Metadata
# 테크놀로지 레이더: 도구
## 도구
### 도입
* #### 68. mise
지난 평가 이후 **[mise](https://mise.jdx.dev/)**는 asdf를 대체하는 고성능 도구에서 개발 환경 전반을 다루는 기본 프런트엔드로 발전했다. mise를 도입 단계에 유지하는 이유는 따로 관리하던 세 가지 영역, 즉 도구와 언어의 버전 관리, 환경 변수 관리, 작업 실행을 하나로 통합하기 때문이다. 러스트 기반의 고성능 도구이며, 선언형 mise.toml 파일로 설정한다. 설정이 간편하고 CI/CD 파이프라인과도 잘 맞는다. 또한 [코사인](https://github.com/sigstore/cosign) 및 [깃허브 아티팩트 증명](https://docs.github.com/en/actions/how-tos/secure-your-work/use-artifact-attestations/use-artifact-attestations)과 통합해 공급망 보안을 한층 강화한다. 다른 버전 관리 도구에는 이런 기능이 없는 경우가 많다.
개발 환경 설정을 표준화하려는 팀에 이제 mise를 기본 선택지로 권한다. 여러 언어와 마이크로서비스가 공존하는 환경에서 각 코드베이스가 동시에 새 언어 버전을 도입할 때 특히 유용하다. 무엇보다 기존의 언어별 도구와도 함께 작동하므로, 모든 것을 한꺼번에 이전할 필요가 없다.
* #### 69. 오픈AI 코덱스
**[오픈AI 코덱스(OpenAI Codex)](https://developers.openai.com/codex)**를 도입 단계로 옮겼다. 이제 [클로드 코드](https://www.thoughtworks.com/radar/tools/claude-code), [오픈코드](https://www.thoughtworks.com/radar/tools/opencode)와 함께 우리 팀들이 일상적으로 사용하는 CLI 중심 코딩 에이전트에 이름을 올렸다. 데스크톱 앱은 코딩을 하지 않는 사람들에게 인기가 있다. 코덱스는 OS 수준 샌드박싱, 단계별 승인, 중앙 집중식 설정과 규정 준수 관리 등 기업 도입에 필요한 기능을 갖췄다. 기반 에이전트 루프는 Apache-2.0 라이선스로 제공되며, 우리가 [범용 에이전트를 위한 코딩 하네스](https://www.thoughtworks.com/radar/techniques/coding-harness-for-general-purpose-agents)라고 부르는 기법에 사용할 수 있다. 오픈 소스이지만 커뮤니티가 아니라 기업이 운영한다. 코덱스는 후발 주자가 흔히 택하는 호환성 전략을 구사한다. 다른 에이전트의 설정, 스킬, 세션을 쉽게 가져오고, 오픈AI의 GPT 외에 다른 모델도 쉽게 사용하도록 한다. 따라서 [가중치 공개 모델](https://www.thoughtworks.com/radar/techniques/open-weight-models)을 실행하기에 좋은 선택이다.
* #### 70. 오픈코드
**[오픈코드(OpenCode)](https://opencode.ai/)**는 지난 레이더 이후에도 가장 주목받는 오픈 소스 코딩 에이전트 하네스 중 하나로 자리하고 있다. 성능 좋은 [가중치 공개 모델](https://www.thoughtworks.com/radar/techniques/open-weight-models)이 부상하면서 도입도 크게 늘었다. 팀들은 높은 맞춤화 가능성과 [헤드리스/서버 모드](https://opencode.ai/docs/server/)를 높이 평가한다. 이런 특성 덕분에 [엔터프라이즈 하네스](https://www.thoughtworks.com/radar/techniques/enterprise-harness)를 구축하려는 조직에 매력적인 기반이 된다. 반면 세션 공유와 협업 기능은 여전히 경쟁 하네스보다 뒤처진다. 오픈코드는 코딩 에이전트에 자체 호스팅하는 가중치 공개 모델이나 [로컬 코딩 모델](https://www.thoughtworks.com/radar/techniques/local-coding-models)을 연결하는 팀 사이에서 인기를 얻었다. 다만 [파이](https://www.thoughtworks.com/radar/tools/pi-coding-agent)처럼 새롭게 떠오르는 대안도 평가해 보길 권한다.
### 시범 적용
* #### 71. Act
**[Act](https://github.com/nektos/act)**는 깃허브 액션 워크플로를 로컬에서 실행한다. 커밋하고 푸시한 뒤 기다리는 반복 과정을 대신해 더 빠른 피드백을 제공한다. 우리는 2021년에 [깃허브 액션](https://www.thoughtworks.com/radar/platforms/github-actions) 항목에서 이 도구를 언급했다. 코딩 에이전트의 등장으로 Act의 중요성이 다시 커졌다. 커밋과 푸시가 늘면서 빌드 자원을 놓고 경합이 발생할 수 있기 때문이다. Act를 사용하면 코딩 에이전트가 푸시 전에 워크플로를 로컬에서 실행할 수 있다. 이를 통해 에이전트의 생성 루프에 CI를 직접 통합하고 [에이전트의 파이프라인 책임](https://www.thoughtworks.com/radar/techniques/agent-pipeline-responsibility)을 뒷받침한다.
우리 팀들의 경험에 따르면 Act는 깃허브 액션 워크플로 개발 작업 대부분을 처리한다. 다만 깃허브 액션 환경을 완벽하게 재현하지는 않는다. 예를 들어 기본 이미지에는 일부 러너 도구가 없고, 동시성, 권한, 환경 시크릿을 지원하지 않는다. [zizmor](https://www.thoughtworks.com/radar/tools/zizmor) 같은 정적 검사 도구와 함께 사용하면, 코딩 에이전트가 파이프라인 자체를 변경할 때도 빌드가 정상적으로 작동하도록 유지하는 데 도움이 된다.
* #### 72. 에이전트 패키지 매니저
**[에이전트 패키지 매니저(Agent Package Manager)](https://github.com/microsoft/apm)**는 AI 에이전트 설정을 위한 오픈 소스 의존성 관리 도구다. [플러그인](https://www.thoughtworks.com/radar/platforms/agent-plugins), 스킬, 지침, MCP 서버를 선언하는 매니페스트를 기반으로 작동한다. 우리는 파일을 여기저기 복사해 붙여 넣는 대신, 이 도구로 중앙 저장소에서 버전을 관리하는 스킬을 배포한다. 에이전트 컨텍스트를 하나의 공급망으로 취급하며, Git 저장소나 [에이전트 플러그인 마켓플레이스](https://www.thoughtworks.com/radar/techniques/agent-plugin-marketplace)에서 구성 요소를 설치한다. 동작을 가로챌 수 있는 숨겨진 유니코드 문자도 검사한다. 잠금 파일에는 콘텐츠 해시와 출처를 기록하며, [소프트웨어 자재 명세서](https://www.thoughtworks.com/radar/techniques/software-bill-of-materials)는 [CycloneDX](https://www.thoughtworks.com/radar/platforms/cyclonedx) 및 SPDX 형식으로 내보낸다. 감사 기능은 기준 상태와의 차이를 감지하고, 정책 파일은 출처, 범위, 기본 구성 요소를 제한한다. 덕분에 [엔터프라이즈 하네스](https://www.thoughtworks.com/radar/techniques/enterprise-harness)를 재현하고 통제하기 쉬워진다. 대형 기업의 후원을 받지만 아직 1.0 이전 버전인 커뮤니티 주도 프로젝트다. 따라서 도입이 아닌 시범 적용 단계에 두었으며, 앞으로 경쟁 솔루션이 등장할 것으로 예상한다.
