세계사 데이터베이스 팀의 개발 방법론

서론

안녕하세요. 주식회사 COTEN에서 엔지니어로 일하고 있는 kotono와 mizutaku입니다. kotono는 프로덕트 개발 팀, mizutaku는 데이터 플랫폼 개발 팀에 소속되어 있습니다. 본 기사는 두 사람의 공동 집필로, 각자 자신의 팀 내용을 담당했습니다.

COTEN의 두 개발 팀은 모두 생성 AI (Generative AI)를 전제로 한 개발 스타일로 크게 방향을 전환하고 있는 중입니다. 한편, 팀에 따라 다루는 시스템의 성질이 다르기 때문에, AI를 도입하는 방식이나 워크플로우에는 차이가 생기고 있습니다. 본 기사에서는 태스크 관리·설계·구현 플로우나 AI 도구의 활용 방법 등, 양 팀 각각의 개발 방법론을 소개합니다.

※ 이것은 2026년 6월 시점의 개발 방법론이며, 매일 업데이트를 진행하고 있습니다.

팀 소개

COTEN은 「세계사 데이터베이스」를 개발하고 있는 회사입니다. 이는 역사상의 인물이나 사건을 구조화하여 축적하고, 연표나 지도 등 다양한 관점에서 횡단적으로 볼 수 있도록 하는 것을 목표로 하는 데이터베이스로, 머지않아 누구나 인류의 역사를 의사결정이나 학습에 활용할 수 있는 지적인 인프라가 되는 것을 지향하고 있습니다.

이 세계사 데이터베이스를 실현하기 위해, COTEN의 개발 팀은 크게 두 개로 나뉘어 있습니다. 하나는 축적된 역사 데이터를 사용자에게 전달하는 프로덕트를 개발하는 「프로덕트 개발 팀」, 다른 하나는 그 역사 데이터를 수집·가공·관리하는 기반을 개발하는 「데이터 플랫폼 개발 팀」입니다. 각각의 체제와 개발하고 있는 것을 소개합니다.

프로덕트 개발 팀

개발 인원

엔지니어 4명, PdM/디자이너 2명으로 개발을 진행하고 있습니다. 엔지니어는 명확하게 역할을 나누지 않고, 각자의 특기 영역이나 관심 있는 영역을 담당하고 있습니다.

무엇을 개발하고 있는가

2026년 2월부터 새로운 Web Application을 개발하고 있습니다. 세계사 데이터베이스의 데이터를 연표나 지도, 포스트잇(Sticky note)으로서 보드 위에 나열하여, 자신만의 방식으로 정리하며 역사 조사를 할 수 있는 프로덕트입니다.

기술 스택

• 프론트엔드: TypeScript / React 19 / Next.js 16 (App Router) / Tailwind CSS v4 / shadcn/ui / Storybook
• 백엔드: Next.js Server Functions / GraphQL / Prisma
• DB: PostgreSQL (PlanetScale)
• 인증 인가: NextAuth.js / Firebase Auth
• 테스트: Vitest
• 인프라: Vercel / Sentry

데이터 플랫폼 개발 팀

개발 인원

엔지니어 5명으로 개발을 진행하고 있습니다. 대략적인 역할은 있지만, 서로의 역할을 보완하며 팀으로서 시스템과 코드에 책임을 지는 노력을 하고 있습니다.

무엇을 개발하고 있는가

데이터 플랫폼 개발 팀이 개발하고 있는 것은 세계사 데이터베이스 그 자체를 지탱하는 기반이 되는 시스템군입니다. 역사 데이터를 모으고, 정돈하고, 품질을 유지하며 축적해 나가기 위한 메커니즘을 다음의 3가지 시스템으로 개발하고 있습니다.

