My COMPLETE Agentic Coding Workflow to Build Anything (No Fluff or Overengineering)

영상 링크: My COMPLETE Agentic Coding Workflow to Build Anything (No Fluff or Overengineering)
채널명: Cole Medin

완전한 에이전틱 코딩 워크플로우: 쉽고 확장가능한 프레임워크로 무엇이든 빠르게 개발하기 핵심 요약

• 본 영상은 AI 코딩 에이전트를 활용한 그린필드(신규) 프로젝트 개발을 위한 초간단 프레임워크 소개에 집중함
• 과도하게 복잡한 다중 에이전트 시스템 대신, 누구나 바로 적용하고 지속적으로 진화시킬 수 있는 간단하고 실용적인 워크플로우를 제시함
• 이 프레임워크의 핵심 절차는 AI 레이어(레이어별 명확한 구조 세팅), PRD(제품 요구사항 정의서) 작성, 글로벌 룰 생성, 단계별 작업(PIV 루프) 실행임
• PRD, 글로벌 룰, 명령어(커맨드) 등을 도입해 코드 에이전트가 가정하지 않고 명확하게 일관된 결과를 낼 수 있게 설계
• Claude Code(클로드 코드), Aquavo, Whisper 등 다양한 AI 코딩 및 음성-텍스트 변환 툴이 실전 예시로 활용됨
• 프로젝트 기획 단계에서 ‘질문 생성’ 기능을 통해 수십 개 세부사항을 사전에 합의하여 코드 오류 가능성을 최소화
• 리서치/분석은 서브 에이전트(보조 에이전트)로 분리해 메인 에이전트의 컨텍스트(문맥) 리소스를 효율적으로 관리
• 반복적 작업은 모두 명령어(커맨드)로 추상화해 재사용성을 높이고, 시스템 진화를 위해 코딩과정·테스트·규칙도 점진적으로 발전시킴
• git 커밋 로그를 장기 메모리(Long-term memory)로 활용해 프로젝트 맥락 추적 및 후속 작업에 반영
• QA Tech 등 외부 플랫폼의 AI 테스트 에이전트 활용을 예시로 소개하며, 회귀 테스트(Regression Test) 및 시스템 자동화를 강조
• 전체 진행 과정에서 컨텍스트(문맥) 관리, 커맨드 중심화, 테스트 및 검증 프로세스, 시스템 진화적 사고방식 등 4가지 ‘골든룰’을 지속적으로 강조
• 영상 끝에서는 문제 발생시 AI 레이어(규칙, 명령어, 온디맨드 레퍼런스 문서 등)를 반드시 개선·진화시키는 ‘시스템 진화적 마인드셋’의 중요성을 강조

세부 요약 - 주제별 정리

단순하고 확장가능한 에이전틱 코딩 프레임워크만이 실무에서 빠르게 통한다

• 기존 GitHub 등에서 공유되는 다중 에이전트 기반 복잡한 프레임워크(예: BMAD, GitHub spec kit)는 학습 비용이 높고 실용적으로 꾸준히 발전시키기 어려움
• 실무에서는 나만의 간단한 프레임워크를 시작점으로 잡아야 하며, 새로운 프로젝트마다 복잡한 구조보다 핵심 요소만 세팅하는 것이 빠름
• 본 영상에서 소개하는 프레임워크는 프로젝트 기획/실행의 모든 과정에 적용할 수 있도록 범용적인 설계를 가짐
• 브라운필드(기존 시스템 확장) 개발은 별도 영상에서 다루기로 예고되어 있음