* #### 73. ast-grep
**[ast-grep](https://ast-grep.github.io/)**은 구조 기반 코드 검색, 린팅, 재작성을 위한 명령줄 도구다. 패턴은 일반 코드처럼 작성하며, 임의의 구문 노드를 나타낼 때는 와일드카드를 사용한다. 텍스트가 아니라 구문 트리를 대상으로 패턴을 찾으며, 20개가 넘는 언어에 대해 tree-sitter 파서를 사용한다. 린팅과 재작성 규칙은 선언형 YAML 형식으로 작성한다. 우리 팀 중 한 곳은 이 규칙을 코딩 에이전트를 둘러싼 하네스의 일부로 사용했다. 에이전트가 작성한 코드를 사용자 정의 규칙에 따라 검사하고, 그 결과를 에이전트에 다시 전달했다.
ast-grep은 [에이전트 도구로서의 코드 인텔리전스](https://www.thoughtworks.com/radar/techniques/code-intelligence-as-agentic-tooling)에 쓰이는 도구들과 비슷하지만, 인덱스를 구축하지 않고 언어 서버도 필요하지 않다. 인덱싱을 생략하므로 대규모 코드베이스에 더 무거운 도구를 도입하기 전에 부담 없이 시작하기 좋다. 같은 범주의 도구 대부분과 달리 에이전트 없이도 쓸모가 있다. 개발자가 동일한 검색, 린트 규칙, 재작성을 직접 실행할 수 있다. ast-grep은 우리가 2021년에 소개한 [Comby](https://www.thoughtworks.com/radar/tools/comby)와 상당 부분 겹치는 기능을 제공한다. 대부분의 IDE가 이미 AST 기반 검색을 제공하지만, ast-grep의 차별점인 사용자 정의 린트 규칙과 재작성까지 대체하지는 못한다.
* #### 74. 비즈
**[비즈(Beads)](https://github.com/gastownhall/beads)**는 코딩 에이전트들이 작업을 조율하기 위해 공유하는 Git 기반 이슈 추적 도구다. 임시방편으로 작성한 마크다운 계획 대신, 지속적으로 유지되는 구조화된 작업 그래프를 제공한다. 작업과 작업 간 의존성을 코드와 함께 저장하므로 세션이 바뀌거나 컨텍스트가 압축돼도 에이전트의 계획과 새로 발견한 작업이 유지된다. 각 에이전트는 다른 에이전트와 충돌하지 않고 다음에 처리할 수 있는 작업을 맡을 수 있다.
이제 많은 개발자가 코딩 에이전트와 함께 비즈를 기본으로 사용하므로 시범 적용 단계로 옮겼다. 비즈는 팀이 업무를 계획하고 우선순위를 정하며 진행 상황을 추적하는 [리니어](https://www.thoughtworks.com/radar/tools/linear) 같은 팀용 이슈 추적 도구를 보완한다. 에이전트가 작업하면서 만드는 더 세분화된 작업을 보관하며, 리니어, 지라, 깃허브 이슈와 양방향으로 동기화한다.
지난번 소개 이후 비즈는 1.0에 도달했고, 가스 타운 홀 조직으로 이전했다. 현재는 [가스 타운](https://github.com/gastownhall/gastown)을 만든 회사인 가스 시티가 유지보수한다. 저장소 백엔드는 이제 [Dolt](https://github.com/dolthub/dolt)만 지원한다. HTTP API, 작업 임대, 저장소 간 동기화 등이 추가되면서 처음의 가벼운 추적 도구보다 무거워졌다. 업그레이드하면 기존 저장소의 스키마를 직접 마이그레이션하며, 버전이 다른 클라이언트끼리는 저장소를 공유할 수 없다. 따라서 공유 저장소마다 사용할 버전을 하나로 고정하고, 비즈가 [AGENTS.md](https://www.thoughtworks.com/radar/techniques/agents-md)에 작성하는 지침도 검토하는 것이 바람직하다.
* #### 75. 카오스 메시
**[카오스 메시(Chaos Mesh)](https://chaos-mesh.org/)**는 클라우드 네이티브 시스템에 통제된 장애를 주입하는 오픈 소스 [카오스 엔지니어링](https://www.thoughtworks.com/radar/techniques/chaos-engineering) 도구 모음이다. 장애 시뮬레이션을 선언형 쿠버네티스 사용자 정의 리소스로 정의하므로, 팀은 익숙한 도구를 사용하고 버전 관리를 통해 카오스 실험을 관리할 수 있다. 다양한 장애 시나리오, 재현성, 장애 영향 범위 제어 기능을 갖춰 대규모의 반복 가능한 자동화 테스트에 적합했다. 복원력 검증이 특히 어렵지만 중요한 GPU 밀집형 AI 인프라 환경도 여기에 포함된다.
* #### 76. 큐브 코어
맞춤형 애플리케이션과 AI 에이전트가 모두 분석 데이터를 소비하는 일이 늘고 있다. 이때 대시보드나 개별 SQL 쿼리에서 지표를 직접 정의하면 중복이 생기고 지표 정의가 서로 어긋나기 쉽다. **[큐브 코어(Cube Core)](https://cube.dev/)**는 지표, 차원, 조인, 접근 규칙을 코드로 정의하도록 해 이 문제를 해결하는 오픈 소스 시맨틱 계층이다. 통제 가능하고 재사용할 수 있는 시맨틱 모델을 만들면, 비즈니스 지표를 한 번 정의한 뒤 표준 API를 통해 BI 도구, 임베디드 분석, AI 워크플로 전반에 일관되게 제공할 수 있다.
우리는 최근 프로젝트에서 큐브 코어로 [시맨틱 계층](https://www.thoughtworks.com/radar/techniques/semantic-layer)을 성공적으로 구현했다. 코드베이스와 기여자 커뮤니티 모두 활발하게 유지되고 있다. 데이터를 소비하는 여러 계층에서 데이터 정의가 일치하지 않아 어려움을 겪는다면, 분석 데이터 접근을 표준화하는 수단으로 큐브 코어를 평가해 보길 권한다.
