AI가 코드를 대신 작성하는데,

개발자는 이제 무엇을 해야 할까요?

AI가 코드를 작성하고, 오류를 수정하고, 필요한 도구를 실행하는 시대입니다. 클로드 코드와 같은 AI 코딩 도구를 활용하면 이전보다 훨씬 빠르게 기능을 구현하고 서비스를 만들 수 있게 되었죠. 이제 AI는 개발자를 보조하는 도구를 넘어, 스스로 작업을 수행하는 '에이전트'로 진화하고 있습니다.

하지만 AI가 코드를 빠르게 작성한다고 해서 모든 문제가 해결되는 것은 아닙니다. 처음에는 잘 작동하던 코드가 프로젝트가 복잡해질수록 오류를 일으키기도 하고, 에이전트가 같은 실수를 반복하거나 예상하지 못한 행동을 하기도 합니다. 데모에서는 완벽해 보였던 AI 시스템이 실제 운영 환경에서는 쉽게 무너지는 일도 생깁니다.

이제 개발자에게는 AI를 잘 사용하는 능력뿐 아니라, AI가 어떤 일을 해야 하는지 판단하고, 작업을 수행할 환경을 설계하며, 결과를 검증하고 통제하는 역량이 필요합니다.

그렇다면 구체적으로 에이전트를 쓰는 개발자, 에이전트는 만드는 개발자는 무엇을 알아야 할까요?

이번 큐레이션에서는 AI 에이전트를 활용하고(USE), 직접 설계하고 구현하며(BUILD), 안정적으로 운영하는(RUN) 개발자를 위한 책 5권을 소개합니다.

AI와 함께하는 개발 방식을 개선하고 싶은 분부터 자신만의 에이전트를 구축하고 싶은 분, 실제 서비스에서 신뢰할 수 있는 AI 시스템을 만들고 싶은 분까지 자신의 목적에 맞는 책을 찾아보세요.

➀ USE | 클로드 코드를 실무에 쓰고 있다면

에이전틱 코딩 완성의 기술

김플립 지음 | 376쪽 | 초중급 | 28,000원

AI 코딩 도구를 사용하면 간단한 프로그램이나 웹페이지를 순식간에 만들 수 있습니다. 하지만 프로젝트가 복잡해질수록 상황은 달라집니다. AI가 이전 작업의 맥락을 잊어버리거나, 같은 오류를 반복하고, 새로운 기능을 추가하면서 기존 코드를 망가뜨리는 일이 발생하죠. 이럴 때 우리는 더 좋은 프롬프트를 작성하거나 다른 모델을 사용하는 방법부터 고민하곤 합니다.

그러나 문제는 모델의 성능보다 AI에게 일을 맡기는 방식에 있을 수 있습니다.

『에이전틱 코딩 완성의 기술』은 이러한 바이브 코딩의 한계를 짚어보고, AI 코딩을 끝까지 완성하기 위한 하네스 엔지니어링 기반의 개발 방법론을 소개합니다. AI가 수행할 작업을 미리 계획하고, 필요한 맥락을 유지하며, 결과를 검증하는 체계를 만드는 것이 핵심입니다.

책은 Why, How, Apply, Build의 네 단계로 구성되어 있습니다. AI 코딩의 한계를 이해하는 것부터 시작해 작업 계획과 분할, 테스트와 검증, 세션 관리 방법을 익힙니다. 이후 클로드 코드의 스킬, 서브에이전트, MCP, 훅 등의 기능을 활용하고, 실제 웹 서비스를 구현하고 배포하는 과정까지 다룹니다.

코드를 빠르게 생성하는 데서 그치지 않고, 유지보수와 확장까지 고려한 소프트웨어를 완성하고 싶은 개발자에게 추천합니다.

☑️ 주요 내용

바이브 코딩의 한계와 에이전틱 코딩이 필요한 이유
하네스 엔지니어링을 활용한 작업 계획, 맥락 관리, 작업 분할
AI의 작업 결과를 검증하는 피드백 루프와 E2E 테스트
클로드 코드의 스킬·서브에이전트·MCP·훅 활용
실제 웹 서비스 구현과 배포, 기존 코드 개선 및 기능 확장

하네스 엔지니어링 with 클로드 코드

황민호 지음 | 308쪽 | 초중급 | 30,000원

AI 에이전트가 혼자 코드를 작성하고, 수정하고, 검토까지 수행한다면 어떤 문제가 발생할까요? 하나의 에이전트가 모든 작업을 맡는 구조에서는 자신의 실수를 발견하지 못하거나 잘못된 판단을 그대로 이어갈 위험이 있습니다.

