어떤 코딩 에이전트를 사용하시든, 예를 들어 CloudCode처럼, 그리고 어떤 용도로 사용하시든,00:00

아마 활용하지 못하고 있을 가능성이 높은 엄청난 양의 데이터가 숨겨져 있습니다.00:04

그리고 이 영상에서는, 이걸 이용해서 저희 코딩 에이전트들을 시간이 지날수록 점점 더 좋게 만들 수 있는 방법을 보여드리겠습니다.00:09

그리고 사실 그렇게 많은 노력을 필요로 하지 않습니다. 제가 말씀드리는 데이터는 바로...00:15

사용하시는 코딩 에이전트와의 대화 내용 그대로 저장된다고 생각하시면 됩니다.00:19

어떤 코딩 에이전트를 사용하시든, 모든 대화가 컴퓨터에 파일로 저장됩니다.00:23

클라우드코드를 사용하시면 이 파일들은 JSON-L 형식으로 저장됩니다.00:29

혹시 알고 계시는지 모르겠지만, 여러분의 코딩 에이전트는 이미 이러한 파일들을 살펴봤을 가능성이 높습니다.00:33

어떤 종류의 기억 시스템을 설정해 두셨더라도, 과거 대화에 대해 질문하면 이 파일들을 살펴보려는 경향이 있는 것 같아요.00:38

정보가 풍부하기 때문입니다. 이 영상의 핵심은 바로 이러한 정보들을 활용하는 것입니다.00:44

그리고 어떻게 그렇게 하는지 설명드리겠습니다. 그런데 이 문제점은...00:50

이 파일들이 정보가 너무 풍부해서 다소 압도적이라는 점입니다.00:55

혹시 이 파일을 전에 보셨더라도, 아마 스크롤하다가 '이걸 뭘 이용해서 쓸 수 있지?'라고 생각하셨을 거예요.00:59

바로 그거 제가 지금 보여드리려고 합니다. 왜냐하면 이 멋진 파일들을 활용해서 수백 개의...01:06

혹은 코딩 에이전트와의 수천 건의 이전 대화 기록을 담고 있습니다.01:12

각각의 파일에는 저희가 보낸 모든 프롬프트가 포함되어 있습니다.01:16

사용된 모든 도구나 MCP 서버 코딩 에이전트가 사용했던 생각까지 모두 확인할 수 있습니다.01:21

그래서 그 모든 것을 추출해서 좋은 부분만 골라 어떤 구조화된 표에 담을 수도 있습니다.01:25

그리고 그런 다음, 저희 코딩 에이전트를 개선할 수 있는 기회를 파악하는 것처럼 인사이트를 추출하기 시작할 수 있습니다.01:30

토큰 효율성을 높이거나 일반적인 실패 사례를 파악하여 규칙 변경을 통해 해결할 수도 있습니다.01:35

또는 저희의 역량, 상상력이 다양한 방법으로 마음껏 펼쳐질 수 있습니다. 저희가 할 수 있는 것들을 생각해 볼 때요.01:40

물론 저희 코딩 에이전트를 활용해서 그렇게 할 수 있도록 도와줄 수도 있고요.01:45

제가 보여드릴 내용은 정말 쉽게 접근할 수 있는 부분이에요. 왜냐하면 제가 보여드릴 과정에 필요한 입력은01:50

이미 코딩 에이전트와 나누었던 대화 내용으로, 사용자님의 기기에 저장되어 있는 것들이거든요.01:54

그 외에는 아무것도 없습니다. 그리고 이 과정을 통해 얻는 것은 코딩 에이전트를 개선할 수 있는 통찰력입니다.01:59

그래서 저희는 AI 코딩 어시스턴트가 과거의 실수를 학습하여 더욱 효율적이고 신뢰성 있게 만들고 있습니다.02:03

이 과정을 제대로 작동하게 하려면, 저희의 기록을 영구적으로 보관할 수 있는 장소가 필요합니다.02:10

그렇지 않으면 CloudCode는 기본적으로 30일 후에 해당 기록들을 삭제해 버립니다.02:16

그리고 구조화를 위해서 데이터베이스도 필요합니다. 방금 보셨듯이,02:20

JSON-L 파일들은 정말 지저분하고, 다른 코딩 에이전트에게도 도움이 되지 않습니다.02:23

그래서 필요한 정보를 얻기 위해 구조화된 테이블로 분리할 수 있는 데이터베이스를 가지는 것이 중요합니다. 여기에는 세션 정보가 포함됩니다.02:28