* #### 77. 피그마 코드 커넥트
범용 디자인-코드 변환 도구는 프레임을 단순 마크업으로 바꾸는 경우가 많다. 팀의 기존 컴포넌트를 무시하므로 결국 코드를 다시 작성해야 한다. **[피그마 코드 커넥트(Figma Code Connect)](https://github.com/figma/code-connect)**는 피그마 컴포넌트를 실제 운영에 사용하는 코드상의 UI 컴포넌트에 직접 연결해 이 간극을 해소한다. AI 도구와 개발자는 컴포넌트 API를 추측하는 대신, 이 매핑을 이용해 실제 컴포넌트 시그니처와 프롭에 맞는 코드를 생성한다. 이러한 구조화된 접근법은 코드 생성이 기존 디자인 시스템에 근거하도록 한다.
이 도구는 팀이 프롬프트 기반 코드 생성에서 더 통제된 에이전트 기반 워크플로로 전환할 때 특히 유용하다. 피그마 코드 커넥트를 피그마 MCP 서버 및 코딩 에이전트와 함께 사용하면, 개발자는 실제 코드베이스의 컨텍스트를 에이전트에 제공할 수 있다. 덕분에 자유 형식의 코드 생성에서 벗어나, 결과를 더 예측하기 쉽고 운영 환경의 기준에도 부합하는 컴포넌트 조립 방식으로 나아갈 수 있다. 코드 리뷰의 반복 횟수와 아키텍처가 의도에서 벗어날 위험도 줄어든다.
우리는 모바일 디자인 시스템에서 이 워크플로를 사용해 iOS와 안드로이드의 컴포넌트를 매핑했다. 메인 브랜치에서 릴리스한 뒤에는 피그마에 자동으로 게시하고, 지속적 통합(CI)으로 불일치를 감지했다. 하지만 피그마에서 코드를 생성하는 과정의 신뢰성은 기반 디자인 시스템의 품질에 달려 있다. 생성된 결과에는 여전히 안전장치가 필요하다. 하드코딩한 색상을 차단하는 린트 검사와 모든 풀 리퀘스트의 스냅샷 기준선 등이 그 예다. 모든 변형에 대한 매핑을 유지하려면 지속적인 노력도 필요하다. 또한 이 도구는 현재 컴포넌트 수준에서 작동하며 완성된 제품 화면 전체를 검증하지는 않는다. 따라서 레이아웃 로직, 상태, 내비게이션은 여전히 사람이 감독해야 한다.
* #### 78. 플럭스마크다운
**[플럭스마크다운(FluxMarkdown)](https://github.com/xykong/flux-markdown)**은 파인더의 미리보기 패널에서 마크다운 파일을 직접 렌더링하는 macOS 퀵 룩 플러그인이다. QLMarkdown 같은 대안도 있지만, 플럭스마크다운은 구문 강조, KaTeX 기반 수학 표기, [머메이드](https://www.thoughtworks.com/radar/tools/mermaid), 그래프비즈, 베가를 이용한 복잡한 다이어그램까지 폭넓게 지원한다.
렌더링된 다이어그램이나 수식을 보려고 별도 편집기를 열 필요가 없어 문서를 살펴볼 때 유용했다. 개발자의 워크플로에서 명령줄 인터페이스와 자율 에이전트의 비중이 커지고 있지만, 렌더링된 마크다운 파일을 보려면 여전히 IDE를 열어야 하는 경우가 있다. 플럭스마크다운은 파인더를 벗어나지 않고 파일을 미리 볼 수 있는 가벼운 대안이다.
* #### 79. 깃 AI
**[깃 AI(Git AI)](https://usegitai.com/)**는 저장소에서 AI가 생성한 코드를 추적하는 오픈 소스 Git 확장 도구다. AI가 작성한 코드 줄을 해당 코드를 생성한 에이전트, 모델, 프롬프트와 연결한다. 체크포인트와 훅으로 개발 과정에서 점진적으로 발생하는 코드 변경을 추적한다. 각 체크포인트에는 현재 상태와 이전 상태의 차이가 담기며, 각 줄을 사람 또는 AI가 작성한 것으로 표시한다. 이 방식은 코드가 추가되는 시점에 줄 수만 세는 것보다 AI의 기여를 더 세밀하게 파악한다.
이 확장 도구는 git notes 기반의 개방형 표준으로 AI 생성 코드를 추적한다. 일상적인 개발에서 AI 생성 코드가 보편화될수록 책임 소재를 명확히 하고 코드의 원래 의도를 이해하는 일이 더욱 중요해진다. 개발자와 AI 에이전트 모두 보관된 세션을 조회해 원래 컨텍스트와 설계 결정을 확인할 수 있다. 에이전트 기반 워크플로의 책임 추적과 유지보수에 도움이 될 잠재력을 고려해 깃 AI를 시범 적용 단계로 옮겼다.
* #### 80. 리니어
**[리니어(Linear)](https://linear.app/)**는 트렐로의 간편한 설정과, 팀들이 보통 지라에서 찾는 계획 기능을 결합한 이슈 추적 도구다. 많은 스타트업이 수년째 지라 대신 사용해 왔으며, 최근에는 코딩 에이전트와 잘 연동된다는 점이 주목받고 있다. 에이전트는 리니어 워크스페이스에 구성원으로 참여한다. 따라서 팀은 에이전트에 이슈를 배정하고 댓글에서 언급하며 각 변경의 근거를 확인할 수 있다. [커서](https://www.thoughtworks.com/radar/tools/cursor), [오픈AI 코덱스](https://www.thoughtworks.com/radar/tools/openai-codex), 데빈 모두 이런 방식으로 작업을 맡을 수 있다. 리니어의 원격 MCP 서버를 사용하면 [클로드 코드](https://www.thoughtworks.com/radar/tools/claude-code) 같은 도구가 이슈를 읽고 수정할 수도 있다. 리니어는 팀이 계획하고 우선순위를 정한 업무를 관리한다. [비즈](https://www.thoughtworks.com/radar/tools/beads)는 그보다 한 단계 아래에서 에이전트가 작업 도중 만드는 작은 작업을 추적한다. 우리는 코딩 에이전트를 적극적으로 사용하는 고객 팀과 일할 때 리니어를 자주 사용한다. 도구를 자율적으로 선택하는 팀이라면, 에이전트가 백로그에서 직접 작업을 가져가도록 하고 싶을 때 시범 적용을 고려해 볼 만하다.
* #### 81. mattpocock/skills
**[mattpocock/skills](https://github.com/mattpocock/skills)**, 즉 “진짜 엔지니어를 위한 스킬(Skills For Real Engineers)”은 에이전트 기반 소프트웨어 엔지니어링을 위한 [에이전트 스킬](https://www.thoughtworks.com/radar/techniques/agent-skills) 모음이다. 권장 워크플로를 제공하되, 각 스킬은 작고 쉽게 수정할 수 있으며 서로 조합할 수 있도록 명시적으로 설계됐다. 우리 경험으로는 팀이 에이전트 기반 코딩에 건전한 소프트웨어 엔지니어링 관행을 적용하도록 돕는 데 유용했다. [집요한 질문을 통한 검증](https://www.thoughtworks.com/radar/techniques/grilling)처럼 AI의 도움을 받아 요구사항과 가정을 분석할 때도 가치가 있었다. 우리는 평가 없이 스킬 라이브러리 전체를 도입하는 데 주의를 당부한다([에이전트 스킬에 대한 인지적 판단의 포기](https://www.thoughtworks.com/radar/techniques/agent-skill-cognitive-surrender)). 다만 에이전트 기반 소프트웨어 개발 워크플로에 더 체계를 갖추고 싶다면, 이 가벼운 스킬들을 살펴볼 만하다.
