영상 링크: Backlog.md: Terminal Kanban Board for Managing Tasks with AI Agents — Alex Gavrilescu, Funstage
채널명: AI Engineer
터미널에서 AI 에이전트와 인간이 함께 사용하는 칸반 보드 Backlog.md 소개 핵심 요약
- 영상 제목은 “Backlog.md: 터미널에서 AI 에이전트와 함께 사용하는 칸반 작업 보드”로, AI 에이전트와 사람이 함께 활용할 수 있는 오픈소스 프로젝트 관리 툴인 Backlog.md를 소개함
- 사용자가 대규모 기능을 작은 마크다운 태스크 단위로 나누어, 복잡한 프로젝트와 AI의 컨텍스트 윈도우 문제를 극복할 수 있음을 강조
- Backlog.md는 터미널 내에서 칸반 보드(할 일, 진행 중, 완료됨 등)를 제공하며, 각 태스크의 상세 정보, 설명, 수용 기준 등을 즉시 조회하는 기능을 지원
- 태스크는 마크다운 파일로 저장되며, 메타데이터, 설명, 수용 기준, 구현 계획 등이 포함되어 있어 프로젝트 명확성과 버전관리에 효과적임
- 태스크를 상태별 컬럼에서 이동하거나 순서를 변경할 수 있는 키보드 인터페이스(M키 등)가 포함되어 있음
- AI 에이전트(예: Claude, Gemini 등)는 ‘워크플로우’, ‘태스크 생성/수행 가이드’ 등 리소스를 참고해 자동으로 태스크 생성, 구현 계획 수립, 코드 구현까지 실행
- 개발 과정마다 3단계 리뷰(태스크 생성, 구현 계획, 코드 완료)로, 사람이 AI의 의도를 이해했는지와 올바른 방향성을 직접 점검 가능
- 마크다운 단위의 ‘작은 작업’ 중심 컨텍스트 엔지니어링으로 AI가 무분별한 범위 확장을 방지, 문제 발생 시 쉽게 롤백 및 사양 재정의 가능함
- Git 기반 관리로 병렬 개발 및 팀 전체 동기화가 수월하며, 별도 API, DB 없이 오픈소스로 누구나 쉽게 도입 가능
- 전체 코드의 99%는 AI 에이전트가 작성하였으며, Backlog.md는 터미널/웹 인터페이스와 MCP(에이전트용 네이티브 인터페이스) 제공
세부 요약 - 주제별 정리
AI가 의도와 다르게 동작하거나 컨텍스트 윈도우가 초과되는 문제를 Backlog.md로 해결할 수 있음을 강조함
- 대규모 태스크를 AI에게 맡길 때, 장시간 작업 후 잘못된 방향으로 나아가거나 컨텍스트 윈도우가 초과되는 문제가 자주 발생함
- 이를 해결하기 위해 프로젝트 내 큰 기능을 보다 작은 마크다운 태스크 단위로 분할하는 워크플로우를 직접 개발하게 됨
- 작은 단위로 쪼갠 태스크별로 작업 범위를 명확하게 정의하면, AI가 과도한 작업을 하거나 의도와 다른 결과물을 내는 것을 사전에 방지할 수 있음
Backlog.md는 터미널 내에서 칸반 보드를 제공하며 태스크 상세 관리 기능을 지원함
- 기존에는 터미널 기반 칸반 보드를 찾을 수 없어 스스로 개발하게 되었음
- 터미널 화면에서 할 일(To Do), 진행 중(In Progress), 완료(Done) 컬럼이 나뉘어진 칸반 보드가 제공됨
- 각 태스크의 제목, 상세 설명, 수용 기준(acceptance criteria) 등 상세 메타정보를 실시간으로 확인 가능
- 완료된 태스크에는 구현 노트, 이슈 등도 함께 기록 가능함
키보드 기반 태스크 상태/순서 이동 기능으로 생산성과 직관성을 강화함
- 태스크를 상태(예: 할 일→진행 중, 진행 중→완료)별로 이동시키거나, 동일 컬럼 내에서 순서를 재정렬할 수 있는 기능을 강조함
- 예시: ‘M’ 키로 이동 모드를 켜고, 방향키로 태스크를 이동·재정렬, Enter나 M으로 커밋, Esc로 취소 가능
- 사용자에게 이러한 인터페이스 방법을 푸터 등으로 직관적으로 안내함
태스크 생성부터 구현까지의 흐름을 AI가 백로그 워크플로우에 따라 수행함
- 새로운 태스크 기능 추가를 위해 요구사항을 명확히 정의하는 것이 먼저임 (인간과 AI 모두에게 중요)
