대규모 언어 모델은 강력하지만 지속적인 메모리 부족으로 인해 반복적인 지시가 필요합니다. 이는 제안만 하는 것이 아니라 자율적으로 작업을 수행할 수 있는 에이전트형 AI의 개발로 이어졌습니다. 저자는 초기 GitLab AI 기능을 탐색한 후 OpenCode와 같은 더 유능한 에이전트형 도구로 전환했습니다. AI 어시스턴트를 효과적으로 사용하는 핵심은 특정 엔지니어링 직관과 명확한 지침으로 안내하는 것입니다. 최적화된 AI 워크플로는 작업을 우선순위로 지정하고, 빠른 컨텍스트 로딩을 허용하며, 여러 프로젝트에서 병렬 작업을 가능하게 합니다. 반복적인 작업은 일관된 실행을 위해 문서화된 절차를 통해 자동화할 수 있습니다. 토큰 효율성은 LLM에만 의존하는 대신 데이터 수집을 위한 최적화된 도구를 사용하여 달성하는 것이 중요합니다. 인간의 감독 하에 AI가 작업을 실행하는 능동적인 위임은 핵심 패턴입니다. AI에 대한 모호한 지시는 비효과적이며, 신뢰할 수 있는 결과를 얻으려면 정확하고 세밀한 지시가 필요합니다. AI 세션이 서로 간섭하는 것을 방지하기 위해 worktrees 및 메모리 시스템과 같은 조정 기본 요소가 필수적입니다. 새로운 솔루션을 구축하기 전에 기존 솔루션을 탐색해야 하며, 재발명보다 기여하는 것이 종종 선호됩니다. 관련 메모가 자동으로 표시되는 능동적인 컨텍스트 주입은 AI 효율성을 크게 향상시킵니다. 능동적 회상에서 수동적 회상으로의 전환은 AI가 명시적인 프롬프트 없이도 요구 사항을 예측하고 컨텍스트를 제공할 수 있도록 합니다. 부트 게이트 및 반복적인 개선은 AI 성능을 향상시키는 데 중요하며, AI가 일시 중지하고 중요한 지침을 로드하도록 보장합니다.