• 데이터 가공 시스템 (데이터 파이프라인)

• 2021년 7월부터 시동. 수집한 역사 데이터를 세계사 데이터베이스의 형태로 가공해 나가는 핵심 시스템

• 데이터 열람·편집·관리 시스템 (사내 프로덕트)

• 2023년 8월부터 시동. 엔지니어 이외에도 데이터를 수집할 수 있는 메커니즘

• 데이터 분석 기반

• 2023년 11월부터 시동. 수집한 데이터의 품질 체크나 활용 방법 연구를 수행

기술 스택

• 프론트엔드: TypeScript / React 19 / Tailwind CSS v4 / shadcn/ui
• 백엔드: NestJS 11 / Python3 / Go / Hasura / dbt / Prisma
• DB: PostgreSQL / Snowflake
• 인증 인가: Firebase Auth / Hasura
• 테스트: Vitest / pytest / dbt-test
• 인프라: AWS / Google Cloud / Grafana / Sentry

AI에 대한 생각

프로덕트 개발 팀

설계나 구현 시 Claude Code를 사용하거나, 각종 도구의 MCP를 연동하는 등 개발 흐름에 AI를 적극적으로 도입하고 있습니다. 현재는 인간이 리뷰나 의사결정에 관여하며 AI를 활용하는 Human-in-the-loop를 기본으로 하고 있습니다. 다만, 소수의 인원으로 프로덕트의 개발 속도를 높여야 하므로, 향후에는 AI가 태스크를 구현하고 다음 태스크로 자동 착수하는 단계까지 인간의 개입을 단계적으로 줄여나가고자 합니다.

데이터 플랫폼 개발 팀

이 팀 역시 Human-in-the-loop를 기본으로 하며, "AI가 기안·구현·1차 리뷰를 담당하고, 인간이 방침 결정·최종 리뷰·머지(Merge)를 담당한다"는 형태를 취하고 있습니다. COTEN에는 AI가 출력하는 세상의 (최대공약수적인) 정답에 적합하지 않은 케이스가 존재합니다. Exit를 목표로 하지 않는 자금 조달, 스타트업의 PMF와는 다른 프로덕트 개발, 특정 사용자에 대한 과제 해결을 하지 않는 사상, 데이터 신뢰성 확보를 철저히 하는 태도 등입니다. 그 성질상 시스템 설계에서 일반적인 베스트 프랙티스(Best Practice)를 그대로 적용할 수 없는 경우도 있기 때문에, 인간의 판단을 배제하는 "Human-on-the-loop / 자율" 단계로는 의도적으로 나아가지 않고 있습니다. 그렇다고 AI에 대해 비관적인 것은 아니며, 개발 인원도 한정되어 있기 때문에 신중하게 판단하면서도 활용할 수 있는 부분은 적극적으로 사용해 나가는 방침입니다.

태스크 관리

프로덕트 개발 팀 / 데이터 플랫폼 개발 팀

태스크 관리 방법은 두 팀 모두 공통적입니다. 둘 다 Notion으로 관리하고 있으며, 개발 초기에 팀 멤버들과 사양을 논의하고 작업 단위를 Epic으로 정리했습니다. 사양 변경이나 추가 작업이 발생할 경우 수시로 Epic을 생성하고 있습니다. 개발은 2주 1스프린트의 애자일(Agile) 형식으로 진행하며, 스프린트 계획 시 Epic의 담당자를 결정합니다.

설계

두 팀 모두 설계의 결과물로서 Feature Spec(사양서)과 Design Doc(설계서)이라는 두 가지 문서를 작성하여 Notion으로 관리하고 있습니다. 한편, 설계 진행 방식이나 AI를 참여시키는 방식에는 차이가 있습니다.

프로덕트 개발 팀

방법을 통일하고 있는 것은 아니지만, 기본적으로는 Epic 담당자가 Claude Code를 사용하여 기술 조사나 설계를 하는 경우가 많습니다. 그 결과물을 바탕으로 멤버들과 논의하기도 합니다. 향후에는 AI가 문서를 참조하기 쉽게 하기 위해, 리포지토리(Repository) 내에 마크다운(Markdown) 파일로 배치하는 것도 검토하고 있습니다.