여기에는 에이전트가 여러 대화를 통해 수행한 모든 도구 호출 기록과 다양한 에이전트 턴 정보도 있습니다.02:35

여기 제가 자주 사용하는 Databricks라는 플랫폼에서 어떻게 설정하는지 보여드리겠습니다.02:40

제가 이 영상에서 보여드릴 모든 것에 대해 가장 좋아하는 무료 솔루션입니다.02:45

하지만 물론 다양한 방법으로 대화에서 데이터를 추출하고 이러한 통찰력을 얻을 수 있습니다.02:49

이것은 제가 가장 효과적이었던 방식일 뿐입니다. 자, 그럼 가장 쉽게 이 작업을 완료하는 방법을 시작해 보겠습니다.02:55

지금 보여드릴 방식이 가장 좋은 방법은 아니지만, 구조화된 테이블을 사용한 과정을 보여드리고 싶어서 말씀드리는 거예요. 하지만 간단하게 시작하고 싶으시다면,03:00

이렇게만 하시면 돼요. 코딩 에이전트에 들어가셔서 몇 문장 정도 입력하시면 됩니다.03:07

과거의 대화 내용을 자세히 분석해서 코딩 에이전트를 더욱 효율적이고 안정적으로 만들 수 있는 기회를 찾아주세요.03:11

그리고 나서 제가 원하는 것은 상위 10가지 개선 사항을 제안해 주시는 것입니다.03:16

간결한 글머리 기호 목록으로 정리해 주세요. 물론 제가 제시하는 방식대로 프롬프트를 작성하실 필요는 없지만, 혹시 모르니 이렇게 추가하고 싶습니다.03:21

특히 Opus 5.5 이전에는 추천 사항을 계속해서 쏟아내지 않도록 하기 위해서입니다.03:27

오푸스 5 같은 경우에는 정말 중요하지 않은 수많은 것들을 제시할 거예요.03:33

그래서 제가 출력되는 내용을 최대한 제한하려고 합니다.03:37

시작하려면 이것만 있으면 됩니다. 정말 간단하고요, 제가 코딩 에이전트가 자신의 대화 내용을 인지한다는 것을 보여드리면서 이 대화를 시작했었죠.03:41

단순히 '제 컴퓨터에 Cloud Code 대화 내용은 어디에 저장되어 있나요?'라고 물어보시면 됩니다.03:47

제가 이전에 보여드렸던 그 정확한 폴더를 식별할 수 있습니다, JSON-L 파일들이 모두 있는 곳이죠.03:54

저장된 파일들은 저희 코딩 에이전트로 진행하는 여러 프로젝트에 따라 분리되어 있습니다.04:00

혹은 폴더에서 star.json-L을 검색하시면 모든 파일을 찾으실 수 있습니다.04:05

원하신다면 모두 복사할 수도 있습니다. 자, 이제 다시 Cloud Code로 돌아가겠습니다.04:09

이 프롬프트를 보내면 제가 만들었던 스킬을 불러서 시작할 거예요.04:13

다시 말씀드리지만, 이게 가장 간단한 방법입니다. 가장 효율적이거나 토큰 사용량이 적지는 않지만요.04:18

가장 쉬운 시작점을 원하신다면, 이 스킬을 설명란에 링크해 드릴게요. 그리고 이렇게 프롬프트를 보내실 수 있습니다.04:24

그러면 셸 명령어를 실행해서 여기 있는 모든 파일을 읽고 일반적인 실패 사례를 식별하게 됩니다.04:30

그래서 상위 10개 항목을 나열해 줄 겁니다. 그리고 당연히 저는 이걸 바탕으로 클라우드 코드를 물어볼 수 있습니다, 네,04:36

예를 들어 이 오류나 이 오류에 기반해서 저희 AI 레이어, 즉 훅스나 스킬이나 규칙에서 무엇을 변경할 수 있는지 질문할 수 있죠.04:42

그래서 이번에는 계속해서 이런 문제가 발생하지 않도록 하겠습니다.04:48

예를 들어, 세 번째 문제에서 확인된 내용에 따르면, 저는 동시 하위 에이전트 제한을 너무 자주 초과하고 있다고 표시되었습니다.04:51

그 문제는 확실히 해결해야 할 부분입니다. 따라서 앞으로 이 문제를 해결하는 방법은 간단하게 질문을 던지는 것뿐이에요.04:57

세 번째 문제점을 해결하기 위해 인공지능 레이어에서 무엇을 바꿔야 하는지 물어보면 됩니다.05:03

그리고 참고로 말씀드리면, 제가 정의하는 AI 레이어는 스킬 내부에 통합되어 있어서, 서브 에이전트와 후크, 규칙, 그리고 스킬들을 자체적으로 감사하고 있습니다.05:07

