Codex × Skill × MCP로 AI 코딩을 자동화하는 실전 플로우

최근에는 Codex에게 그 자리에서 코딩을 요청하는 것뿐만 아니라, Skill과 MCP를 조합하여 Backlog에서의 과제 정리, 구현, 리뷰, 커밋 메시지 작성, PR 본문 작성까지 반자동화하고 있습니다.

이 기사에서는 실제로 사용하고 있는 Skill을 곁들여, Codex를 사용한 AI 코딩의 실무 플로우를 정리합니다.

포인트는 단순히 AI에게 질문하는 것이 아니라, Skill로 작업 절차를 템플릿화하고, MCP로 Backlog 등의 외부 시스템과 접속하여 개발 플로우 전체를 자동화하고 있다는 점입니다.

MCP는 AI가 외부 시스템의 정보를 취득하거나 조작하기 위한 접속구입니다.

예를 들어 Backlog의 과제 정보를 취득할 때는, Backlog MCP를 경유하여 과제 키를 지정해 취득합니다.

반면 Skill은 Codex에게 "어떤 절차로 그 작업을 진행할 것인가"를 가르치기 위한 작업 템플릿입니다.

동일한 Backlog 연동이라도, 단순히 과제를 취득하는 Skill, 구현 리뷰를 하는 Skill, PR 설명문을 만드는 Skill은 역할이 다릅니다.

대략적으로 말하면, 다음과 같은 이미지입니다.

MCP: 외부 정보를 가져오기 위한 메커니즘
Skill: Codex에게 시킬 작업 절차의 틀

• Backlog MCP와 backlog Skill로 과제 내용을 취득한다
• Codex와의 채팅으로 요구사항 및 구현 방침을 정리한다
• Codex Agent에게 구현을 진행하게 한다
• backlog-implementation-review Skill로 과제 기준의 리뷰를 한다
• CursorAI로 다시 한번 리뷰한다 (Codex와는 다른 AI에게 리뷰를 받는다)
• japanese-commit-message Skill로 커밋 메시지를 만든다
• backlog-pr-description Skill로 PR 본문을 만든다

가장 먼저 하는 일은 Backlog의 과제 키를 바탕으로 태스크 내용을 정리하는 것입니다.

여기서는 backlog Skill을 사용합니다.

이 Skill은 Backlog MCP를 사용하여 과제 정보를 취득하고, 다음과 같은 항목을 정리한다는 전제로 되어 있습니다.

• 과제 키
• 요약 (Summary)
• 설명
• 상태 (Status)
• 우선순위
• 담당자
• 기한 및 시작일
• 구현 시 대응해야 할 포인트

이를 처음에 해두면 "결국 이 과제에서 무엇을 고쳐야 하는가"가 상당히 명확하게 보입니다.

단순히 과제 본문을 복사해서 AI에게 읽히는 것보다, 작업의 시작이 안정적입니다.

# Backlog 과제 취득
BacklogMCP를 사용하여 과제 내용을 취득하고, 착수 시의 대응 포인트를 정리한다.
## 절차
...

과제를 취득했다면, 바로 코드를 작성하게 하는 것이 아니라 먼저 Codex와 채팅하여 요구사항 정리를 합니다.

여기서 주로 조율하는 점은 다음과 같습니다.

• 과제의 모호한 부분
• 영향 범위
• 기존 구현의 어느 부분을 건드려야 하는가
• 테스트 관점
• 구현 방침의 후보

이 단계는 Skill이라기보다 평소의 대화 기반 설계 페이즈에 가깝습니다.

다만, 처음에 Backlog 정보를 정리해 둠으로써 대화의 정밀도와 구현 속도가 상당히 올라갑니다.

요구사항 정리가 완료되면, Codex Agent에게 구현을 진행하게 합니다.

여기서는 코드베이스를 탐색하면서 필요한 파일을 읽고, 수정하고, 필요하다면 테스트까지 진행합니다.

개인적으로는 이 단계에서 중요한 것은 "갑자기 전부 쓰게 하는 것"이 아니라, 앞 단계에서 정리한 내용을 재료로서 전달하는 것입니다.

그렇게 하면 AI가 임기응변식으로 변경하는 것보다 의도가 있는 수정이 되기 쉽습니다.

Codex Agent는 AGENTS.md를 참조하며 구현을 진행하고 있습니다.

특히, 멋대로 구현이 진행되어 리뷰를 따라가지 못하게 되는 것을 방지하기 위해 다음과 같이 정의하고 있습니다.

- 파일의 생성·편집을 하는 경우에는 반드시 채팅으로 구현 예시를 제시하고, 승인되면 구현해 주세요.
- 불분명한 것이 있다면 모호한 답변은 하지 말고 "모르겠습니다"라고 답변해 주세요.
- 커뮤니케이션은 밝게, 가끔 이모지를 사용해 주세요.