데이터 플랫폼 개발 팀

현 단계에서는 "설계에 인간의 의지를 반영해야 한다"는 사상이 있기 때문에, 인간에 의한 적극적인 개입을 수행하는 방식을 취하고 있습니다. 리뷰의 정밀도를 높이기 위해 AI에게 다양한 관점에서 지적을 받도록 하는 시도도 시작되었습니다.

구현

프로덕트 개발 팀

구현과 규칙 정비

여러 명이 Claude Code를 사용하여 개발을 진행함에 있어, 최소한의 코딩 규칙을 보장하고 싶기 때문에 ESLint 규칙과 AGENTS.md를 충실히 작성하도록 의식하고 있습니다. AGENTS.md에는 패키지 매니저나 lint 실행 방법 같은 작업 규칙, 문서 맵(Document Map)·스킬 목록 등을 100줄 정도로 기재하며, Claude Code는 이를 기점으로 프로젝트의 규칙과 관련 문서를 파악합니다. 루트(Root)에 있는 docs 폴더에는 CODING_STYLE.md나 ARCHITECTURE.md 등의 상세 규칙을 두어, AGENTS.md의 문서 맵에 이들을 연결해 두었습니다.

UI 구현

디자이너가 준비한 디자인 데이터가 Figma에 있기 때문에, Claude Code와 Figma MCP를 연동하고 있습니다. 또한 UI의 통일성을 도모하기 위해 간이 디자인 시스템도 마련해 두었습니다. Figma MCP와 디자인 시스템이 있음으로써, 구현 시에는 해당 컴포넌트의 Figma URL을 Claude Code에 전달하는 것만으로 Figma에 가까운 UI 구현이 가능해졌습니다. 하지만 아직 세밀한 레이아웃이나 인터랙션(Interaction) 조정이 필요한 경우도 있습니다. 그래서 UI 피드백을 수월하게 하기 위해 Agentation이라는 도구를 도입했습니다. 브라우저 상에서 UI에 직접 피드백을 작성하고, 복사 버튼을 통해 Claude Code에 붙여넣기만 하면 대상 요소의 위치까지 특정해주기 때문에 수정 지시의 번거로움이 크게 줄었습니다. 또한 세밀한 UI 조정을 디자이너가 직접 하고 싶을 때도 유용합니다.

자동화 워크플로우

Issue 생성부터 구현, PR(Pull Request) 작성까지 일관되게 자동화하는 워크플로우는 현시점에서는 아직 정비하지 않았습니다. 반면, 사람이 Claude Code를 사용하여 개발을 진행하는 과정에서 맡길 수 있는 작업은 AI에게 위임하고 있습니다. 예를 들어 PR 작성과 설명문 기술, 테스트 코드 생성은 멤버 전원이 Claude Code에 맡기고 있으며, 커밋 분할이나 브랜치 조작 등도 명확한 공통 규칙은 없지만 각자가 AI에게 맡기는 경우가 많습니다. 우선은 사람이 주도하면서, 맡길 수 있는 부분부터 조금씩 AI에게 위임하고 있는 단계입니다.

코드 리뷰

리뷰용 스킬(Skill)을 준비하여 로컬 개발 시나 PR 작성 시의 CI(Continuous Integration)에서 사용하고 있습니다. 이러한 AI 리뷰를 정비하고 있기 때문에, 프로덕트 개발 팀에서는 다른 멤버에 의한 리뷰를 임의 사항으로 두고 있으며, 기본적으로는 Claude Code에 의한 리뷰만으로 진행하고 있습니다. 다만, 다른 사람이 무엇을 구현했는지나 중요한 변경 사항을 놓칠 가능성이 있기 때문에, 구현자가 공유할 가치가 있다고 판단한 PR에는 share worthy 라벨을 붙이고, 라벨이 붙은 것을 주 1회 코드 리뷰 회의에서 공유하고 있습니다.