* #### 82. 오픈스펙
**[오픈스펙(OpenSpec)](https://github.com/Fission-AI/openspec)**은 어떤 코딩 에이전트와도 함께 작동하는 가벼운 [명세 주도 개발](https://www.thoughtworks.com/radar/techniques/spec-driven-development) 프레임워크다. 4월에 평가 단계에서 소개한 이후 여러 팀이 성공적인 사용 경험을 보고해 시범 적용 단계로 옮겼다. 특히 기존 코드에 명세를 덧붙이는 방식으로 기존 코드베이스에 적용할 수 있다는 점을 높이 평가한다. 팀들은 프롬프트만 사용할 때보다 에이전트의 결과를 예측하기 쉽고 의도하지 않은 변경도 줄었다고 보고했다. [깃허브 스펙 키트](https://www.thoughtworks.com/radar/languages-and-frameworks/github-spec-kit), [키로](https://kiro.dev/) 같은 경쟁 도구와 비교할 때 오픈스펙의 핵심 차별점은 [명세를 기준점으로 삼는](https://martinfowler.com/articles/exploring-gen-ai/sdd-3-tools.html) 워크플로다. 변경은 지속적으로 유지되는 단일 기준 명세에 대한 차이로 표현된다. 따라서 에이전트는 이 명세를 최신 참조 자료로 신뢰할 수 있다. 다만 늘 그렇듯 주의할 점이 있다. 명세 파일은 마크다운이며, [에이전트는 이를 대량으로 생성한다](https://www.thoughtworks.com/radar/techniques/ai-driven-documentation-sprawl). 오픈스펙이 변경분을 보관해 이 문제를 완화하지만, 기준 명세를 꾸준히 유지하려면 여전히 엄격한 관리가 필요하다.
* #### 83. 오픈위키
**[오픈위키(OpenWiki)](http://github.com/langchain-ai/openwiki)**는 코드베이스나 개인 지식 저장소를 위한 위키를 자동으로 작성하고 유지하는 명령줄 인터페이스다. 원본 자료를 종합해 서로 연결된 마크다운 위키를 만들고, 다른 에이전트가 이를 컨텍스트로 사용하도록 한다. 현재 진행 중인 프로젝트에 미치는 영향을 평가하고 있어 시범 적용 단계에 두었다. 사용 경험을 통해 익숙한 과제를 다시 확인했다. 품질 좋은 문서는 필수지만 최신 상태로 유지하기는 매우 어렵다는 점이다. 오픈위키는 원본 자료가 바뀌면 자동화된 파이프라인으로 내용을 갱신해 이 문제에 대응한다. 또한 체크포인트를 사용해 각 문서가 마지막으로 생성된 시점을 추적한다.
오픈위키는 비공개 환경에서 문서를 생성하기 위한 로컬 모델과 구조화된 문서 작성을 위한 OKF 형식도 지원한다. 사람이 사용할 수 있는 대화형 시각화 도구도 포함한다. 이 도구는 위키를 탐색 가능한 노드 그래프로 보여 줘, 서로 연결된 주제와 코드베이스 문서 사이의 관계를 파악하고 탐색하도록 돕는다.
* #### 84. 파이
**[파이(Pi)](https://pi.dev/)**는 타입스크립트로 작성한 최소한의 오픈 소스 에이전트 하네스다. 이 항목에서는 여러 제공자를 지원하는 LLM API인 pi-ai, 에이전트 런타임인 pi-agent-core, 그리고 이 둘을 기반으로 만든 터미널 코딩 에이전트인 pi-coding-agent까지 도구 모음 전체를 다룬다. 파이는 의도적으로 MCP, 하위 에이전트, 계획 모드, 권한 확인 프롬프트를 제외했다. 필요한 기능은 확장, 에이전트 스킬, 프롬프트 템플릿으로 추가한다. 파이가 직접 자신의 확장을 작성할 수도 있다. 지난 레이더 이후 주로 다른 도구의 기반으로 도입이 늘어 시범 적용 단계로 옮겼다. 이제 보안 스캐너와 오케스트레이션 하네스가 파이 위에서 실행되며, 직접 사용하는 도구보다는 기반 의존성으로 쓰이는 경우가 많다. SDK와 RPC 모드를 통해 다른 에이전트 시스템에 내장할 수도 있다.
직접 사용하는 코딩 에이전트로서 파이가 가장 뛰어난 선택은 아니다. 기업용 코딩 하네스로는 [오픈코드](https://www.thoughtworks.com/radar/tools/opencode)가 더 적합하다. 인기 있는 포크인 [오 마이 파이](https://github.com/can1357/oh-my-pi)는 언어 서버 통합, 하위 에이전트, MCP를 추가해 완전한 코딩 에이전트로 만들었다. 다만 원본과 차이가 커 별도 도구로 평가해야 한다. 지난번에는 파이가 유지보수 담당자 한 명에게 의존한다는 점을 우려했다. 2026년 4월 개발자가 [에아렌딜에 합류했으며](https://mariozechner.at/posts/2026-04-08-ive-sold-out/), 이제 이 회사가 파이를 소유한다. 회사는 상용 부가 기능을 계획하는 한편, 핵심은 MIT 라이선스로 유지하겠다고 약속했다.
* #### 85. 소스봇
개발자가 여러 저장소에 걸친 대규모 기업 코드베이스의 폭넓은 컨텍스트를 필요로 하듯, [소프트웨어 엔지니어링 에이전트](https://www.thoughtworks.com/radar/tools/software-engineering-agents)도 대규모 리팩터링과 [레거시 생태계 탐색](https://www.thoughtworks.com/radar/techniques/using-genai-to-understand-legacy-codebases)을 수행하려면 같은 컨텍스트가 필요하다. **[소스봇(Sourcebot)](https://www.sourcebot.dev/)**은 양쪽에 컨텍스트 계층을 제공하는 자체 호스팅형 코드 검색·이해 플랫폼이다. 수천 개 저장소를 인덱싱해 심벌을 인식하는 빠른 검색과 IDE 수준의 탐색 기능을 제공한다. 소스봇 MCP 서버를 사용하면 에이전트가 조직의 전체 코드베이스를 검색할 수 있다. 우리 팀들은 유료 요금제의 Ask Sourcebot 기능도 팀 협업에 유용하다고 평가했다. 이 AI 채팅 도구를 사용하면 비개발 직군도 자연어로 코드베이스를 조회할 수 있어, 코드베이스 관련 질문에 답을 얻기 위해 개발자에게 의존하는 정도가 줄어든다.