AI 레이어는 프로젝트 명세, 규칙, 보조 에이전트, 명령어를 포괄하는 핵심 구조임

• AI 레이어란: 프로젝트 내에서 코딩 에이전트가 참고해야 할 모든 문맥(맥락) 자산(예: PRD, 글로벌 규칙, 명령어, 커스텀 레퍼런스 등)을 모아 정리한 구조
• 초기에 여러 프로젝트에 재사용 가능한 ‘기본 명령어셋’을 만들고, 이후 프로젝트별로 점진적으로 발전시키는 것이 권장됨
• AI 레이어 안에:
  • PRD(제품요구사항 문서)
  • 글로벌 룰(규칙 및 제약사항)
  • 사용 빈도가 높은 커맨드/스킬
  • 보조 에이전트(서브 에이전트) 작동 방식
  • 온디맨드 참고자료(프론트엔드 가이드, API 문서 등, 상황별 추가 로딩)
• 이 구조를 간결하게 만들어 프로젝트, 업무스타일에 맞게 손쉽게 발전·확장 가능함

PRD(제품 요구사항 정의서)는 계획과 커뮤니케이션의 토대라 최우선으로 작성해야 한다

• 처음에는 자유로운 대화 또는 음성 브레인덤프로 아이디어와 T/E/S(Tech Stack, Expected features, Suggestions 등)를 공유
• Speech-to-Text 툴(예: Aquavo, Whisper) 활용: 말로 빠르게 브레인덤프 가능(226 WPM 이상의 효율)
• 클로드 코드의 ‘질문하기’(ask user question) 툴을 사용하여 AI가 스스로 다각도에서 질문을 제시(1회 20~25개, 객관식+주관식 혼합)
• 이러한 Q&A 단계는 코딩 에이전트의 가정을 최소화하고, 실질적인 개발 오류를 예방하는 중요한 절차임
• PRD에는:
  • MVP 범위
  • 구현/비구현 요소(Out-of-scope)
  • 디렉터리 구조, 기술스택, 아키텍처 기초, 단계별 구현계획(Phases) 등 구체적 내용 필수
• PRD 생성 시 자체 커맨드(/create PRD)로 반복 가능하고, 지속적으로 커스터마이즈 가능

서브 에이전트(보조 에이전트)로 리서치/탐색 업무를 분리해 컨텍스트 리소스를 효율적으로 분산시킬 수 있다

• 리서치, 코드베이스 분석, 웹 탐색 등 대량의 토큰(중요 문맥 자원)이 소모되는 업무는 반드시 별도의 서브 에이전트에 분리 위임(컨텍스트 절약)
• 클로드 코드 등 최신 코딩 에이전트는 내장된 탐색/리서치 보조 에이전트 기능 제공
• 결과 요약(summary)만 메인 에이전트에 전달, 주된 컨텍스트를 깔끔하게 유지
• 반대로 실제 코드 구현(Implementation)은 메인 에이전트가 기존 문맥을 충분히 유지한 채로 수행하도록 하는 것이 권장됨

글로벌 룰(Global Rule)은 모든 구현 과정의 기준이 되는 일관된 제약과 컨벤션을 제공한다

• 글로벌 룰 파일(agents.mmd 등)은 코드베이스 전반에서 항상 지켜야 할 규칙, 빌드/테스트/로깅 방법, 네이밍 컨벤션, 프로젝트 구조, 인증/보안 전략 등을 명확히 기록
• ‘명령어화(Commandify)’ 원칙을 적용해 규칙 생성/갱신을 언제나 커맨드로 구현(/create rules 등)
• 온디맨드 레퍼런스 파일의 progressive disclosure 구조화: 프론트엔드, API 등 각 부분 별 필요한 시점에만 별도 문서를 추가해 문맥 리소스의 효율성 극대화

명령어(커맨드) 기반 워크플로우로 반복작업을 자동화하고 확장성 및 일관성을 확보할 수 있다

• 자주 반복하는 모든 작업(예: PRD 작성, 규칙 생성, 특성 구현 설계, 구현 실행, 커밋 등)은 커맨드(/create PRD, /plan feature, /execute, /commit)로 모듈화
• 커맨드/스킬 구분:
  • 커맨드: 사용자가 직접 실행하는 명령(/commit)
  • 스킬: 에이전트가 필요시 참고하는 기능(문서 분석 등)
• 커맨드 템플릿을 만들어 구조화된 문서 및 결과물 반복 생성 → 워크플로우가 일관되고 학습 효율이 높아짐