사람이 함께 일할 때 역할을 나누고 서로의 결과물을 검토하듯, AI 에이전트에게도 역할과 책임을 나누는 구조가 필요합니다.

『하네스 엔지니어링 with 클로드 코드』는 단일 에이전트의 한계를 넘어 여러 에이전트가 협업하는 '에이전트 팀'을 설계하고 운영하는 방법을 다룹니다.

여기서 중요한 개념이 바로 하네스 엔지니어링입니다. 하네스는 AI 모델 자체를 변경하는 대신 모델 바깥에 도구, 권한, 검증과 실행 환경을 설계하여 에이전트가 주어진 역할을 수행하도록 만드는 구조를 의미합니다.

책에서는 하네스를 구성하는 세 가지 핵심 요소인 에이전트, 스킬, 오케스트레이터의 역할을 구분하고, 이를 조합해 에이전트 팀을 구축하는 방법을 설명합니다. 또한 파이프라인, 허브 앤 스포크, 프로듀서-리뷰어 등 여섯 가지 아키텍처 패턴을 살펴보고, 코드 리뷰 자동화부터 풀스택 기능 구현, 레거시 마이그레이션, 디버깅까지 다양한 실전 사례를 다룹니다.

클로드 코드를 단순한 코딩 도구로 사용하는 단계를 넘어, 여러 에이전트가 스스로 역할을 나누고 협업하는 개발 환경을 구축하고 싶은 분에게 유용한 책입니다.

☑️ 주요 내용

단일 AI 에이전트의 구조적 한계와 하네스 엔지니어링의 필요성
에이전트·스킬·오케스트레이터의 역할과 책임 분리
메타스킬을 활용한 하네스 구성 자동화
여섯 가지 에이전트 팀 아키텍처 패턴과 선택 기준
코드 리뷰·풀스택 개발·레거시 마이그레이션·디버깅 자동화 팀 구축

➁ BUILD | AI 에이전트를 직접 설계·구현하고 싶다면

문제 해결을 위한 AI 에이전트 설계

이선협 지음 | 312쪽 | 중급 | 26,000원

AI 에이전트가 주목받으면서 많은 개발자가 새로운 프레임워크와 도구를 활용해 에이전트를 만드는 방법에 관심을 갖고 있습니다. 하지만 에이전트를 만들기 전에 먼저 생각해야 할 질문이 있습니다.

"지금 해결하려는 문제에 정말 AI 에이전트가 필요할까?"

모든 문제를 AI 에이전트로 해결할 필요는 없습니다. 어떤 문제는 기존의 규칙 기반 코드가 더 정확하고 효율적일 수 있고, 어떤 문제는 LLM의 유연한 판단이 필요할 수도 있습니다. 중요한 것은 도구를 먼저 선택하는 것이 아니라 문제의 특성을 이해하고 적절한 해결 방식을 결정하는 일입니다.

『문제 해결을 위한 AI 에이전트 설계』는 이러한 문제 중심의 접근법을 바탕으로 AI 에이전트의 설계 원리와 구현 방법을 설명합니다.

입력과 출력이 정형적인지, 정답이 결정되어 있는지 등을 기준으로 문제를 분석하고, 규칙 기반 소프트웨어와 LLM이 각각 어떤 역할을 맡아야 하는지 살펴봅니다.

이후 파이썬과 OpenAI API를 이용해 프레임워크 없이 에이전트를 직접 구현합니다. Queens 퍼즐 생성기, 텍스트 어드벤처 게임, 영어 회화 연습 에이전트, 자동 리서치 에이전트 등 다양한 예제를 통해 문제에 따라 에이전트의 구조가 어떻게 달라지는지 익힐 수 있습니다.

나아가 신뢰성, 비용, 보안, 평가, 메모리 관리, 멀티 에이전트, MCP까지 다루며 프로토타입을 실제 운영 가능한 수준으로 발전시키는 방법도 소개합니다.

