세션을 넘어 여러 저장소, 도구, 날짜에 걸친 엔지니어링 작업을 관리한다.
- 여러 작업을 병렬로 실행하거나 하위 에이전트에게 작업을 위임할 수 있다.
- 하위 에이전트가 작업 결과를 보고하므로 개발자가 자리를 비운 동안에도 작업이 진행된다.
이번 발표의 방향은 AI 에이전트를 단순한 대화형 도구에서 실시간 검색, 장기 실행, 상태 기반 권한 관리, 협업 자동화가 가능한 운영 시스템으로 발전시키는 데 있다. 실제 도입 시에는 Bedrock 웹 검색의 데이터 통제, AgentCore의 실행 비용, Dogwood 기반 정책 설계, DynamoDB 벡터 검색의 데이터 규모를 함께 검토하는 것이 좋다.
Cloudflare는 공공기관용 서비스인 Cloudflare for Government에서 FedRAMP Class D(High) 인증을 획득했다고 발표했습니다. 이는 미국 정부의 가장 민감한 비기밀 데이터를 처리할 수 있는 높은 수준의 보안·감사·지속적 모니터링 요건을 충족했다는 의미입니다. 또한 이 인증에 사용한 시스템을 기반으로 미 국방부 DoD Impact Level 4(IL4) 승인도 추진하며, 별도 정부용 클라우드가 아닌 글로벌 단일 플랫폼에서 빠른 혁신과 강력한 보안을 제공하겠다는 전략을 강조했습니다.
### FedRAMP High 인증의 의미
- FedRAMP는 미국 연방정부 클라우드 서비스의 보안 평가, 승인, 지속적 모니터링을 표준화한 프로그램입니다.
- ‘인증’은 단순한 자체 보안 선언이 아니라 다음 절차를 거친 공식 승인입니다.
- 연방기관의 역량 검증
- 후원 기관의 전체 승인 절차 진행
- FedRAMP Program Management Office의 승인 확인
- Cloudflare는 2022년 FedRAMP Moderate 승인을 받았으며, 이번에는 더 높은 수준인 Class D(High)를 획득했습니다.
- Moderate는 시스템 침해가 심각한 피해를 일으킬 수 있는 환경에 적용되지만, High는 다음과 같은 국가 핵심 데이터에 적용됩니다.
- 법 집행 및 긴급 서비스 데이터
- 금융 시스템 정보
- 국가 안보 관련 데이터
- High 수준에서 보안 통제가 침해되면 인명 피해, 경제적 손실, 국가 안보 위협으로 이어질 수 있어 요구사항과 책임 수준이 크게 높아집니다.
### 분리된 정부용 클라우드의 한계
- 기존 기술 기업들은 공공 부문과 국방 부문을 위해 상용 플랫폼과 분리된 독립 환경을 구축하는 경우가 많았습니다.
- 이런 방식은 보안과 규정 준수에는 유리할 수 있지만 다음 문제가 발생했습니다.
- 상용 서비스와 정부용 서비스 사이에 기능 격차 발생
- 정부 환경이 최신 기술 적용에서 수년씩 뒤처짐
- 기관이 최신 기능과 엄격한 규정 준수 중 하나를 선택해야 함
- Cloudflare는 정부용 제품을 축소된 별도 플랫폼으로 만들지 않고, 상용 서비스와 동일한 글로벌 네트워크를 기반으로 구축했습니다.
### 하나의 글로벌 네트워크와 소프트웨어 정의 지역성
- Cloudflare는 전 세계 데이터센터에서 동일한 소프트웨어 스택과 서비스를 운영합니다.
- FedRAMP High 서비스도 별도 장비나 고립된 네트워크가 아니라 동일한 인프라 위에서 동작합니다.
- 핵심 기술은 Data Localization Suite입니다.
- 데이터가 어디에서 처리되고 저장되는지 소프트웨어로 세밀하게 제어
- FedRAMP High 환경에서는 트래픽 검사와 처리를 미국 내 데이터센터로만 제한
- 글로벌 네트워크의 확장성과 미국 내 데이터 residency 및 처리 요건을 동시에 충족
- 따라서 연방기관은 기능이 제한된 정부용 버전이 아니라 다음과 같은 최신 기능을 사용할 수 있습니다.
- Zero Trust 보안 도구
- 애플리케이션 성능 최적화
- 최신 개발자 플랫폼 기능
- 글로벌 네트워크 기반의 안정성과 확장성
### DoD IL4 추진과 국방 분야의 혁신 속도
- Cloudflare는 FedRAMP High를 위해 설계한 시스템을 DoD Impact Level 4 승인 기반으로 활용할 계획입니다.
- DoD IL4는 통제된 비기밀 정보(Controlled Unclassified Information)를 처리하기 위한 미 국방부의 사이버보안 기준입니다.
- 동일한 시스템을 활용하면 국방용 환경을 별도로 구축할 필요가 줄어들고, FedRAMP High와 IL4 요구사항에 대응하는 보안 체계를 재사용할 수 있습니다.
- 이를 통해 국방기관이 격리된 정부 클라우드의 느린 배포 주기에 묶이지 않고, 새로운 사이버 위협에 더 빠르게 대응할 수 있다는 것이 Cloudflare의 주장입니다.
### 공공 부문 현대화 전략
- Cloudflare는 이번 인증을 규정 준수 달성 이상의 의미로 설명합니다.
- 공공기관이 다음과 같은 현대적 보안·서비스 운영 방식을 도입하도록 지원하는 것이 목표입니다.
- Zero Trust 아키텍처 전환
- 정교한 DDoS 공격 방어
- 더 빠르고 복원력 높은 디지털 서비스 제공
- 국가 핵심 애플리케이션의 보안 강화
- 미국 국무부와 상무부 등 기존 연방기관과의 협력도 이번 인증을 계기로 확대할 계획입니다.
실무적으로는 FedRAMP High가 필요한 기관이라면 Cloudflare의 미국 내 데이터 처리 통제, 동일 플랫폼 기반의 최신 기능 제공 여부, 그리고 향후 DoD IL4 승인 진행 상황을 함께 확인하는 것이 적절합니다.