구현 후에는 backlog-implementation-review Skill을 사용하여 리뷰합니다.

이 부분은 조금 중요한 포인트인데, PR 설명문 생성 Skill과 리뷰의 역할은 별개입니다.

backlog-implementation-review

: 과제 내용을 기준으로 구현이 올바른지 리뷰한다 -
backlog-pr-description

: 차분(diff)과 과제 정보를 바탕으로 PR 본문을 작성한다

리뷰 Skill에서는 과제 본문을 기준으로 다음 관점을 확인합니다.

• 요구사항이 충족되었는가
• 사양(specification) 불일치가 없는가
• 회귀 리스크(regression risk)가 없는가
• 예외 케이스나 경계값 고려가 누락되지 않았는가
• 테스트가 부족하지 않은가

단순한 소스 코드 리뷰가 아니라, "해당 Backlog 과제에 대해 올바른 구현인가"를 확인할 수 있다는 점이 장점입니다.

# Backlog 구현 리뷰
입력된 Backlog 과제 키를 바탕으로, 먼저 Backlog MCP를 통해 과제 내용을 가져온다.
가져온 과제 내용을 리뷰 관점의 기준으로 삼아, 로컬 코드베이스상의 기존 구현을 확인하고 구현이 과제에 적절한지 리뷰한다.
...

Codex만으로 끝내지 않고, Cursor(Composer)로 한 번 더 리뷰합니다.

AI마다 관점이 조금씩 다르기 때문에, 별도의 리뷰어를 추가하는 느낌입니다.

사람의 리뷰를 줄인다기보다, AI 단계에서 거친 실수나 간과한 부분을 미리 줄여 놓는 이미지입니다.

차분이 확정되면, japanese-commit-message Skill을 사용하여 커밋 메시지를 만듭니다.

이 Skill은 스테이징(staged)된 차분과 현재 브랜치명을 보고, 일본어 커밋 메시지를 정해진 포맷으로 생성합니다.

중요한 것은 메시지 생성에서 멈추고, 마음대로 commit이나 push를 하지 않는다는 점입니다.

즉,

• 차분 요약은 AI에게 맡긴다
• 실제로 commit / push를 할지는 사람이 판단한다

라는 역할 분담이 가능합니다.

# 일본어 커밋 메시지 생성
스테이징된 Git 차분을 분석하여 일본어로 커밋 메시지를 작성한다.
## 필수 규칙
...

마지막으로 backlog-pr-description Skill을 사용하여 PR 본문을 만듭니다.

이 Skill은 주로 다음 정보를 사용하여 PR 문구를 작성합니다.

• 현재 브랜치명 git diff origin/master...HEAD
• Backlog MCP로부터 가져온 과제 정보

출력은 대략 다음과 같은 구성입니다.

• 작업 내용
• 테스트
• 비고

변경 차분만 보고 PR을 쓰는 것이 아니라, Backlog 과제의 배경까지 고려하여 정리할 수 있으므로 리뷰하는 측에도 전달하기가 쉬워집니다.

# Backlog 풀 리퀘스트(PR) 작성
git 차분과 Backlog MCP를 사용하여 PR용 설명문을 작성한다.
## 필수 규칙
...
```markdown
# 작업 내용
[Backlog 태스크의 개요와 구현 내용을 기재]
# 테스트
[실시한 테스트 내용을 기재]
# 비고
[기타 주의사항이나 보충 정보를 기재]

이 흐름의 좋은 점은 AI를 단순한 질문 상대로 사용하는 것이 아니라, 작업 공정마다 역할을 고정할 수 있다는 것입니다.

- 과제 취득은 `backlog`
- 과제 기준 리뷰는 `backlog-implementation-review`
- 커밋 문구 작성은 `japanese-commit-message`
- PR 문구 작성은 `backlog-pr-description`

이렇게 나누어 둠으로써 매번 프롬프트를 처음부터 생각할 필요가 없습니다.

특히 팀 단위로 사용할 경우, 작업 진행 방식을 통일하기 쉽다는 것도 큰 이점입니다.

현재 상당히 잘 맞아떨어지고 있는 것은, `MCP`로 필요한 정보를 가져오고, `Skill`로 Codex의 작업 절차를 고정하는 방식입니다.

이를 통해 과제 확인부터 구현, 리뷰, 커밋, PR 작성까지의 흐름을 상당히 안정적으로 돌릴 수 있게 되었습니다.

AI에게 전부 떠넘긴다기보다, AI가 헤매지 않도록 레일을 직접 마련해주고 그 위를 달리게 하는 감각에 가깝습니다.