AI 코딩 가이드 ⚡

AI랑 코딩하다 보면 자주 마주치는 개념들을 한 페이지에 정리했습니다. 아티클을 읽다가 막히는 용어가 있으면 여기서 찾아보세요. VibeDaily가 다룬 글과 이어집니다.

기본 개념

바이브 코딩 (Vibe Coding): 코드를 한 줄씩 직접 타이핑하기보다, AI에게 원하는 것을 말로 설명하고 결과를 다듬어 가며 만드는 방식입니다.; “어떻게 짤까”보다 “무엇을 원하는가”에 집중하게 되지만, 나온 코드를 읽고 판단하는 능력은 오히려 더 중요해집니다.
프롬프트 (Prompt): AI에게 주는 지시문입니다. 같은 도구라도 프롬프트에 따라 결과가 크게 갈립니다.; “무엇을, 어떤 제약 아래, 어떤 형식으로” 원하는지를 구체적으로 적을수록 결과가 안정적입니다. 예시를 한두 개 붙이면 더 좋아집니다.
컨텍스트 (Context): AI가 한 번에 “기억”하고 참고하는 정보의 범위입니다. 대화 내용, 붙여 넣은 코드, 규칙 파일 등이 모두 컨텍스트에 들어갑니다.; 컨텍스트에는 상한(컨텍스트 윈도우)이 있어서, 대화가 길어지면 앞부분을 잊은 것처럼 행동할 수 있습니다. 그래서 핵심 정보를 다시 요약해 넣어주는 관리가 필요합니다.
토큰 (Token): AI가 글자를 처리하는 단위입니다. 대략 단어 조각 정도이며, 대부분의 API 요금은 토큰 수로 매겨집니다.; 한글은 영어보다 같은 의미를 나타내는 데 토큰을 더 많이 씁니다. 그래서 같은 분량이라도 한글 프롬프트가 비용이 더 나올 수 있습니다.
할루시네이션 (Hallucination): AI가 존재하지 않는 함수·API·사실을 진짜인 것처럼 자신 있게 지어내는 현상입니다.; 그럴듯해 보여도 실제로는 없는 경우가 많으므로, AI가 만든 코드는 실행·문서 확인으로 검증하는 습관이 안전합니다.

도구와 환경

LLM (대규모 언어 모델): 방대한 텍스트로 학습해 다음에 올 말을 예측하도록 만든 모델입니다. Claude, GPT, Grok, Gemini 등이 여기에 속합니다.; 코드 생성·설명·리팩터링 대부분이 이 모델의 예측 능력 위에서 돌아갑니다.
에이전트 (Agent): 한 번 답하고 끝내는 게 아니라, 스스로 도구를 쓰고 결과를 보고 다음 행동을 정하는 방식으로 여러 단계를 이어서 수행하는 AI입니다.; “파일을 읽고 → 고치고 → 테스트를 돌리고 → 실패하면 다시 고치는” 흐름을 사람 개입 없이 반복할 수 있습니다.
MCP (Model Context Protocol): AI를 내 도구·데이터에 연결하는 표준 규격입니다. 흔히 “AI용 표준 콘센트”에 비유합니다.; MCP 서버를 붙이면 AI가 파일 시스템, 데이터베이스, 외부 서비스 등에 정해진 방식으로 접근할 수 있어, 도구마다 따로 연동하지 않아도 됩니다.
CLI 코딩 도구: 터미널에서 동작하는 AI 코딩 도구입니다. Claude Code가 대표적입니다.; 에디터에 갇히지 않고 프로젝트 전체를 읽고 여러 파일을 한꺼번에 고치는 큰 작업에 강합니다.
AI 에디터 · 자동완성: Cursor, Windsurf, GitHub Copilot처럼 편집기 안에서 인라인 편집과 탭 자동완성을 제공하는 형태입니다.; 지금 보고 있는 코드 근처를 빠르게 고치거나 이어 쓰는 데 편리해, 진입장벽이 낮습니다.