* #### 86. 타임폴드 솔버
**[타임폴드 솔버(Timefold Solver)](https://timefold.ai/solver)**는 자바와 코틀린용 오픈 소스 제약 최적화 엔진이자 [옵타플래너](https://optaplanner.io/)의 현대적인 후속 도구다. 차량 경로 설정, 직원 근무표 편성, 작업 배정, 유지보수 일정 수립처럼 가능한 조합이 너무 많아 전수 탐색이 불가능한 물류·일정 계획 문제를 해결한다. 넓은 의미의 AI로 소개되지만 학습 데이터나 학습된 모델을 사용하지 않는다. 대신 사용자가 정의한 제약에 대해 [휴리스틱 탐색](https://docs.timefold.ai/timefold-solver/latest/optimization-algorithms/overview)을 수행한다. 반드시 지켜야 하는 비즈니스 규칙은 결과 계획이 위반할 수 없는 하드 제약으로 모델링하고, 운영 목표는 최적화 대상인 소프트 제약으로 표현한다. 우리는 공급망 분야의 운영 환경에서 타임폴드 솔버를 성공적으로 사용해 복잡한 비즈니스 시나리오를 빠르게 모델링했다.
### 평가
* #### 87. 에이전츠뷰
AI 보조 코딩이 보편화되는 가운데, **[에이전츠뷰(AgentsView)](https://www.agentsview.io/)**는 코딩 세션에 대한 관측 가능성을 제공한다. 개발자는 이를 통해 패턴을 분석하고 하네스 사용 방식을 개선한다. 과거 AI 코딩 세션을 탐색하고 검색하며 [컨텍스트 프로파일링](https://www.thoughtworks.com/radar/techniques/context-profiling)을 수행할 수 있다. [클로드 코드](https://www.thoughtworks.com/radar/tools/claude-code), [오픈AI 코덱스](https://www.thoughtworks.com/radar/tools/openai-codex), [오픈코드](https://www.thoughtworks.com/radar/tools/opencode), [파이](https://www.thoughtworks.com/radar/tools/pi) 같은 인기 코딩 하네스에 자동으로 연결해 과거 세션을 가져온다. 프롬프트 캐시 효율과 비용 효율 같은 지표를 살펴보는 코딩 세션 분석 도구와 하네스 사용 개선 권고도 포함한다. 특히 로컬 우선 설계가 마음에 든다. 보안에 민감한 조직도 간편하게 도입할 수 있고, 팀 동기화와 공동 세션 검토는 나중에 추가하면 된다.
* #### 88. 애플 container
**[애플 container(Apple container)](https://github.com/apple/container)**는 애플 실리콘에서 리눅스 컨테이너를 네이티브로 실행하는 오픈 소스 도구다. 스위프트로 작성됐으며, 애플의 Containerization 패키지를 사용한다. 하나의 거대한 리눅스 VM 대신 컨테이너마다 경량 VM을 실행한다. 이 아키텍처는 하이퍼바이저 수준의 격리와 동적 메모리 할당을 제공하며, 컨테이너를 종료하면 RAM을 macOS에 반환한다. Colima 같은 공유 VM 관리 도구를 대체하는 가벼운 네이티브 대안이며, 도커 데스크톱의 라이선스 요건도 피할 수 있다. 도커 API 호환성을 제공하는 [Socktainer](https://github.com/socktainer/socktainer) 같은 커뮤니티 브리지와 함께 사용하면, 빠른 콜드 스타트와 엄격한 자원 경계가 필요한 로컬 [테스트컨테이너](https://www.thoughtworks.com/radar/languages-and-frameworks/testcontainers) 환경에서 특히 효과적이다. 프로젝트에는 호스트와 통합된 지속적인 리눅스 환경을 실행하는 [Container Machine](https://github.com/apple/container/blob/main/docs/container-machine.md)도 포함돼 있다.
* #### 89. 딥섹
**[딥섹(Deepsec)](https://github.com/vercel-labs/deepsec)**은 에이전트 기반 취약점 스캐너다. 먼저 코드베이스를 스캔해 아키텍처를 파악한 뒤, 고위험 영역을 대상으로 AI 검토를 수행해 취약점 보고서를 만든다. 눈에 띄는 특징은 하이브리드 아키텍처다. 결정론적 매칭으로 고위험 파일을 식별하고, 전담 하위 에이전트가 해당 파일을 검사한다. 모델이 가장 중요한 부분에 집중하도록 범위를 좁혀 유사 도구보다 토큰 소비와 비용을 줄일 수 있다.
* #### 90. 딥시크 하네스(DSH)
**[딥시크 하네스(DeepSeek Harness, DSH)](https://github.com/deepseek-ai/deepseek-harness)**는 맞춤형 코딩 에이전트와 범용 에이전트를 구축하기 위해 딥시크 AI가 제공하는 오픈 소스 런타임이다. 일체형 어시스턴트를 제공하는 대신, [코디스 커널](https://github.com/cordiverse/cordis)을 기반으로 “모든 것이 플러그인(everything is a plugin)”인 아키텍처를 사용한다. 모델 어댑터, 도구 레지스트리, 세션 로그, 에이전트 루프가 모두 플러그인이다. 이들은 프로파일로 묶인다. 프로파일은 이름이 붙은 플러그인 목록으로, 사용자가 자신의 YAML에서 확장하거나 재정의한다.
코디스는 [시공간적 조합 가능성](https://arxiv.org/abs/2608.25512)을 중심으로 구축된 메타 프레임워크다. 플러그인은 등록 작업을 되돌릴 수 있는 효과로 수행한다. 따라서 다시 로드하거나 해제할 때 잔여 상태를 남기는 대신 예측 가능한 방식으로 등록을 되돌린다. 이 플러그인 아키텍처와 시공간적 조합 가능성의 결합은 도메인별 [엔터프라이즈 하네스](https://www.thoughtworks.com/radar/techniques/enterprise-harness), 나아가 [스스로 개선하는 하네스](https://www.thoughtworks.com/radar/techniques/self-improving-harness)의 기반이 될 수 있다.
DSH는 관측 가능성도 핵심 요소로 취급한다. 프롬프트, 컨텍스트 주입, 도구 호출, 하위 에이전트 협업 등 모델에 보이는 모든 상호작용을 추가 전용 세션 로그에 기록한다. 이를 통해 실행을 검사하고, 재개하고, 분기하고, 검색하고, 재생할 수 있다. 다시 조합된 시스템이 실제로 무엇을 했는지 확인할 기록을 제공하는 것이다.