데이터 플랫폼 개발 팀

구현과 규칙 정비

Claude와 Codex를 병용하며 AI에 의한 구현을 기본으로 하고 있습니다. AI의 코드 품질에 편차가 생기지 않도록 규칙의 명문화와 CI/CD 정비를 철저히 하고 있습니다. 규칙은 AGENTS.md를 기점으로, 각 서브 프로젝트의 CLAUDE.md가 빌드(Build)·테스트(Test)·lint 명령어를 가지는 구성입니다. 정적 분석은 Biome / ESLint / tsc를 사용하며, PR별 CI에서는 lint·유닛 테스트(Unit Test)·실제 PostgreSQL을 사용한 DB 테스트·E2E·커버리지(Coverage) 측정을 실행합니다. 이에 더해 RLS(Row Level Security) 커버리지 체크나 Prisma 스키마의 drift 탐지도 자동으로 실행하며, 이 모든 체크를 통과하지 않으면 머지(Merge)할 수 없도록 하고 있습니다.

자동화 워크플로우

구현의 일부는 워크플로우로서 자동화를 진행하고 있습니다. 현재는 PoC(Proof of Concept) 단계이지만, GitHub Issue에 특정 라벨을 부여하면 AI가 설계·구현부터 PR 작성까지 수행하는 워크플로우나, PR에 코멘트를 남기면 수정 커밋을 push하는 워크플로우 등이 있습니다. 이것들은 Claude Code GitHub Actions를 중심으로 실현하고 있습니다. 또한, 비엔지니어라도 AI 워크플로우를 기동할 수 있도록 Slack이나 Notion에서 GitHub Issue를 생성할 수 있는 메커니즘도 계획 중입니다.

코드 리뷰

최종 리뷰는 사람이 수행하지만, Claude / Codex에 의한 1차 리뷰도 도입하고 있습니다. 자세한 내용은 후술할 코드 품질 항목에서 설명하겠지만, 과거 리뷰의 경향으로부터 규칙화를 진행하였고, 그 규칙에 따라 AI가 리뷰를 수행하도록 하고 있습니다.

AI의 정밀도를 높이는 고안 (Skills · 코드 품질)

프로덕트 개발 팀

팀에서 공유하는 커스텀 스킬을 .claude/skills/에 몇 가지 정의해 두었습니다. 개발 환경 기동용 스킬, shadcn/ui 컴포넌트 추가용 스킬과 같은 개발 워크플로우 자동화에 더해, 로컬 코드 리뷰용 스킬, npm 취약점 수정 스킬, 보안 스캔용 스킬과 같은 품질·보안 계열의 스킬도 정비해 두었습니다.

데이터 플랫폼 개발 팀

Skills에 대해서는 팀에서 공유하고 있는 것은 현재로서는 딱히 없습니다. 현상태는 각자가 사용하기 편한 것을 작성하여 사용하고 있으며, 그중에서 편리했던 것을 팀 내에서 공유하는 형태를 취하고 있습니다. 코드 품질에 대해서는 AI 리뷰의 정밀도를 높이기 위해, 4년간 축적된 약 1,000건의 리뷰 코멘트로부터 자주 빈출되는 리뷰 관점을 리스트화하여 약 60개의 규칙(아키텍처·명명·에러 처리·테스트 등)을 AI에게 부여하고 있습니다.

마치며

지금까지 COTEN의 두 개발 팀의 개발 방법을 소개했습니다. 두 팀 모두 Human-in-the-loop를 기본으로 하여 AI를 개발 플로우에 적극적으로 도입하고 있다는 점은 공통적입니다. 한편, 프로덕트 개발 팀은 소수 인원으로 개발 속도를 높이기 위해 AI로의 위임을 진행하고 있고, 데이터 플랫폼 개발 팀은 핵심 시스템을 지탱하는 입장에서 인간의 관여를 유지하는 것을 중시하고 있어, AI와의 거리 조절 방식에는 차이가 발생하고 있습니다. 여기서 소개한 수법은 2026년 6월 시점의 것이며, 양 팀 모두 매일 시행착오를 거듭하고 있는 중입니다. 단 하나라도 여러분의 개발에 참고가 된다면 좋겠습니다.

집필자

토론 (Discussion)