- AI 에이전트(영상에서는 Claude)는 프로젝트에 온보딩하듯, backlog 사용법과 기존 태스크 구조를 학습
- 그 후 새 태스크 생성(메타정보, 설명, 수용 기준 등)부터 구현 계획 작성까지 순차적으로 진행
- 태스크는 마크다운 파일로 저장되고, 프론트매터(메타데이터+ID/제목/레이블 등), 설명, 수용 기준 등 정보 구조를 갖춤
AI의 태스크 설계·이해도를 수용 기준 및 구현 계획 단계에서 명확히 검증할 수 있음
- 태스크의 수용 기준(acceptance criteria)은 구체적, 검증 가능, 테스트할 수 있어야 하며, 이 단계가 1차 리뷰 포인트
- AI가 올바르게 태스크 목적과 범위를 이해했는지, 인간이 직접 확인할 수 있음
- 이후 구현 계획 단계(아키텍처, 수정 파일 목록, 구체적 절차 등)를 AI가 상세히 작성함
- 이때가 2차 리뷰 포인트로, 인간 개발자가 AI 작업방향을 자세히 점검할 수 있음
Backlog.md가 AI 에이전트용 MCP 리소스를 통해 지능적으로 워크플로우를 안내함
- Backlog.md 서버는 MCP(Multi-Channel Protocol) 서버를 통해 AI에 ‘리소스’(워크플로우, 태스크 생성/수행/완료 가이드 등)를 제공함
- WorkFlow Overview로 backlog의 이용 목적과 단계별 리소스 제공
- 태스크 생성 가이드(필수/옵션 필드, 생성 방식), 태스크 수행 가이드(작업 상태 전환, 담당자 할당), 완료 및 Done 정의 가이드(수용기준 검증 등) 단계로 세분화
- MCP Tools로 AI가 backlog 명령어(검색/조회/생성/갱신 등)를 네이티브하게 실행 가능하도록 지원
구현 단계에서도 AI가 수용 기준, 구현 계획을 바탕으로 실제 코드를 작성함
- Claude, Gemini, Kuso 등의 AI 에이전트는 태스크 설명·수용 기준·구현 계획을 읽고 개발을 수행함
- 개발 완료 후 태스크를 완료(Done) 상태로 전환(수용 기준 충족 시)
- 다중 에이전트 및 인간 간 협업 시, 간단히 “Claude, 태스크 316 구현해줘”처럼 지시하면 AI가 명령 실행 및 코드 작성
코드 검토/회귀분기 용이성을 위해 컨텍스트 관리 및 마크다운 단위의 작은 태스크 설계 방식을 택함
- 태스크별 마크다운 파일 관리로 컨텍스트 엔지니어링이 가능해져, AI가 한 번에 처리해야 할 데이터 범위를 효율적으로 관리
- 사양 변경, 작업 취소(롤백), 수용 기준 재정의 등이 간단하며, 여러 작업을 병렬로 Git 브랜치 작업 가능
- 체계적 리뷰(태스크 생성→구현 계획→코드)에 따라, 사람이 AI가 올바른 방향으로 일하는지 확인
- 단위 테스트 패턴과 연계하여, 수용 기준별 완료 검증 가능
Backlog.md는 오픈소스 MIT 라이선스 CLI/웹툴로, 설치와 협업·동기화가 매우 간편함
- CLI(터미널), Web 인터페이스 모두 제공하며, 클라우드/서버 없는 환경에서 바로 사용 가능
- 별도 API/DB/외부 계정 불필요, Git 리포지토리에 마크다운 태스크 파일만 저장하면 전 팀원이 실시간 동기화 가능
- 작업 브랜치가 달라도 백로그가 상태를 체크해 충돌/변경사항을 모두 동기화함
MCP 기반 인터페이스가 AI 및 레거시 CLI 에이전트를 모두 지원함을 밝힘
- MCP는 AI에이전트용 네이티브 인터페이스로 최적화되어 있으며, 구세대 AI(레거시)도 CLI 명령어로 연동 가능
- Windows, macOS, Linux 등 주요 운영체제에서 즉시 호환 사용 가능
프로젝트 코드의 99%를 AI 에이전트가 직접 작성한 사례로, AI 활용 역량을 실증함
- Backlog.md 전체 코드 중, 안내문서 및 최초 3개 태스크만 인간이 작성했으며, 나머지 99%는 AI 에이전트가 생산
- 사용자는 backlog.mmd 웹페이지에서 실습하거나, 직접 문의하여 온보딩을 지원받을 수 있음