자신의 서브 에이전트, 훅, 규칙, 스킬 등을 감사하는 것이죠. 글로벌 규칙이나 점 클라우드 폴더에 구축하신 모든 것들이 해당됩니다.05:12

그래서 여기서는 이 서브 에이전트에 변경을 가하는 것을 제안하고 있습니다.05:19

만약 이게 맞다면, 범인은 바로 이거네요. 이걸 수정하면 됩니다.05:23

이제 앞으로의 대화는 문제없이 진행될 거예요.05:27

다시 세 번째 항목입니다. 이제 코딩 에이전트와 계속 작업하는 것은 사용자님의 몫이에요.05:30

미래를 보면서 실제로 이 문제를 해결했는지 확인하는 것입니다.05:34

매우 간단하게 말씀드리면, 이렇게 과거 대화 내용을 활용해서 미래의 대화를 더 좋게 만들 수 있습니다.05:38

하지만 이제 실제 시스템에 대해 알아보겠습니다. 이 간단한 방법이 좋은 시작점임에는 틀림없지만, 문제가 있습니다.05:44

코딩 에이전트에게 수십만 개의 토큰을 가진 파일을 읽고 분석하도록 요청하고 있기 때문입니다.05:50

제가 방금 보여드린 거대한 JSON-L 파일을 분석하는 것이죠.05:57

이 목록을 살펴보면, 모든 내용을 읽어서 올바른 패턴을 파악해야 하거나, 아니면 일부만 가져오게 됩니다.06:01

표면적인 것들만 살펴보고 몇 개의 파일만 읽어보게 되는 거죠.06:08

두 가지 방법 모두 이상적이지 않습니다.06:12

물론, CC 사용이나 클로드 메모리처럼 다른 오픈 소스 프로젝트들도 있습니다.06:14

코딩 에이전트를 위한 특화된 메모리이지만, 이 두 가지 외에는 제가 알기로는 거의 없습니다.06:19

저희가 확인한 것들은 코딩 에이전트의 효율성과 신뢰성을 높이기 위해, 특히 기억을 저장하는 데 초점을 맞추고 있습니다.06:24

지금 당장은 Databricks를 이용해서 그렇게 하고 싶습니다.06:31

그래서 설치가 얼마나 쉬운지 보여드리겠습니다. 무료로 사용해서 저희의 구조화된 데이터를 구축하고,06:34

그런 다음 대화에서 인사이트를 추출하기 시작할 수 있습니다.06:39

그리고 데이타브릭스 플랫폼 내에서 어떻게 에이전트라고 불리는 Genie를 활용해서 구조를 정의하고 테이블을 구축할 수 있는지 보여드리겠습니다.06:44

Genie를 이용해서 구조를 정의하고 이러한 테이블들을 만들 수 있습니다.06:48

이렇게 대화가 이루어지면 구조를 만들고 인사이트를 얻는 데 도움이 되어서 저희가 수동으로 할 일은 없게 됩니다.06:51

다시 말씀드리지만, 이건 아주 쉽게 해결할 수 있는 부분이고, 이 방법이나 정말 간단한 방법을 선택하셔도 괜찮습니다.06:58

저희는 특히 얻게 되는 인사이트가 강력한 점을 고려하면, 저희 쪽에서 그렇게 많이 할 필요가 없습니다.07:01

앞으로 대화할 때 시간을 정말 많이 절약해 줄 거예요.07:06

솔직히 말씀드리면, 이 영상을 제작하기 위해 Databricks와 협업하기로 결정했습니다.07:10

이미 제가 이 작업을 위해 그들의 플랫폼을 사용하고 있고, 무료 버전에서 필요한 모든 것을 제공하므로 적절하다고 생각했습니다.07:14

이 전체 과정을 거쳐야 합니다. 자, 이제 몇 개의 명령어로 Databricks를 설치하는 방법을 빠르게 보여드리겠습니다.07:20

그리고 코딩 에이전트와 연결할 수 있습니다.07:27

그래서 사용하기가 매우 간편하고, 이제 Databricks CLI를 설치해서 제가 사용자 인터페이스에서 보여드린 모든 것을 시스템에 설정할 수 있도록 하겠습니다. 관련 페이지 링크는 아래에 제공해 드리겠습니다.07:29

