문맥 (Context): 대화형 대규모 언어 모델 (Conversational Large Language Models, CLLMs)은 자연어를 통해 사용자와 협업함으로써 코드를 자동으로 생성할 수 있습니다. 그러나 협업이 원활하지 않으면 품질이 낮은 결과물로 이어질 수 있습니다. 목적 (Objective): 본 탐색적 연구는 프롬프트 엔지니어링 (Prompt Engineering), 애자일 설계 (Agile Design), 그리고 인간-AI 공동 창작 (Human-AI Co-creation)의 원칙을 통합하여 협업을 강화하는 접근 방식인 바이브 코딩 (Vibe Coding)을 통해 인간과 CLLM이 동료로서 어떻게 협업할 수 있는지 조사하는 것을 목표로 합니다. 방법 (Method): 우리는 소프트웨어 개발 프로세스에서 서로 다른 협업 패턴을 나타내는 네 가지 상호작용 모델을 설계했습니다: 솔로 모델 (Solo model, 인간 전용 개발), 협업 모델 (Collaborative model, 인간-CLLM 협업), 완전 자동화 모델 (Fully automated model, CLLM에 의해 자율적으로 수행되는 개발), 그리고 에이전틱 모델 (Agentic model, MetaGPT~X 플랫폼에 의해 자율적으로 수행되는 개발). 이러한 모델을 기반으로, 우리는 구조화된 프롬프트와 Python 스크립트를 사용하여 상응하는 테스트 주도 개발 (Test-Driven Development, TDD) 워크플로우를 구현했습니다. 그 후, TDD 전문가를 대상으로 통제된 사전 실험 연구를 수행하여 솔로 워크플로우와 협업 워크플로우를 비교했습니다. 또한, 상호 보완적인 증거를 얻기 위해 동일한 개발 작업에 대해 완전 자동화 및 에이전틱 워크플로우를 반복적인 탐색적 실행을 수행했습니다. 결과 (Results): 우리의 연구 결과는 상호작용 모델의 선택이 개발 목적에 따라 달라져야 함을 시사합니다. 에이전틱 워크플로우는 빠른 개발과 기능적으로 정확한 프로덕션 코드에 가장 적합하지만, 추가적인 구현 복잡성을 초래할 수 있습니다. 그러나 이는 기능 명세서에서 명시적으로 요구되지 않은 추가적인 구현 결정을 도입하여, 테스트되지 않은 결정 지점(decision points)을 발생시킬 수도 있습니다. 반면, 협업 워크플로우는 더 높은 품질과 더 잘 조직된 테스트 스위트 (Test suites)를 생성합니다. 결론 (Conclusions): 우리의 연구는 어떻게...