AI 코딩 에이전트에게 코드베이스의 실제 맥락을 제공하는 오픈소스 도구를 만들었습니다

Repowise를 켰을 때 에이전트가 더 나은 답변을 내놓는 예시를 보고 싶어.

아키텍처 결정 부분은 어떻게 생성하는 거야? 정적 분석이야 아니면 다른 방식?

둘 다야. ADR 파일, 변경 로그, PR 및 커밋 본문, 인라인 WHY/DECISION 마커, Git 고고학, README/문서, 코드 주석 등 8가지 소스에서 추출해. LLM은 복잡한 구조에서 정보를 뽑아내는 용도로 써.

모든 결정은 실제 소스 코드의 특정 부분을 추적할 수 있어야 해. 부분 문자열 게이트가 근거가 실제 소스 텍스트에 존재하는지 확인하고 검증됨, 퍼지, 미검증 상태로 표시해. 그래서 LLM이 실제 텍스트에 없는 결정을 지어낼 수 없어.

토큰 사용량에는 어떤 영향을 줘? 이거 쓰고 안 쓰고 차이를 벤치마크해 본 적 있어?

응, 벤치마크 해봤어. flask랑 sklearn으로 같은 모델과 환경에서 테스트했는데, 쿼리당 비용은 36% 줄었고 파일 읽기 횟수는 최대 89%까지 감소했어.

대부분의 에이전트 비용은 탐색에서 발생하는데, Repowise는 이걸 오프라인에서 한 번만 처리해. get_context를 통해 커밋을 전달할 때 원본은 64,039 토큰인데 반해 Repowise는 2,391 토큰이야. 약 27배 적지.

나머지 절반은 Distill 기능이야. 에이전트가 읽기 전에 시끄러운 명령어 출력을 압축해주거든. pytest는 61%, git log는 89%, git diff는 86% 압축돼.