제가 보여드린 사용자 인터페이스에서 설정하는 것처럼 저희 시스템에 설치할 수 있습니다. 이 페이지 링크를 첨부해 드릴게요.07:35

설명에 설치 방법이 나와 있습니다. 모든 운영체제에 대한 설치 지침이죠. 이걸 설치하신 후에07:40

코딩 에이전트, 예를 들어 클로드 코드 같은 것에 연결하실 수도 있습니다. 저는 이것을 사용합니다.07:44

데이터브릭스 CLI AI 도구 설치 시 에이전트는 클로드 코드(Clod Code)를 사용하실 수 있습니다. 파이(Pi)나 코덱스(Codex) 같은 것도 가능합니다.07:49

그리고 이 프로젝트에서는 설명란에 해당 명령어를 함께 넣어두겠습니다. 이렇게 설치하신 후에는 코딩 에이전트에 연결하셔야 합니다.07:54

이제 이것을 MCP 서버로 사용할 수 있습니다. 따라서 인터페이스에서 하고 싶으신 모든 작업을,08:01

예를 들어, 기록 업로드나 구조 테이블 생성을 할 때도 코딩 에이전트 내에서 직접 하실 수 있습니다.08:06

예를 들어, 클라우드 코드 대화 안에서 저는 Databricks Genie MCP 서버를 사용해서08:11

클라우드 코드 기록을 조회할 수 있습니다. 물론 이것은 설정이 완료된 후에 가능한 것이고, 다음 단계로 보여드리겠습니다.08:16

하지만 저희 코딩 에이전트 내에서 플랫폼을 사용하는 것이 얼마나 쉬운지 보여드리는 것뿐입니다. 이미 저희는 거기서 작업하고 있잖아요.08:21

제가 간단한 데모를 통해 과거 대화 내용을 분석하여 실패 사례를 식별하는 과정을 보여드렸던 것처럼, 같은 종류의 방식입니다.08:26

그리고 그런 패턴들을 분석할 수 있습니다. 하지만 이제는 훨씬 체계적인 구조를 갖추게 되었어요.08:33

토큰 효율성이 높고, 훨씬 더 안정적인 프로세스가 될 겁니다.08:36

그리고 보여드리자면, Databricks CLI를 직접 이용해서 Ask Genie라고 하는 에이전트를 사용할 수도 있습니다. 이 에이전트는 플랫폼에 내장되어 있고, 여러분이 설정하신 모든 것에 접근할 수 있습니다.08:40

바로 그곳에서 설정하신 모든 것에 접근할 수 있는 플랫폼에 내장된 에이전트인 Ask Genie를 직접 CLI 명령어를 통해 호출할 수 있다는 점을 보여드리고 싶었습니다.08:47

그래서 'ask' 명령을 실행하고 코딩 에이전트에게 프롬프트를 전달하는 방식으로 진행합니다.08:50

Databricks를 컴퓨터에 설치하고 코딩 에이전트에 연결한 후에는 저장 공간 설정을 해야 합니다.08:55

스크립트와 테이블이 필요합니다. 바로 질문을 할 수는 없어요.09:02

자, 이제 데브릭스 무료 버전의 홈페이지 대시보드에서 카탈로그로 이동해 보겠습니다.09:05

그래서 우선 볼륨을 생성하는 것부터 시작하겠습니다. 시간을 절약하기 위해 저는 이미 하나를 만들어 놓았지만, 여러분은 이 과정을 거쳐야 합니다.09:10