* #### 91. 엔타이어 CLI
**[엔타이어 CLI(Entire CLI)](https://github.com/entireio/cli)**는 Git에 훅을 연결해 코딩 에이전트 세션을 수집한다. 프롬프트, 대화 기록, 도구 호출, 접근하거나 변경한 파일 등이 포함된다. 수집한 세션은 그 세션이 만들어 낸 커밋과 함께 저장소에 보관하되, 브랜치 이력 밖에 저장한다. [클로드 코드](https://www.thoughtworks.com/radar/tools/claude-code), [코덱스](https://www.thoughtworks.com/radar/tools/openai-codex), [커서](https://www.thoughtworks.com/radar/tools/cursor), [오픈코드](https://www.thoughtworks.com/radar/tools/opencode), [파이](https://www.thoughtworks.com/radar/tools/pi) 등을 지원한다. 지난번 소개 이후 코딩 에이전트를 적극적으로 사용하는 내부 팀 한 곳이 모든 구성원의 세션을 공유하는 데 사용했다. 이 팀은 동료가 프롬프트를 어떻게 작성하는지, 에이전트가 그 프롬프트로 무엇을 하는지, 프롬프트 작성 방식이 결과물의 품질에 어떤 영향을 미치는지 살펴보는 데 유용하다고 평가했다. 숙련된 개발자가 다른 사람에게 에이전트와 협업하는 방식을 보여 주는 데도 도움이 될 수 있다.
하지만 개방성에는 대가가 따른다. 엔타이어 CLI는 각 사람이 프롬프트를 작성하는 방식을 영구적으로 기록하며, 저장소에 접근할 수 있는 사람이라면 누구나 읽을 수 있다. 다른 팀에 도입하려 했을 때 일부 개발자가 반대했다. 코딩 에이전트를 개인 비서처럼 느끼는 사람들은 자신이 요청한 모든 내용을 팀과 공유하는 데 부담을 느꼈다. 이런 팀에는 [에이전츠뷰](https://www.thoughtworks.com/radar/tools/agentsview)가 로컬 대안이 된다. 세션을 공유하지 않고도 자신의 세션을 검토할 수 있기 때문이다. 신뢰 문화가 강하고 협업이 활발한 팀에서 엔타이어 CLI를 시험해 보길 권한다. 현재 경험이 내부 팀 한 곳에 한정돼 있고, 다른 팀이 부담 없이 도입할 방법은 아직 알지 못하므로 평가 단계에 유지한다.
* #### 92. 프리토큰
**[프리토큰(FreeToken)](https://github.com/FlashML-org/FreeToken)**은 대규모 가중치 공개 전문가 혼합(MoE) 모델을 일반 소비자용 하드웨어에서 실행하도록 설계한 오픈 소스 추론 엔진이다. 이런 모델의 성능이 높아질수록 전체 가중치가 소비자용 GPU의 메모리 용량을 초과할 수 있다. 범용 로컬 모델 실행 도구와 달리, 프리토큰은 GPU 메모리, CPU 실행, 호스트 메모리, PCIe 대역폭을 상황에 맞게 결합해 메모리에 담기 어려운 대형 MoE 모델을 실행하는 데 특화돼 있다. 활성 전문가를 GPU에 동적으로 캐시하고, 어떤 전문가가 활성화되는지에 따라 교체한다. 이 과정을 조율해 기존 하드웨어나 오래된 하드웨어에서도 훨씬 큰 모델을 실행하도록 한다. [올라마](https://www.thoughtworks.com/radar/tools/ollama)가 사용하는 [llama.cpp](https://github.com/ggml-org/llama.cpp) 같은 범용 도구에도 MoE 오프로딩 기법이 도입되기 시작했다. 다만 프리토큰은 평가할 만한 특화된 접근법을 제공한다.
* #### 93. GLM
공개형 AI 모델과 폐쇄형 AI 모델 사이의 성능 격차가 좁아지는 가운데, Z.ai의 **GLM** 모델 제품군은 소프트웨어 엔지니어링 작업에서 두각을 나타낸다. [GLM-5.3](https://huggingface.co/zai-org/GLM-5.3) 같은 모델은 약 7,000억 개 매개변수의 전문가 혼합(MoE) 아키텍처를 사용하며, 코딩, 추론, 에이전트 기반 작업 벤치마크에서 우수한 결과를 낸다. 이는 단순히 사전 학습의 규모를 키운 결과라기보다, 특화된 사후 학습에 힘입은 바가 크다. 따라서 GLM-5.3은 현재 코딩과 소프트웨어 엔지니어링에 사용할 수 있는 최상급 가중치 공개 모델 중 하나다.
GLM을 높이 평가하는 이유는 독점형 프런티어 모델과 경쟁하고 복잡한 추론 작업에도 대응하는 가중치 공개 대안을 팀에 제공하기 때문이다. 다만 우리 경험으로는 간단한 프롬프트도 지나치게 분석하며 너무 많이 “생각(think)”하는 경우가 있었다. 작업의 복잡도에 맞춰 추론 노력 수준을 설정하길 권한다.
* #### 94. 해빗 훅스
**[해빗 훅스(Habit Hooks)](https://github.com/habit-hooks/habit-hooks)**는 AI 코딩 에이전트를 위한 오픈 소스 코드 품질 코칭 도구다. [러프](https://www.thoughtworks.com/radar/tools/ruff), [ESLint](https://www.thoughtworks.com/radar/tools/eslint), Knip, PMD, deptry, jscpd 같은 기존 정적 분석·린팅 도구를 실행한다. 린터 오류를 그대로 반환하는 대신, 도구별 규칙 위반을 실행 가능한 개선 지침과 코드 스멜에 관한 맥락으로 바꿔 전달한다. 린터의 위반 메시지만으로는 AI 에이전트가 검사가 실패했다는 사실은 알 수 있지만, 규칙만 만족시키는 피상적인 변경에 그칠 수 있다. 해빗 훅스는 검사 결과를 관련 코드 스멜에 연결하고, 명확한 지침을 결정론적 방식으로 모델의 프롬프트에 주입한다. 이 맥락은 에이전트가 실제 설계 문제를 해결하고 즉시 스스로 수정하도록 돕는다. 권고를 생성하기 위해 LLM에 의존하지도 않는다. 이 도구는 [코딩 에이전트를 위한 피드백 센서](https://www.thoughtworks.com/radar/techniques/feedback-sensors-for-coding-agents)를 실용적으로 구현한다. 구현 루프에 결정론적 검사를 통합해 사람이 검토하기 전에 에이전트가 실패에 대응하도록 한다.
* #### 95. 허더
**[허더(Herdr)](https://github.com/herdrdev/herdr)**는 여러 코딩 에이전트 세션을 관리하도록 설계한 오픈 소스 터미널 멀티플렉서 겸 런타임이다. 창 분할, 키보드 탐색, 세션 분리와 재연결 등 익숙한 멀티플렉서 기능을 제공해 tmux 같은 도구에서 쉽게 옮겨 올 수 있다. 에이전트를 지속적인 터미널 세션에서 계속 실행하면서, 작업 중, 차단됨, 완료, 유휴 등 에이전트의 상태도 보여 준다. CLI 통합을 통해 에이전트가 창을 만들고, 프롬프트를 주고받으며, 작업을 조율할 수 있다.