Prime 커맨드로 에이전트가 항상 최신 코드베이스와 업무 맥락을 스스로 파악하도록 유도한다

• 신세션 시작마다 /prime 커맨드로 코드베이스 탐색, 문서화 확인, 최근 커밋 로그 분석, 주요 엔트리포인트 파악 등 자동수행
• git 로그를 ‘장기 메모리’로 삼아 지속적인 프로젝트 진행상황 및 의도 파악 용도로 활용
• 필요에 따라 중점 확인사항(예: 데이터베이스 스키마 마이그레이션) 직접 지정 가능 → 세심하고 유연한 맥락 관리

PIV(Plan-Implement-Validate) 루프로 단계별 세분화된 개발과 강력한 품질관리를 실현한다

• PIV 루프: Plan(설계) → Implement(구현) → Validate(검증) 순환 프로세스로 작업을 체계적, 반복적으로 분할·실행
• 각 루프는 PRD상의 ‘단계 단위’로 세분화, 세부 설계 단계마다 기능정의, 문서/참고자료, 세부 작업 리스트, 검증 전략을 명확히 수립
• 실제 코딩은 에이전트에 완전히 위임(Trust but verify), 검증·테스트 및 코드리뷰는 사용자가 반드시 추가로 독립실행
• 컨텍스트 리셋 원칙: 방대한 대화·브레인덤프 후, 최종 계획서만 다음 단계에 문맥으로 넘겨 실행 효율과 오류 최소화

AI에게 위임된 구현 결과물은 수동 검증(코드리뷰/테스트)로 신뢰도를 높인다

• 실전 예시: Linktree 스타일의 링크 바이오 페이지빌더 앱을 AI 에이전트로 구현
• 구현 후 단위테스트, 통합테스트, E2E(엔드투엔드) 테스트, 브라우저 자동화(Versell Agent Browser CLI 활용) 등 다층 검증 전략 적용
• 직접 애플리케이션 구동 및 계정 생성, 링크 추가/편집, UI/UX 확인, 저장/재접속 테스트 등 사용 시나리오도 상세히 점검
• 커맨드(/commit)를 통한 커밋 로그화, 표준화된 메시지 형식으로 장기적 흐름 유지

회귀 테스트(Regression Test)는 QA Tech 등 자동화 툴/에이전트로 쉽게 구축·확장할 수 있다

• 각 PIV 루프 이후 누적되는 기능이 유지되는지 반복검증 필요 → 반복수행 가능한 테스트 명령 작성 권장
• 전문 플랫폼(QA Tech) 활용 시:
  • 사이트 URL 추가만으로 독립적 AI 테스트 에이전트가 사이트 크롤링, 자동 로그인, 시나리오별 테스트케이스 즉시 생성
  • 테스트 케이스가 코드베이스와 함께 진화하며 자동으로 범위가 확장됨
• 기존 기능 유지와 신규 버그 방지 모두를 효율적으로 달성

지속적 시스템 진화(System Evolution) 마인드를 적용해 AI 워크플로우와 코드 품질을 함께 개선해야 한다

• 버그나 의도 불일치(예: 스타일 가이드 미흡) 발생 시, 즉시 AI 레이어(규칙/레퍼런스/온디맨드 문서)에 내용 보완 → 누적 시행착오 감소
• 클로드 코드에 ‘meta reasoning’ 지시: 버그 원인·개선 방안 가이드만 요청, 실제 AI 레이어 변경은 직접 관리로 통제력 강화
• 규칙 강화, 참고 문서 추가, 테스트 명령 보완 등 세심한 진화를 반복하여, ‘더 빠르고 신뢰성 있는’ 에이전트 기반 개발 환경 완성
• 코딩, 테스트, AI 시스템의 세 고리를 동시에 성장시켜 시간이 흐를수록 복리효과(Compound Effect)로 신뢰성과 생산성이 비약적으로 상승