단순히 특정 프레임워크의 사용법을 익히기보다, 문제에 맞는 AI 에이전트를 스스로 설계할 수 있는 판단력을 기르고 싶은 개발자에게 추천합니다.

☑️ 주요 내용

문제의 특성에 따른 AI 에이전트 도입 여부 판단
규칙 기반 코드와 LLM의 역할을 구분하는 설계 원칙
파이썬과 OpenAI API를 활용한 에이전트 직접 구현
퍼즐·게임·영어 회화·자동 리서치 에이전트 실습
에이전트의 신뢰성·비용·보안·평가 및 멀티 에이전트 확장

하네스 엔지니어링으로 완성하는 에이전틱 AI

고돈호 지음 | 420쪽 | 초중급 | 31,000원

AI 에이전트를 구현할 때 프롬프트를 잘 작성하는 것은 중요합니다. 하지만 아무리 정교한 프롬프트를 작성하더라도 에이전트가 같은 도구를 반복해서 호출하거나, 대화가 길어지면서 맥락을 잃거나, 외부 데이터에 포함된 잘못된 지시를 따르는 문제까지 모두 해결하기는 어렵습니다.

이러한 문제를 해결하려면 AI 모델의 응답에만 의존하는 것이 아니라, 모델이 동작하는 환경과 실행 과정을 코드로 통제하는 구조가 필요합니다.

『하네스 엔지니어링으로 완성하는 에이전틱 AI』는 에이전트의 핵심 동작 원리부터 실제 서비스에 활용할 수 있는 구현 기술까지 폭넓게 다루는 실습 중심의 책입니다.

먼저 에이전트의 기본 동작 방식인 ReAct 패턴을 프레임워크 없이 구현하며 도구 호출과 실행 흐름을 이해합니다. 이후 단기·장기 메모리, 컨텍스트 엔지니어링, RAG, LangGraph 기반 워크플로, 멀티 에이전트 오케스트레이션으로 확장해 나갑니다.

특히 실제 프로젝트를 통해 배운 내용을 적용할 수 있다는 점이 특징입니다. 시장 정보를 수집해 브리핑을 작성하는 에이전트, 스스로 오류를 수정하는 데이터 분석 에이전트, 주변 환경을 인식하고 물체를 움직이는 멀티모달 로봇까지 서로 다른 분야의 에이전트를 직접 구현합니다.

여기에 보안 가드레일, 로컬 모델 서빙, 배포, 관측성과 비용 모니터링 등 운영에 필요한 기술도 함께 다룹니다.

AI 에이전트의 원리를 코드 수준에서 이해하고, 다양한 실전 프로젝트를 통해 직접 구축하는 경험을 쌓고 싶은 개발자에게 적합합니다.

☑️ 주요 내용

ReAct 패턴과 도구 호출을 활용한 에이전트 구현
단기·장기 메모리와 컨텍스트 엔지니어링
RAG·LangGraph·멀티 에이전트 오케스트레이션
시장 브리핑·자기수정 데이터 분석·멀티모달 로봇 프로젝트
보안 가드레일, 로컬 모델 서빙, 배포 및 운영 모니터링

➂ RUN | AI 시스템을 안정적으로 운영하고 싶다면

AI 시스템 설계

이한울 지음 | 432쪽 | 중급 | 33,000원

AI 서비스를 개발하다 보면 데모에서는 잘 작동하던 기능이 실제 운영 환경에서 예상치 못한 문제를 일으키는 경우가 있습니다.

테스트할 때는 정확한 답변을 생성하던 AI가 실제 사용자에게는 엉뚱한 응답을 내놓기도 하고, 외부 도구나 데이터의 문제로 전체 서비스가 중단되기도 합니다. 같은 입력에도 다른 결과가 나오는 AI의 특성 때문에 기존 소프트웨어 테스트 방식만으로 품질을 보장하기도 어렵습니다.

그렇다면 AI 시스템의 신뢰성은 어떻게 확보할 수 있을까요?

『AI 시스템 설계』는 AI의 불확실성을 이해하고, 이를 평가하고 통제할 수 있는 시스템 구조를 설계하는 방법을 설명합니다.