개발자가 여러 워크스페이스에서 코딩 에이전트를 병렬로 실행하는 일이 늘면서 새로운 워크플로 과제가 생겼다. 어떤 세션에 주의를 기울여야 하는지 추적하고 중단된 작업을 어떻게 재개할지 파악하는 문제다. GUI를 선호하는 개발자에게는 [T3 코드](https://t3.codes/), [오르카](https://www.onorca.dev/), [파세오](https://paseo.sh/) 같은 도구가 다른 사용 경험을 제공한다. 여러 에이전트를 병렬로 관리하는 팀이 터미널 워크플로에서 지속적인 세션과 눈에 보이는 에이전트 상태를 원한다면 허더를 평가해 볼 만하다.
* #### 96. 헝크
**[헝크(Hunk)](https://hunk.dev/)**는 코딩 에이전트가 만든 변경을 검토하는 오픈 소스 터미널 차이 뷰어다. 깃허브 풀 리퀘스트나 Git, [주짓수](https://www.thoughtworks.com/radar/tools/jujutsu), Sapling의 변경 집합을 여러 파일에 걸쳐 검토하도록 보여 준다. 파일 사이드바와 분할 또는 통합 레이아웃을 제공한다. 감시 모드는 에이전트가 작업 트리를 수정할 때마다 화면을 갱신한다. 에이전트는 헝크의 에이전트 스킬을 불러와 실시간 검토 세션을 진행할 수 있다. 파일이나 변경 덩어리로 이동하고, 자신이 수정한 줄 옆에 메모를 추가한다. 그러면 검토자는 관련 코드 옆에서 에이전트의 판단 근거를 읽을 수 있다. 이런 메모가 [디프태스틱](https://www.thoughtworks.com/radar/tools/difftastic) 같은 구문 인식형 차이 도구와 헝크를 구별한다.
에이전트의 결과를 사람이 한 줄씩 검토하는 방식이 앞으로도 일반적일지는 확신하기 어렵다. 하지만 지금은 여전히 많은 팀에 필요하다. 이를 소홀히 하면 [AI 생성 코드에 대한 안일한 태도](https://www.thoughtworks.com/radar/techniques/complacency-with-ai-generated-code)로 이어질 수 있다. 프로젝트는 2026년 3월 시작됐으며 아직 1.0에 도달하지 않았다. 터미널에서 에이전트의 변경을 검토하는 팀이라면 헝크를 시험해 보고, 에이전트의 메모가 검토 속도를 높이는지 아니면 읽을거리만 늘리는지 평가해 보길 권한다.
* #### 97. nono.sh
**[nono.sh](https://github.com/nolabs-ai/nono)**는 기존 가상 머신이나 [도커](https://www.thoughtworks.com/radar/platforms/docker) 컨테이너의 오버헤드 없이 AI 에이전트를 실행하도록 설계한 오픈 소스 보안 셸 겸 경량 샌드박스다. 샌드박싱은 널리 권장되지만 설정 부담 때문에 실제 구현을 꺼리는 팀이 많다는 문제를 해결한다. nono.sh는 리눅스의 Landlock, macOS의 Seatbelt 같은 네이티브 커널 기능으로 에이전트 프로세스를 OS 수준에서 직접 격리한다. 백그라운드 데몬 없이 호스트의 네이티브 프로세스 안에서 작동하며, SSH 키 같은 호스트의 민감한 자산에 대한 접근을 기본적으로 차단한다.
프로세스 격리의 진입 장벽을 낮춘다는 점에서 nono.sh는 평가할 가치가 있다. 최소한의 설계 덕분에 macOS와 리눅스, WSL2를 사용하는 윈도 환경에서 간편하게 설정하고 테스트하며 기존 워크플로에 통합할 수 있다. 보안 프로파일은 수정하거나 포크할 수 있고, nono 레지스트리를 통해 팀 간 또는 더 넓은 커뮤니티와 공유할 수도 있다. [클로드 코드](https://www.thoughtworks.com/radar/tools/claude-code)나 [오픈AI 코덱스](https://www.thoughtworks.com/radar/tools/openai-codex) 같은 자율 도구를 도입하는 개발자에게 부담이 적은 방어 계층을 제공한다.
* #### 98. 오픈리서치 CLI(orx)
[오픈리서치 CLI(orx)](https://github.com/alphaXiv/OpenResearch)는 [클로드 코드](https://www.thoughtworks.com/radar/tools/claude-code) 같은 코딩 에이전트를 실험을 병렬로 수행하는 연구 에이전트로 바꾸는 오픈 소스 하네스다. 각 실험은 별도의 Git 워크트리에서 격리되므로 서로 간섭하지 않는다. 모든 실험에 같은 실행 명령을 사용해 결과를 비교할 수 있게 하며, 재현성을 위해 각 실행을 변경 불가능한 코드 스냅샷에 고정한다.
orx는 로컬, Slurm, 쿠버네티스, 모달 등 팀이 선택한 컴퓨팅 환경에서 실행된다. 따라서 논문에 나온 방법을 구현하고 실험을 재현한 뒤, 그 결과가 기업 환경에서도 성립하는지 검증할 수 있다. 이는 학술 연구 결과와 기업 실무 사이의 간극을 파악하는 데 도움이 된다. 그 간극을 좁힐 유망한 도메인 특화 하네스로서 orx를 평가해 볼 만하다.
* #### 99. 세이프 체인
**[세이프 체인(Safe Chain)](https://github.com/AikidoSec/safe-chain)**은 아이키도가 제공하는 무료 도구다. npm, [pnpm](https://www.thoughtworks.com/radar/tools/pnpm), [번](https://www.thoughtworks.com/radar/platforms/bun), pip, [uv](https://www.thoughtworks.com/radar/tools/uv) 등 [Node.js](https://www.thoughtworks.com/radar/platforms/node-js)와 파이썬의 패키지 관리자를 감싸서 작동한다. 패키지 다운로드를 로컬 프록시로 보내며, 최근 48시간 이내에 게시된 버전과 아이키도의 공개 위협 피드에서 악성으로 분류한 패키지를 차단한다. [샤이 훌루드](https://www.cisa.gov/news-events/alerts/2025/09/23/widespread-supply-chain-compromise-impacting-npm-ecosystem) 같은 웜은 침해된 패키지가 얼마나 빠르게 확산하는지 보여 줬다. 짧은 유예 기간을 두면 스캐너가 악성 릴리스를 탐지할 시간을 벌 수 있다. 이제 대부분의 패키지 관리자가 릴리스 후 최소 경과 시간 설정을 제공하므로, 팀은 프로젝트에서 이를 설정하는 것이 바람직하다. 세이프 체인은 이런 설정이 놓치는 부분을 보완한다. 프로젝트 밖에서 일회성으로 실행하는 npx 명령이나, 최소 경과 시간을 이미 넘긴 악성 패키지 등이 그 예다.
세이프 체인이 지원하는 생태계는 두 개뿐이지만, 둘 다 공급망 공격의 표적이 돼 왔다. 게시 후 경과 시간이 짧아 차단된 버전에는 패키지가 제외됐다는 일반적인 알림만 표시된다. 자체 최소 경과 시간 정책이 있는 비공개 미러를 통해 패키지를 받는 팀이라면 추가 이점이 크지 않다. 악성코드 차단도 단일 공급업체의 피드에 의존한다. 세이프 체인은 AGPL 또는 상용 라이선스로 제공되므로, 배포할 제품에 포함하기 전에 조건을 확인하는 것이 바람직하다.
