대규모 언어 모델 (Large Language Models, LLMs)의 등장과 함께, 자동화된 소프트웨어 공학 (Automated Software Engineering) 연구는 코드에 대한 더 깊은 의미론적 이해를 달성하거나 정교한 에이전트 기반 프로세스를 설계하기 위해 이러한 모델을 활용하는 데 점점 더 집중하고 있습니다. 그러나 이러한 연구 궤적은 중요한 요소인 개발자 자신을 대체로 간과해 왔습니다. 프로그래밍은 매우 개인화된 활동입니다. 개발자들은 도구 체인 (Tool-chain) 선호도, 도메인 특화 전문 지식, 그리고 문제 해결 전략에서 상당한 차이를 보입니다. 결과적으로, 모든 사용자에게 동일하게 적용되는 현재의 코드 인텔리전스 (Code Intelligence) 시스템 패러다임은 개별 개발자의 요구를 수용하는 데 어려움을 겪고 있습니다.

이러한 격차를 해소하기 위해, 우리는 개발자의 역동적인 프로그래밍 행동과 선호도를 지속적으로 포착하고 해석하여 개발자를 모델링하도록 설계된 새로운 IDE 임베디드 데이터 인프라스트럭처인 VirtualME를 소개합니다. VirtualME는 세 가지 구성 요소를 포함합니다. (1) 로그 수준 행동 추출 (Log-level Behavior Extraction): IDE로부터 개발자의 로그 수준 행동을 포착하고 추출합니다. (2) 태스크 수준 행동 인식 (Task-level Behavior Recognition): 멀티 에이전트 파이프라인 (Multi-agent pipeline)을 통해 로그 수준 행동을 태스크 수준 행동으로 집계합니다. (3) 개발자 페르소나 측정 (Developer-personality Measurement): 기술 스택 (Technology stack), 능력 (Ability), 행동 습관 (Behavioral habits), 학습 스타일 (Learning style)이라는 4차원 개발자 페르소나를 추출하기 위한 규칙 엔진 (Rule engine)을 구축합니다.

VirtualME를 기반으로, 우리는 개발자 페르소나를 Q&A 에이전트에 통합함으로써 개인화된 저장소 수준 지식 Q&A (Repository-level knowledge Q&A)를 위한 솔루션을 제안합니다. 우리는 정확성과 개인화 사이의 균형을 맞춘 실제 개발자 궤적을 포함하는 멀티 저장소 벤치마크를 구축하여 VirtualME를 평가했습니다. 실험 결과, VirtualME로 강화된 답변은 5가지 차원에서 일반적인 베이스라인 (Baselines)보다 뛰어난 성능을 보였으며, 평균 33.80%의 향상을 기록했습니다. 우리의 결과는 풍부하고 지속적인 개발자 행동 데이터가 적응형 및 개인화된 코드 인텔리전스를 위한 새로운 길을 열 수 있음을 보여줍니다.