책은 데모와 실제 운영 환경의 차이에서 출발합니다. AI 시스템에서 발생하는 실패를 모델 자체의 문제로만 바라보지 않고, 입력 처리부터 모델 호출, 출력 검증, 외부 도구, 운영 환경까지 전체 구조에서 원인을 찾아야 한다고 강조합니다.

또한 LLM 호출, RAG, AI 에이전트를 각각 독립적인 기능이 아닌 여러 구성 요소가 연결된 시스템으로 바라봅니다. 이를 통해 문제가 발생했을 때 실패 지점을 추적하고, 필요한 부분을 수정하거나 교체할 수 있는 아키텍처를 설계하는 방법을 익힐 수 있습니다.

특히 평가 주도 개발(EDD)을 통해 AI의 결과가 '정답인지'만 확인하는 것이 아니라 '충분히 좋은 결과인지' 판단할 기준을 먼저 정의하고, 평가 데이터를 바탕으로 반복적으로 검증하는 방법을 다룹니다. 여기에 가드레일과 관측 가능성, 운영 중 발견한 실패를 개선 과정에 반영하는 방법까지 연결합니다.

AI 기능을 구현하는 데서 한 걸음 더 나아가, 실제 서비스에서 지속적으로 검증하고 개선할 수 있는 AI 시스템을 설계하고 싶은 엔지니어에게 추천합니다.

☑️ 주요 내용

AI 데모와 실제 운영 환경 사이에서 발생하는 문제와 실패 원인
LLM·RAG·에이전트를 운영 가능한 시스템으로 설계하는 아키텍처
평가 주도 개발(EDD)과 평가 데이터 설계
가드레일과 관측 가능성을 활용한 시스템 신뢰성 확보
운영 중 발생한 실패를 분석하고 지속적으로 개선하는 방법

에이전트를 잘 쓰는 것에서, 제대로 작동하게 만드는 것으로

AI 에이전트는 개발자가 일하는 방식을 빠르게 바꾸고 있습니다. 이제 AI는 단순히 코드를 추천하거나 질문에 답변하는 것을 넘어, 개발자의 지시에 따라 여러 작업을 수행하고 다른 에이전트와 협업하기도 합니다.

하지만 AI가 더 많은 일을 할 수 있게 될수록 개발자가 판단하고 설계해야 할 문제도 함께 늘어납니다.

클로드 코드와 같은 도구를 활용할 때는 AI가 작업을 끝까지 완성할 수 있도록 개발 과정을 설계해야 합니다. 에이전트를 직접 만들 때는 어떤 문제에 AI의 판단이 필요하고 어디까지 코드로 통제할지 결정해야 하죠. 실제 서비스를 운영할 때는 에이전트가 예상치 못한 상황에서도 신뢰할 수 있는 결과를 내도록 평가와 검증 체계를 마련해야 합니다.

이번에 소개한 다섯 권은 각기 다른 관점에서 이러한 고민에 답합니다.

USE는 AI 코딩 도구를 더 체계적으로 활용하는 방법을, BUILD는 문제에 맞는 에이전트를 직접 설계하고 구현하는 방법을, RUN은 만든 AI 시스템을 안정적으로 운영하고 개선하는 방법을 다룹니다.

이 세 가지는 반드시 순서대로 거쳐야 하는 단계라기보다, 개발자가 현재 맡고 있는 역할과 해결하려는 문제에 따라 선택할 수 있는 학습 방향에 가깝습니다.

AI가 바꾸는 것은 코드를 작성하는 속도만이 아닙니다.

개발자가 문제를 정의하고, 해결 방법을 선택하고, 결과물의 품질을 책임지는 방식까지 달라지고 있습니다.

중요한 것은 AI에게 더 많은 작업을 맡기는 것보다, AI가 어떤 일을 해야 하고 어떻게 일해야 하는지를 설계할 수 있는 능력일지도 모릅니다.

이번에 소개한 다섯 권이 AI 에이전트를 실무에 활용하는 개발자부터 직접 만들고 운영하는 개발자까지, 변화하는 개발 환경에서 자신에게 필요한 역량을 발견하고 다음 단계로 나아가는 데 도움이 되길 바랍니다.

댓글