실전 기법

계획 먼저 시키기: 바로 코드를 시키지 않고, 먼저 “어떻게 만들지 계획을 세워줘”라고 요청한 뒤 그 계획을 검토·수정하고 나서 구현으로 넘어가는 방법입니다.; 방향이 어긋난 코드를 통째로 다시 짜는 것보다, 계획 단계에서 바로잡는 편이 훨씬 저렴합니다.
규칙 파일 (프로젝트 규칙): 코딩 컨벤션, 사용하는 라이브러리, 하지 말아야 할 것 등을 적어 두고 AI가 매번 참고하게 하는 파일입니다.; 규칙 파일 하나만 잘 써 두면 “우리 프로젝트 방식”을 매 대화마다 다시 설명하지 않아도 됩니다.
모델 스위칭: 평소에는 빠르고 싼 모델을 쓰다가, 막히는 어려운 문제에서만 플래그십 모델로 바꿔 쓰는 전략입니다.; 모든 작업에 최상위 모델을 쓰면 비용이 빠르게 불어납니다. 난이도에 따라 갈아타면 비용과 품질의 균형을 맞출 수 있습니다.
컨텍스트 관리: 대화가 길어져 AI가 앞 내용을 잊기 전에, 핵심 결정·제약을 요약해 다시 넣어주거나 새 대화로 정리해 옮기는 작업입니다.; “지금까지의 결정 사항”을 짧게 정리해 두면 긴 작업에서도 방향이 흔들리지 않습니다.
원샷 vs 쪼개서 시키기: 큰 요청을 한 번에 던지는 방식(원샷)과, 작은 단위로 나눠 단계별로 시키는 방식이 있습니다.; 프로토타입·뼈대 생성은 원샷이 빠르고, 정확도가 중요한 실제 기능은 쪼개서 시키며 각 단계를 확인하는 편이 안전합니다.
생성 코드 리뷰: AI가 짜 준 코드를 그대로 믿지 않고 사람이 읽고 검증하는 단계입니다.; 동작 여부뿐 아니라 보안·엣지 케이스·불필요한 복잡성까지 보면, 바이브 코딩에서도 품질을 지킬 수 있습니다.

모델과 성능

오픈 모델 vs 폐쇄 모델: 가중치가 공개되어 내려받아 돌릴 수 있는 오픈 모델과, API로만 쓸 수 있는 폐쇄 모델이 있습니다.; 오픈 모델은 폐쇄망·자체 서버에서 돌릴 수 있어 통제와 프라이버시에 유리하고, 폐쇄 모델은 대체로 최상위 성능과 편한 사용성을 제공합니다.
벤치마크 · SOTA: 모델 성능을 표준 문제 세트로 측정한 점수가 벤치마크이고, 그중 현재 최고 성적을 SOTA(State of the Art)라고 합니다.; 벤치마크 1위가 내 작업에서도 1위라는 보장은 없습니다. 실제로 써 보고 판단하는 것이 가장 정확합니다.
파라미터 (Parameters): 모델이 학습으로 조정한 내부 수치의 개수로, 흔히 모델 “크기”를 나타냅니다. 70B는 700억 개를 뜻합니다.; 크다고 항상 좋은 것은 아니며, 큰 모델일수록 실행에 더 많은 메모리·연산 자원이 필요합니다.
로컬 실행 · GPU: 오픈 모델을 클라우드가 아니라 내 컴퓨터나 사내 서버에서 직접 돌리는 것을 말합니다.; 데이터가 외부로 나가지 않아 폐쇄망 환경에 적합하지만, 모델 크기에 맞는 GPU 메모리가 필요합니다.

개념을 잡았다면, 실전 아티클로

여기 나온 개념들은 매일 발행하는 아티클에서 실제 예제로 다룹니다.

⚡ 아티클 보러 가기