지속적 메모리, 88개 스킬 및 코드베이스 지능을 갖춘 Claude Code용 AI 레이어 구축기

지난 몇 달 동안 저는 저의 소프트웨어 프로젝트를 위한 AI 개발 시스템을 구축하는 데 시간을 보냈고, 그 일부를 오픈 소스 Claude Code 플러그인으로 공개하기로 결정했습니다.

이것은 Bootstrap AI Layer라고 불립니다.

이 프로젝트는 제가 AI 지원 소프트웨어 개발에서 계속해서 동일한 한계에 부딪혔기 때문에 시작되었습니다.

에이전트들은 세션 간에 중요한 컨텍스트를 잃었습니다. 그들은 이미 분석했던 코드를 반복적으로 검색하고, 때로는 의존성을 이해하지 못한 채 변경을 가했으며, 심지어 검증(verification)이 뒷받침되지 않았음에도 작업이 완료되었다고 보고하는 경우가 있었습니다.

저는 단순히 프롬프트 모음집 이상의 무언가를 원했습니다.

그래서 저는 에이전트 자체를 중심으로 엔지니어링 레이어를 구축하기 시작했습니다.

제가 구축한 것

AI Layer는 현재 공개된 릴리스 인벤토리에 따르면 3개의 플러그인 팩에 걸쳐 88개 스킬과 25개 에이전트 정의를 포함하고 있습니다.

이 시스템은 여러 가지 역량을 통합합니다:

• 지속적인 프로젝트 메모리 (Persistent project memory): 로컬 DuckDB 데이터베이스가 세션 기록과 프로젝트 지식을 재시작 간에도 유지합니다.
• 코드베이스 지능 (Codebase intelligence): TypeScript 언어 서버는 전체 파일을 반복적으로 읽을 필요 없이 심볼 정의, 참조, 타입 및 종속성 정보를 제공합니다.
• 검색 우선 워크플로우 (Retrieval-first workflows): 에이전트는 검색하거나 연구하기 전에 기존 지식과 코드 인덱스를 확인하도록 지시받습니다.
• 소프트웨어 엔지니어링 워크플로우 (Software engineering workflows): 요구사항 수집, PRD(Product Requirements Document), 리서치, 구현, 문서화, 테스트 및 CI/CD 운영을 다루는 스킬들입니다.
• 특수 에이전트 (Specialized agents): 아키텍처, 엔지니어링, QA, 보안, 문서화 및 기타 책임을 위한 정의된 역할입니다.
• 마케팅 자동화 (Marketing automation): 리드 리서치, 아웃리치, 콘텐츠 생성, 소셜 미디어 및 분석을 위한 선택적 스킬입니다.
• 인프라스트럭처 자동화 (Infrastructure automation): 선택적인 K3s 및 GitLab CI 러너 관리를 포함합니다.

다중 에이전트 작업 오너십(multi-agent work ownership), 조정, 전체 릴리스 오케스트레이션 등을 포함하는 일부 고급 워크플로우는 이 저장소에 포함되지 않은 별도의 Brain Gateway가 필요합니다.

로컬 개발 및 메모리 도구는 해당 게이트웨이 없이도 작동합니다.

메모리 시스템 작동 방식

프로젝트에서 가장 유용한 부분 중 하나는 로컬 DuckDB 브레인입니다.

Claude Code 세션은 대화 기록과 프로젝트 정보를 보존할 수 있어 미래 세션에서 관련 컨텍스트를 검색할 수 있습니다.

TypeScript 언어 서버 통합은 에이전트가 실제 코드 심볼 및 그 참조를 탐색하는 데 도움을 주어 메모리를 보완합니다.

이는 큰 컨텍스트 창(context window)을 갖는 것이 유용한 컨텍스트를 갖는 것과 같지 않기 때문에 중요합니다.

제 접근 방식은 에이전트에게 전체 파일, 오래된 대화, 관련 없는 프로젝트 문서를 지속적으로 공급하기보다는 에이전트가 필요로 하는 특정 정보를 검색하는 것이었습니다.

직접 사용해 보기

공개 저장소는 MIT 라이선스가 적용됩니다.

저장소(Repository): https://gitlab.com/kriscodes2-claude-plugins/ai-layer

Claude Code 내부에서 Core 플러그인을 다음 명령어를 사용하여 설치하세요:

/plugin marketplace add https://gitlab.com/kriscodes2-claude-plugins/ai-layer.git
/plugin install ai-layer-core@kriscodes2-claude-plugins
/ai-layer:doctor --fix

Claude Code를 재시작한 후, 프로젝트 내부에서 초기화하세요:

/ai-layer:init

이 설치 과정에는 Node.js 20 이상이 필요합니다. TypeScript 코드 탐색을 위해서는 프로젝트에 TypeScript가 필요합니다.

사용 가능한 스킬은 다음 명령어로 확인할 수 있습니다:

/ai-layer:help

선택적인 마케팅 및 인프라 팩은 별도로 설치할 수 있습니다.

제가 배운 것들

이것을 구축하면서 얻은 가장 큰 교훈 중 하나는 더 유능한 모델이 자동으로 더 신뢰할 수 있는 엔지니어링 워크플로우를 만들어내지는 않는다는 것입니다.

주변 시스템(surrounding system)이 중요합니다.

에이전트가 올바른 코드를 어떻게 찾을까요?

이전에 어떤 세션에서 무엇을 발견했는지 어떻게 알까요?

여러 에이전트들이 같은 파일을 변경하는 것을 어떻게 피할 수 있을까요?

완료된 작업과 실제로 검증(verification)을 통과한 작업을 어떻게 구별할 수 있을까요?

이것들은 단순히 프롬프팅 문제(prompting problems)가 아니라 소프트웨어 엔지니어링 및 조정(coordination) 문제입니다.

저는 검색(retrieval), 상태 관리(state management), 문서화(documentation), 테스트, 그리고 개별 에이전트와 공유 인프라 사이의 경계에 상당한 시간을 할애했습니다.

개선할 부분은 여전히 많지만, 이 경험을 통해 AI 지원 개발에는 모델 주변에 더 강력한 엔지니어링 관행(engineering practices)이 필요하다는 저의 믿음이 강화되었습니다.

제가 공유하는 이유

저는 원래 개인 프로젝트를 위해 이 툴링을 구축했습니다. 구독을 판매하거나 고객을 확보하기 위한 목적은 아니었습니다.

이제 저는 재사용 가능한 구성 요소들을 도움이 될 만한 다른 엔지니어들에게 제공하고 싶습니다.

공개 버전에는 제가 개발한 전체 플랫폼이 포함되어 있지는 않지만, 독립형 도구들, 로컬 메모리 구현체, MCP 서버, 플러그인 팩은 탐색해 보실 수 있습니다.

저는 특히 Claude Code, MCP, TypeScript 또는 다중 에이전트 시스템(multi-agent systems)을 사용하며 작업하는 개발자들의 피드백에 관심이 많습니다.

만약 유사한 도구를 구축하고 있다면, 영속 메모리(persistent memory), 코드베이스 검색(codebase retrieval), 그리고 검증은 어떻게 처리하고 계신가요?

접근 방식을 비교하고, 아키텍처적 트레이드오프(architectural trade-offs)를 논의하며, 기여 내용을 검토하는 것에 관심이 있습니다.

소스 코드: https://gitlab.com/kriscodes2-claude-plugins/ai-layer