* #### 100. 스왐프
**[스왐프(Swamp)](https://swamp-club.com/)**는 AI 코딩 에이전트가 사용하도록 만든 자동화 도구다. 에이전트가 운영 작업을 직접 수행하면 매번 방식이 달라지고, 무엇을 했는지 기록도 거의 남기지 않을 수 있다. 스왐프에서는 에이전트가 직접 작업하는 대신 자동화를 작성한다. 외부 시스템은 타입스크립트 모델로 표현하고, 모델의 메서드를 연결하는 YAML 워크플로를 만든다. 워크플로는 매번 동일하게 정의된 절차를 따르며, 정의는 Git 저장소에 보관한다. 각 실행 결과는 버전이 관리되는 데이터로 저장해 에이전트가 나중에 조회할 수 있다. 자격 증명은 실행 시점에 보안 저장소에서 주입하므로 프롬프트에 포함되지 않는다. 모델을 확장으로 패키징해 레지스트리를 통해 공유할 수도 있다. 스왐프 없이 에이전트에 스크립트를 작성하고 커밋하라고 지시해도 비슷한 결과를 만들 수는 있다. 다만 타입이 지정된 인터페이스, 실행 이력, 재사용 가능한 모듈이 기본으로 제공되지는 않는다.
스왐프는 이전 호의 평가 단계에서 소개한 [시스템 이니셔티브](https://www.thoughtworks.com/radar/tools/system-initiative)를 대체한다. 인프라 관리에서 출발했지만, 사고 대응부터 데이터 파이프라인까지 더 넓은 운영 워크플로를 대상으로 한다. 소스는 AGPLv3로 공개돼 있다. 다만 공식 배포판에는 업무용으로 사용하려면 구독이 필요한 상용 라이선스를 적용한다. 새 프로젝트이고 커밋마다 새 릴리스를 내놓을 만큼 빠르게 변하므로, 본격적으로 의존하기 전에 위험이 낮은 내부 자동화에서 시험해 보는 것이 바람직하다.
* #### 101. 베일
**[베일(Vale)](https://vale.sh/)**은 일반 문장을 위한 린터다. 마크다운, AsciiDoc, reStructuredText를 파싱하고 코드 블록은 건너뛴다. 저장소에 YAML로 보관된 문체 규칙에 따라 텍스트를 검사하므로, 코드 스타일처럼 편집기와 CI에서 글쓰기 규칙을 적용할 수 있다. 패키지로 제공되는 스타일에는 구글, 마이크로소프트, 레드햇의 문서 작성 지침이 포함된다. 포용적 언어나 가독성을 검사하는 스타일도 있고, 직접 작성할 수도 있다. 베일은 수년 동안 문서를 코드처럼 관리하는 도구 체인의 일부였지만, LLM이 작성하는 문서, 아키텍처 결정 기록(ADR), 풀 리퀘스트 설명이 늘면서 중요성이 더 커졌다. [vail-ai-tells](https://github.com/tbhb/vale-ai-tells) 같은 패키지는 생성형 텍스트의 전형적인 표현을 표시한다. 또한 베일은 [코딩 에이전트를 위한 피드백 센서](https://www.thoughtworks.com/radar/techniques/feedback-sensors-for-coding-agents)로도 잘 작동해, 사람이 읽기 전에 에이전트가 초안을 수정하도록 한다.
베일의 검사는 단어와 패턴을 결정론적으로 매칭한다. 따라서 표면적인 표현 습관은 잡아내지만 빈약한 논리나 지어낸 세부 사항은 놓친다. 또한 유지보수가 대체로 한 사람에게 의존한다. 지금까지 우리의 사용 경험도 고객 팀 차원이 아니라 개인이 자신의 글을 다듬는 수준에 머물러 있다.
* #### 102. 바록
**[바록(Varlock)](https://github.com/dmno-dev/varlock)**은 코딩 에이전트에 시크릿이 평문으로 노출되지 않도록 설계한 오픈 소스 환경 설정·시크릿 관리 계층이다. 비공식적인 `.env.example` 관례에 의존하는 대신, 변수 이름, 타입, 검증 규칙, 문서를 기술한 `.env.schema`를 커밋하도록 한다. 설정에 대한 계약을 실제 값과 분리하는 방식이다. 시크릿은 실행 시점에 1패스워드, AWS 시크릿 매니저, 애저 키 볼트 같은 외부 보안 저장소에서 가져와 주입한다. 에이전트가 인증이 필요한 서비스를 호출해야 하는 작업을 위해 자격 증명 프록시도 제공한다. 에이전트에는 자리표시자를 전달하고, 네트워크 경계에서만 실제 값으로 바꾼다. 우리 경험으로는 임시로 만든 보조 스크립트를 대체하고, 자격 증명을 노출하지 않으면서 여러 환경으로 시크릿 주입을 확장하는 데 유용한 패턴이었다.
* #### 103. zizmor
**[zizmor](https://docs.zizmor.sh/)**는 깃허브 액션 워크플로를 위한 정적 분석 도구이며, 디펜다봇과 pre-commit 설정도 검사한다. 템플릿 주입, 지나치게 넓은 권한, 변경 가능한 태그에 고정된 액션 등 공격자가 악용할 수 있는 잘못된 설정을 표시한다. pull_request_target 같은 위험한 트리거의 사용도 찾아낸다. 일부 문제는 자동으로 수정할 수도 있다.
올해 공격자들은 [트리비](https://www.thoughtworks.com/radar/tools/trivy) 저장소의 [`pull_request_target` 워크플로를 악용한](https://www.endorlabs.com/learn/github-actions-security-lessons-from-trivy) 뒤, 해당 깃허브 액션의 태그를 다시 지정했다. 그 결과 해당 태그를 참조하는 파이프라인에서 공격자의 코드가 실행됐다. 우리 팀들은 고객 프로젝트에서 워크플로를 작성할 때 zizmor를 명령줄과 pre-commit 훅으로 실행해 왔다. 코딩 에이전트도 실행할 수 있어, 자신이 작성한 파이프라인에 대해 빠르게 피드백을 받는다.
AI 기반 보안 스캔에 관심이 쏠리는 가운데, 이 작업에 결정론적 도구를 사용할 수 있다는 점을 높이 평가한다. 스니크와 위즈가 상용으로 일부 유사 기능을 제공하고 범용 린터도 일부 문제를 잡아내지만, zizmor는 무료 오픈 소스다. 단점은 범위다. [깃허브 액션](https://www.thoughtworks.com/radar/platforms/github-actions) 외의 CI 플랫폼은 지원하지 않는다. 깃허브 액션을 사용하는 팀이라면 [CI/CD를 위한 제로 트러스트 보안](https://www.thoughtworks.com/radar/techniques/zero-trust-security-for-ci-cd)과 함께 zizmor를 평가하는 것이 바람직하다.
### 주의
해당 항목 없음