굉장히 빠릅니다. 그리고 여기는 모든 텍스트 기록들을 저장할 곳입니다.09:17

여기서 저희 컴퓨터에서 원하는 대화 파일을 바로 업로드하면 됩니다.09:21

지금은 아직 JSON-L 형식입니다.09:25

포맷입니다. 그리고 제가 이 시점에서 실제로 한 일은 코딩 에이전트를 이용해서 파일을 업로드하는 것뿐이에요.09:28

MCP 서버를 연결하는 방법을 방금 보여드렸던 것처럼, 바로 볼륨에 직접 업로드했습니다.09:34

물론, 수동으로도 업로드하실 수 있습니다. 제가 여기 파일 시스템에서 대화 파일을 선택해서 드래그하면,09:39

이렇게 쉽게 업로드를 할 수도 있죠. 그리고 이 시연에서는요,09:46

제가 가장 큰 대화 62개를 업로드했는데, 수천 개의 파일을 업로드하는 것을 피하기 위해서입니다.09:50

원하신다면 그렇게 하셔도 됩니다. 여기서 기억해야 할 중요한 점은 이것에 대해 괜찮으셔야 한다는 것입니다.09:55

코딩 에이전트와의 대화 내용을 새로운 플랫폼에 업로드하는 것을 말씀하시는 거군요.10:01

다타브릭스에서는 고객님의 데이터를 학습 자료로 사용하지 않는다는 점을 말씀드리겠습니다.10:07

제 생각에는 데이터를 여기 업로드하는 데 큰 문제가 없을 것 같습니다.10:11

특히 코딩 에이전트에게 민감한 정보를 처음부터 제공하지 않아야 하기 때문입니다.10:16

JSON-L 파일에 API 키가 저장되어 있다면 당연히 어디든 업로드하면 안 됩니다.10:22

하지만 Anthropic이나 OpenAI 같은 곳에도 API 키를 제공해서는 안 됩니다.10:29

파일이 깨끗하고 민감한 정보가 없는 것으로 가정한다면 플랫폼에 바로 업로드하실 수 있습니다.10:34

그렇지 않다면, 코딩 에이전트가 MCP를 사용하여 업로드하기 전에 데이터를 정리하는 작업을 수행하도록 할 수도 있습니다.10:40

하여튼, 제가 잠깐만 보여드리고 싶었어요. 그 부분에 대해 신경 쓰시는 분들이 많다는 걸 알고 있어서요.10:45

하지만 중요한 건, 대화 기록이 여기 있으면 바로 진행하실 수 있다는 점입니다.10:48

볼륨 설정이 완료되셨습니다. 이제 여기 세 개의 점을 클릭하셔서 볼륨 경로를 복사해 주세요.10:52

저희는 그 경로를 제니에게 전달할 예정이니까요.10:59

에이전트가 Databricks 내부에 구축되어 있어서 여기를 보고 데이터를 가져와서 구조 테이블을 만들 수 있습니다.11:00

저 경로를 복사하신 다음에 워크스페이스로 이동해서 새로운 노트북을 만드실 수 있습니다.11:07

그래서 제니가 저희 Databricks 환경에서 직접 작동하는 코드를 작성하도록 할 겁니다.11:13

저는 이미 노트북을 만들어 놓았기 때문에, 여기 들어가서 제니로 이것을 어떻게 만들었는지 보여드리겠습니다.11:18

그래서 오른쪽 상단의 버튼을 클릭해서 Genie를 열겠습니다.11:25

이 에이전트는 제 Databricks 환경 전체에 접근할 수 있습니다.11:29

플랫폼 내에서 코딩 에이전트의 성능을 훨씬 강화한 것과 같아요. 제가 볼륨 경로를 지정하고 처리하도록 요청하고 있습니다.11:32

JSON L 파일들을 모두 읽고 있는데, 스파크를 사용해서요. 토큰 소비가 엄청나게 늘어나지 않도록 하는 거죠.11:39

매우 체계적인 방식으로 처리하고 있습니다. 저는 이 파일들을 클라우드 코드 세션 기록이라고 지정했습니다.11:44

기록마다 일관성 없는 중첩된 스키마를 가지고 있는데, 이것 또한 문제의 일부입니다.11:49

각각의 대화들이 조금씩 다른 방식으로 포맷되어 있습니다.11:53

그래서 제가 제니에게 이 문제를 해결하도록 요청했는데, 정말 잘 해내고 있습니다.11:57

전반적인 구조를 파악하고, 불일치점도 이해한 다음, 그걸 바탕으로 이것을 만들 수 있습니다.12:02

이 전체 노트북을 생성했습니다. 저는 이 코드 중 아무것도 작성하지 않았고, 요즘에는 코드를 거의 쓰지 않습니다. Genie가 모든 것을 처리하도록 했습니다.12:10

