AWS가 공개한 AI-DLC가 코딩 에이전트에 구조화된 개발 워크플로를 입힌다

Hacker News어제

AI 코딩 도구가 프로젝트 규모가 커지면서 앞뒤 맥락을 놓치는 문제를 겨냥한 워크플로 프레임워크가 나왔다. AWS Labs가 GitHub에 공개한 AI-DLC(AI-Driven Development Life Cycle)는 AI 코딩 에이전트를 구조화되고 검증 가능한 소프트웨어 전달 절차 위에서 움직이게 하는 규칙 묶음이다. 특정 도구에 종속되지 않는 코어 하나를 두고, 여러 에이전트 하네스에서 동일한 방식으로 돌아가게 만든 것이 핵심이다.

지원 범위는 Claude Code, Kiro CLI, Kiro IDE, Codex CLI, Cursor, opencode, GitHub Copilot CLI까지 넓다. 설치는 셸 스크립트 한 줄 또는 PowerShell 명령 한 줄이면 끝난다. 설치 프로그램이 네이티브 aidlc 명령과 각 하네스 런타임을 함께 세팅하며, Bun이나 Node.js를 따로 깔 필요는 없다. Windows에서는 현재 계정 기준으로 설치되고 bin 디렉터리가 사용자 PATH에 자동 등록된다. 관리자 권한으로 연 PowerShell에서는 경고와 확인 프롬프트가 뜨는데, 관리자 설치가 더 안전하지 않다는 판단 때문이다. 프로젝트 파일을 직접 관리하고 싶거나 네이티브 실행 파일을 쓸 수 없는 환경이라면 수동 복사 경로를 쓰면 되고, 이 경우에만 Bun이 필요하다.

프로젝트 루트에서 하네스를 지정해 설정을 마친 뒤 작업을 자연어로 설명하면 된다. 예컨대 재고 관리용 REST API를 만들어 달라고 요청하면 AI-DLC가 요청을 보고 알맞은 워크플로를 골라, 빠진 결정 사항을 되묻고, 승인 게이트에서 멈춰 사람의 확인을 기다린다. 명령 접두사는 하네스마다 조금씩 다르다. 일반적으로 /aidlc를 쓰지만 Codex CLI는 $aidlc를, Kiro IDE는 채팅 패널의 에이전트 피커에서 aidlc를 먼저 고르는 방식을 쓴다.

방법론 자체의 골격은 숫자로 드러난다. 초기화부터 운영까지 5개 단계와 33개 스테이지, 14개 에이전트(도메인 전문가 11개, 리뷰어 2개, 적응형 컴포저 1개), 기능 개발·버그 수정·인프라·보안·개념 검증(PoC)·엔터프라이즈 전달 등을 아우르는 11개 워크플로 프로필로 구성된다. 사람의 승인 게이트와 출처에 묶인 리뷰 근거, 119개 이벤트 감사 추적, 지속 상태와 팀 지식, 학습된 규칙이 함께 따라붙는다. 같은 결정론적 엔진이 지원하는 모든 하네스에서 동일하게 동작한다는 점이 이 설계의 요지다.

버전 요구사항도 명시돼 있다. Kiro IDE는 1.1.70 이상, Kiro CLI는 2.24.1 이상(v3)이 필요하고, GitHub Copilot CLI는 1.0.74 이상 또는 VS Code 1.130 이상이어야 한다. Kiro CLI 2.24.1 이상에서 v3 엔진을 쓰려면 kiro-ide 설정을 선택해 엔진을 고정하는 편이 좋다. 모델 제공자 설정은 하네스 쪽 몫이며, 프로젝트에 실려 나가는 설정은 사용자가 이미 고른 제공자와 모델을 유지한다. 추론 성능이 좋은 모델과 함께 쓸 때 가장 잘 맞물리고, 현재 권장 모델로는 Claude Opus 4.8이 제시된다.

배경에는 즉흥적인 AI 코딩이 프로젝트가 자라면서 요구사항과 결정, 구현, 테스트, 운영 작업 사이의 연결을 끊어버린다는 문제의식이 있다. AI-DLC는 이 연결을 하나의 흐름 안에 붙잡아 두려는 시도다. 저장소 구조도 이런 의도를 반영해 코어 방법론과 엔진, 하네스별 얇은 매니페스트, 선택적 플러그인, 패키징·설치 스크립트, 테스트, 문서를 나눠 둔다. 코어에는 94개의 aidlc-*.ts 엔진·저작 도구가 들어 있고, 개발자는 core/나 harness/<name>/을 고치되 생성된 dist 출력은 건드리지 않는 규칙을 따른다. 하네스 생성과 결정론 검사, CI 테스트, 릴리스 승인 테스트는 각각 별도 스크립트로 제공된다.

실무에서 달라지는 지점은 통제 가능성이다. 에이전트가 마음대로 코드를 쏟아내는 대신 정해진 단계와 승인 지점을 지나가고, 어떤 결정이 언제 내려졌는지 감사 기록으로 남는다. 팀 단위로 지식을 축적하고 규칙을 학습시킬 수 있다는 점도 여러 사람이 같은 저장소에서 에이전트를 돌리는 조직에 유효하다. 워크플로 프로필을 비교해 Classic, Express, 특화 워크플로 중에서 고르는 방식이므로, 작업 성격에 따라 무게를 조절할 수 있다.

주의할 전제도 분명하다. 생성형 AI는 실수할 수 있으므로 결과물과 비용을 확인한 뒤에 실행에 옮기라는 안내가 붙고, AWS 책임 있는 AI 정책을 참고하도록 안내한다. Kiro IDE의 자체 터미널에서 아직 신뢰하지 않은 프로젝트 폴더를 열면 신뢰 여부를 먼저 묻는데, 신뢰를 허용하면 그 폴더의 .kiro 훅이 로컬에서 명령을 실행할 수 있으므로 직접 만든 프로젝트나 검토를 마친 폴더에만 허용해야 한다. 문제가 생기면 프로젝트 루트에서 aidlc doctor를 돌려 진단하는 것이 첫 단계다.