2026년을 향한 LLM 기반 코딩 워크플로우

최근에 Spec 과 AI 를 이용한 AX 관련 프더럭트를 만들면서 비슷한 느낌을 받은 긱 뉴스에 올라온 코딩 워크플로우 관련 좋은 글이 있어서 가져왔습니다. chat gpt 를 이용해서 번역, 요약을 한 내용이니 원문이 궁금하신 분은 가셔서 보시면 됩니다.

 

원문: https://addyosmani.com/blog/ai-coding-workflow/

My LLM coding workflow going into 2026

---

2025년을 거치며 AI 코딩 어시스턴트는 개발 생산성을 비약적으로 끌어올리는 도구가 되었지만, 잘 쓰기 위해서는 명확한 구조와 엔지니어링 역량이 필수라는 것이 저자의 핵심 주장이다. LLM은 “자동 코딩 머신”이 아니라 명확한 지시와 감독이 필요한 페어 프로그래머로 다뤄야 한다.

1️⃣ 코드보다 먼저 명확한 계획 (Spec → Plan → Code)

• 막연한 프롬프트로 바로 코드 생성을 요청하면 실패 확률이 높다.
• 먼저 AI와 함께 요구사항·엣지케이스·아키텍처를 정리한 spec.md를 만든다.
• 그 다음, 구현 단계를 작은 작업 단위의 계획으로 쪼갠다.
• 짧은 시간의 “초고속 워터폴”이 이후 개발 효율을 크게 높인다.

👉 핵심: 계획 없는 AI 코딩은 기술 부채를 빠르게 만든다

---

2️⃣ 작업은 반드시 작게 쪼개서 반복

• 한 번에 큰 기능을 맡기면 코드 품질이 급격히 무너진다.
• “Step 1 구현 → 테스트 → Step 2” 식으로 진행
• AI는 작고 명확한 문제 해결에 최적화되어 있다.

👉 결과적으로 코드 일관성, 이해도, 테스트 안정성이 모두 개선됨

---

3️⃣ 컨텍스트를 최대한 많이 제공하라

• 관련 코드, 제약 조건, 사용 중인 라이브러리 문서까지 함께 제공
• “이건 하지 마라”, “이 방식은 느리다” 같은 금지 규칙도 명시
• 필요하면 repo dump(gitingest, repo2txt 등)를 사용

👉 LLM 품질은 프롬프트보다 컨텍스트 밀도에 좌우됨

---

4️⃣ 모델은 상황에 맞게 선택하고 교차 활용

• 하나의 모델에 집착하지 말 것
• 막히면 다른 LLM으로 동일 프롬프트 재시도
• 저자는 Gemini를 주력으로 사용하지만 상황에 따라 Claude 등 병행

👉 모델마다 강점·성향이 다르며 “세컨드 오피니언”이 매우 효과적

---

5️⃣ 개발 전 과정(SDLC)에 AI 활용

• CLI 에이전트(Claude Code, Codex CLI, Gemini CLI)
• PR 생성형 에이전트(Jules, Copilot Agent)
• 비동기적으로 작업시키되 항상 감독 필수

👉 AI는 “실행자”, 인간은 “디렉터”

---

6️⃣ 인간은 반드시 루프 안에 있어야 한다

• AI가 쓴 코드는 항상 직접 리뷰
• 테스트 없는 AI 코딩은 재앙
• 다른 AI로 코드 리뷰를 시키는 것도 매우 효과적
• 저자는 브라우저 실행 환경까지 AI에 연결해 디버깅 자동화

👉 AI 코드는 “그럴듯하게 틀릴 수 있다”

---

7️⃣ 커밋을 아주 자주 하라

• 작은 단위 작업마다 커밋
• AI 실수 시 즉시 롤백 가능
• worktree/branch로 AI 실험 분리

👉 Git은 AI 시대의 생명줄

---

8️⃣ AI 행동을 규칙과 예제로 길들여라

• CLAUDE.md / GEMINI.md 같은 AI 전용 룰 파일 운영
• 코딩 스타일, 금지 패턴, 선호 구조 명시
• “불확실하면 질문하라” 같은 규칙은 환각을 크게 줄임

👉 AI도 온보딩이 필요하다

---

9️⃣ 테스트·CI·자동화는 AI의 성능을 배가시킨다

• 테스트 실패 로그를 그대로 AI에 전달 → 수정 루프 자동화
• 린터, 타입체커는 AI의 행동을 교정하는 가이드 역할

👉 자동화가 없으면 AI 생산성은 반쪽짜리

---

🔟 AI는 실력을 대체하지 않고 증폭시킨다

• 기본기가 있는 개발자일수록 AI 효과가 크다
• 설계·판단·복잡성 관리 능력이 더 중요해짐
• 올바르게 쓰면 오히려 학습 속도가 빨라진다