참고팁Reddit
AI 코딩 에이전트 'AutoDev Studio' 공개: 리포지토리 사전 학습으로 추론 비용 70% 절감
반복적인 코드베이스 탐색 없이 사전 인덱싱된 지식을 활용해 에이전트 비용을 획기적으로 낮춘 사례입니다.
요약
오픈소스 멀티 에이전트 SDLC 도구인 'AutoDev Studio'가 대규모 코드베이스 작업에서 기존 AI 코딩 에이전트 대비 높은 효율성을 입증했다. 최대 8만 2천 라인(LOC) 규모의 저장소에서 테스트한 결과, 'Claude Code'와 같은 콜드(Cold) 방식의 실행보다 비용을 7%에서 75%까지 절감했다. 기존 에이전트들이 매 작업마다 저장소를 새로 탐색하는 것과 달리, AutoDev Studio는 정적 분석과 로컬 임베딩 인덱스를 활용해 저장소의 지식 베이스를 한 번만 구축하고 재사용하는 방식을 채택했다. 이를 통해 작업 위치 파악 과정을 매번 수행하는 대신 검색(Lookup) 방식으로 대체하여, 207번의 턴이 필요했던 작업 비용을 6.83달러에서 약 1.70달러로 크게 낮췄다. 현재 PM 에이전트가 질문을 통해 요구사항을 구체화하는 기능 등을 포함하고 있으며, 벤치마크 결과는 오픈소스 저장소의 README에서 확인할 수 있다.
AI가 원문을 요약한 내용으로, 부정확할 수 있습니다.
원문 제목 I built an open-source multi-agent SDLC harness that beats a cold Claude Code run on large repos — by learning the repo once. Real benchmarks (incl. where it loses) inside.
원문 보기 ↗