처음에 분석을 진행했을 때 얻은 모든 정보를 마지막에 만들었던 테이블에 정리했습니다.12:17

이 대화 맨 아래로 스크롤하면, Genie가 만든 테이블들을 확인할 수 있습니다.12:23

그래서 회전(턴), 도구 호출(툴 콜) 및 세션을 생성했습니다.12:29

각 항목의 레코드 수와 열(컬럼)에 대한 정보도 알려줍니다.12:33

그리고 이 테이블을 생성하는 것뿐만 아니라 볼륨 내의 모든 대화 내용을 바탕으로 데이터를 채워 넣기도 합니다.12:36

제가 이번에 사용한 방식은 두 단계로 진행했습니다. 먼저 데이터의 내용을 이해하고 그 결과를 확인하도록 했습니다.12:42

그래서 테이블 구조를 만들고 모든 데이터를 데이터베이스에 로드하도록 지시했습니다. 그래서 그렇게 하실 필요는 없습니다.12:49

훨씬 더 자유로운 형식의 프롬프트로도 가능합니다. 예를 들어, 여기 음량을 보여드리겠습니다.12:55

클로드 트랜스크립트에서 주요 내용을 얻을 수 있도록 구조를 만들어 주세요.12:59

어떤 방식으로든 진행해도 괜찮습니다. 제니는 저희 환경에 완전히 접근 권한이 있기 때문에 바로 실행할 수 있을 거예요.13:02

데이터를 어떻게 분석하고 표를 만들었는지 자세히 설명할 필요는 없지만, 정말 인상적입니다.13:08

프롬프트가 조금 구체적인 편이지만, 제가 제시한 가이드라인이 많지 않았는데도 불구하고, 정말 훌륭하게 해냈습니다.13:14

그래서 제니가 테이블을 만들고 저희의 대화 데이터를 로드하면, 이제 코딩 에이전트로 돌아가서 Databricks MCP 서버를 이용해서 구조화된 데이터를 쿼리하기 시작할 수 있습니다.13:21

저희 코딩 에이전트로 다시 넘어가서 Databricks MCP 서버를 통해 구조화된 데이터를 쿼리를 시작할 수 있습니다.13:26

필요한 질문들을 던져볼 수 있습니다. 음, 예를 들어 어떤 패턴의,13:32

실패 사례가 보이나요? 저희 AI 레이어에서 무엇을 바꿔야 할지 제안해 주시겠어요?13:37

제가 방금 보여드린 간단한 데모와 똑같습니다.13:41

하지만 여기서는 구조화되어 있어서, 읽을 필요가 없습니다.13:44

JSON-L 파일 수십만 개의 토큰을 거쳐야 매번 분석을 할 때마다 핵심 내용을 얻을 수 있습니다.13:48

더 많은 대화를 가져오는 것은 아주 간단합니다. 왜냐하면 저희가...13:53

이미 파이프라인을 가지고 있거든요. 코딩 에이전트가 알아서 처리해 주니까 또 수십만 개의 토큰을 사용할 필요도 없고요.13:58

그래서 이 질문은, 이전에는 쉘 명령을 호출하고 여러 파일을 읽어야 했었는데, 이제 제니에게 요청하는 방식으로 바뀌었습니다.14:03

제니가 데이터를 이해하고 통찰력을 제공하는 핵심적인 역할을 하고 있습니다.14:09

이제 저희의 주요 코딩 에이전트를 활용하고 있습니다.14:14

클라우드 코드는 제니에게서 결과를 얻기 위해 적절한 질문을 하는 오케스트레이터 역할을 합니다.14:16

그래서 지금 제가 보여드리는 데모에서는 전체적으로 실패 사례에서 발견된 세 가지 핵심 패턴이 있습니다.14:21

데이터를 분석했는데, 제니가 속편을 작성했고 테이블을 매우 효율적으로 분석해서 이런 정보를 추출했습니다.14:26

정말 빠르게 결과를 가져왔고 이제 이 결과를 이용해서 클라우드 코드에게 우리 AI 레이어에서 무엇을 변경할 수 있는지 물어볼 수 있습니다.14:31

앞으로 이러한 문제가 발생하지 않도록, 방금 보여드린 예시처럼 적용하면 됩니다.14:36

그리고 대화 맨 아래쪽에 데이터브릭스에서 살펴볼 수 있는 링크까지 제공해 주네요.14:41

제니와의 대화 내용을 직접 살펴볼 수도 있습니다. 클로드 코에서 여기 위임하신 내용이 있어서요, 좀 더 자세히 파고들고 싶을 때 참고할 수 있을 것 같습니다. 하지만 가장 중요한 것은 제가 보여드리고 싶은 부분은...14:45

