코딩 AI

LinkedIn은 기존 AI 리뷰 도구를 저장소 앞에 그대로 붙이는 대신, 여러 리뷰 에이전트와 조직 고유의 규칙을 결합한 플랫폼을 구축했다. 핵심은 댓글 수가 아니라 환각과 저가치 피드백을 줄이고 개발자가 실제로 채택할 만한 신호를 제공하는 데 있다.

Uncle Bob은 구현을 AI 에이전트에 맡기고, 사람은 자동화된 품질 통제와 아키텍처 판단에 집중하는 개발 방식을 실험하고 있다. 반복적인 코드 검토 부담은 줄일 수 있지만 시스템 구조와 업무 맥락에 대한 판단까지 대체하지는 못한다.

LEGO-RL은 실제 코딩 에이전트가 사용하는 Harness의 제어 흐름을 바꾸지 않고 정책 경사 강화학습과 연결하는 프레임워크입니다. Qwen3.5-35B-A3B를 세 가지 Harness에서 학습해 SWE-bench Verified 성능을 높였습니다.

Oracle이 OpenJDK 기여 과정에서 AI가 생성한 코드를 제출하지 못하도록 했다. 다만 개발자가 LLM을 개인적으로 디버깅이나 코드 리뷰 보조에 쓰는 것은 허용된다.

Prime Intellect가 프로그래밍 Agent Harness인 Prime Agent를 오픈소스로 공개했다. Opus 5와 결합한 구성은 ARC-AGI 3에서 95.5% RHAE Best@1을 기록해 ARC 보고서의 인간 전문가 기준선을 근소하게 넘어섰다고 전해졌다.

새 논문은 LLM 코드 편집에서 ‘삭제 회피’라는 문제를 측정한다. 모델은 고쳐야 할 파일을 찾더라도, 실제로 지워야 할 코드를 남겨두는 경우가 많았다.

Uber의 사례는 AI 코딩 도구가 전사적으로 확산된 뒤에는 채택률보다 비용, 코드 품질, 인프라 지속 가능성이 더 큰 과제가 된다는 점을 보여준다.

FrontisAI는 AI가 AI 개발 과정을 개선하는 능력을 연구하기 위해 OpenMLE와 35B 모델 Frontis-MA1을 공개했다. 이 연구는 재귀적 자기개선을 실행 가능한 머신러닝 엔지니어링 과제로 구체화한다.

이 논문은 코드 모델이 테스트를 통과하는 데 그치지 않고 더 빠르게 실행되는 프로그램을 만들도록 학습하는 방법을 다룬다. 실행 시간을 보상에 넣는 방식은 직관적이지만, 측정 노이즈와 희소한 보상, GRPO 불안정성 때문에 쉽게 실패할 수 있다.

Kimi Code 문서에 Kimi K3의 256k 컨텍스트 버전인 `k3-256k`가 권장 모델로 추가됐다. 1M 컨텍스트 K3보다 쿼터 소모를 줄이면서 일반 개발 작업을 겨냥한다.

207개 GitHub 프로젝트의 리뷰 완료 Pull Request 102만 건을 분석한 연구에 따르면, AI Agent 참여는 코드 리뷰 결정을 빠르게 만들지만 품질 향상으로 일관되게 이어지지는 않는다.

AWS용 Claude App Gateway가 공개되며 Claude Code와 Claude Desktop을 위한 자체 호스팅 제어 평면이 마련됐다. 기업은 인증, 정책, 라우팅, 관측성, 비용 한도를 서버 측에서 통합 관리할 수 있다.

OpenAI의 첫 자체 브랜드 하드웨어는 스마트폰이나 AI 동반자 기기가 아니라 Codex 사용자를 위한 소형 프로그래머블 키보드다. Work Louder와 협업해 설계됐으며 가격은 230달러로 알려졌다.

리눅스 커널 개발에서 AI 코딩 도구를 허용할지를 두고 Linus Torvalds가 강경한 입장을 밝혔다. 핵심 쟁점은 AI 찬반이 아니라, 유용성·오탐·관리자 부담을 어떻게 조율할 것인가다.

arXiv에 공개된 연구는 2361개 인기 GitHub 저장소를 분석해 에이전트형 코딩 도구가 오픈소스 워크플로에 들어오고 있지만, 집중적 활용은 아직 일부 프로젝트에 머물러 있음을 보여준다.

새 arXiv 논문은 AI 코드 생성 중간에 컴파일러 피드백을 제공하는 ‘생성형 컴파일’을 제안한다. Rust처럼 정적 의미 규칙이 강한 언어에서 생성 후 검사만으로는 늦다는 문제를 겨냥했다.