더 많은 통찰력을 얻기 위해 정말 깊이 있게 분석해 볼 수 있습니다. 하지만 제가 보여드리고 싶은 가장 중요한 점은요.14:50

제가 이 대화 내용을 바탕으로 실제로 인공지능 레이어에 적용한 개선 사항이 가장 중요합니다.14:55

저는 제가 직접 사용해보지 않고서 여러분께 보여드리기 위해서만 이 영상을 만든 것이 아닙니다.15:00

이 과정을 정확히 사용해서 제가 이 영상을 만들면서 보여 드렸습니다요.15:04

물론, 저도 이와 거의 동일한 과정을 여러 번 반복해 왔습니다요.15:09

어쨌든, VS 코드에서 제가 인공지능 레이어에 실제로 어떤 변경을 했는지 보여드리겠습니다.15:13

제가 제 두 번째 뇌 안에서 사용하는 것을 앞으로 계속 보여드릴게요.15:18

이것들은 진짜입니다. 우선 첫 번째로 제가 글로벌 규칙에 38줄 정도를 추가했는데, Databricks에서 발견했던 특정 문제들을 해결하기 위해서입니다.15:22

예를 들어 경로를 추측하지 않도록 했는데, 코딩 에이전트가 실제로 많이 하는 행동이죠.15:29

만약 명시적으로 그렇게 하지 말라고 지시하지 않는다면요. Git과 더 원활하게 작동할 수 있도록 settings.json 파일 내에 몇 가지 권한을 추가했습니다.15:36

그리고 제가 AI 레이어 변경 사항 중에서 가장 좋아하는 부분인 훅(hook)도 추가했습니다.15:42

여기요. 세션 트리예요. 코딩 에이전트와 새로운 대화를 시작할 때마다 실행되는 스크립트랍니다. 아주 멋지죠.15:48

그리고 이건 실제 저장소 레이아웃을 주입한답니다.15:54

그래서 코드를 읽고 컨텍스트를 수집할 때 에이전트가 경로를 추측할 가능성이 줄어듭니다.15:58

정말 멋지네요, 특히 이 방식은 동적이라는 점이 좋습니다. 많은 분들이 코드 기반 레이아웃을 선호하시곤 합니다.16:05

전역 규칙에 정의해두지만, 계속해서 변경해야 하고 항상 최신 상태를 유지하지 못할 위험이 있습니다. 하지만 이제는 파일 기반 구조를 기준으로 컨텍스트를 파악하고 그 정보를 주입하게 됩니다.16:10

그렇게 할 수 있습니다.16:13

새로운 대화가 시작될 때마다 코딩 에이전트에서 바로 적용되죠. 정말 멋지고 실용적인 변경 사항들이 여기 제 AI 레이어에 적용되었는데, 전부 제가 수집한 인사이트 덕분입니다.16:19

저의 시스템에서 얻은 아이디어와 실제 예시를 보여드리고 싶었습니다.16:24

제가 Databricks에 설정한 내용과 관련해서 말씀드리는데요. 제가 가진 시스템에 맞춰서 예시가 매우 구체적이라는 점은 알고 있습니다만, 실제 아이디어나 실제 예시를 통해 어떻게 개선해나가고 있는지 보여드리고 싶었습니다.16:29

우리가 실제로 어떻게 만들어나가고 있는지 보여드리고 싶었기 때문입니다.16:34

과거의 대화 내용을 살펴보면서 코딩 에이전트를 시간이 지남에 따라 더 좋게 만들 수 있습니다.16:40

자, 이것이 바로 Databricks와 Genie 에이전트를 사용하여 코딩 에이전트를 시간이 지남에 따라 개선하는 방법입니다.16:44

여기서 가장 중요한 점은, 코딩 에이전트와의 이전 대화들이 엄청난 자원이라는 것입니다.16:49

대화를 구조화하고 통찰력을 얻는 방법에는 여러 가지가 있습니다.16:54

그리고 그 내용을 바탕으로 조치를 취할 수 있습니다. 여기서는 전체 과정을 처음부터 끝까지 보여드리고 싶었습니다.17:00

이 영상이 유익하다고 생각하시거나, 앞으로 AI 코딩 관련 콘텐츠를 더 기대하신다면 좋아요 버튼을 눌러주시면 정말 감사하겠습니다.17:03

그리고 구독도 부탁드립니다. 그럼 다음 영상에서 또 만나요.17:09