아티클 목록으로
프레임워크·도구

Us vs. Them: AI 편집 환경에서 줄 단위 출처를 추적하는 도구

약 3분 소요

들어가며

AI 에이전트가 코드를 작성하고 문서를 고치는 일이 일상화되면서, 파일 안의 특정 줄이 누구의 손을 거쳤는지 아는 일이 중요해지고 있다. Git은 어떤 사용자가 어떤 버전을 만들었는지는 기록하지만, 현재 파일의 한 문단이나 함수가 주로 인간이 만든 것인지, 아니면 에이전트가 생성한 것인지 바로 알려주지는 않는다. Us vs. Them은 이 문제를 버전 이력과 diff를 통해 해결하려는 도구다.

해결하려는 문제

이 프로젝트의 전제는 단순하다. 인간이 직접 작성했거나 의도를 갖고 수정한 텍스트는 AI 에이전트가 더 조심스럽게 다뤄야 한다. 반대로 에이전트가 만든 임시적이거나 품질이 낮은 부분은 이후 다른 에이전트가 다시 쓰거나 정리해도 되는 여지가 크다.

예를 들어 대부분을 AI로 만든 애플리케이션이라도, 개발자가 특정 코드 영역에는 자신의 설계 의도와 소유감을 반영하고 싶을 수 있다. 다음 에이전트 세션에서 그 부분이 별다른 이유 없이 밀려나서는 곤란하다. README도 마찬가지다. 처음에는 생성된 문서였더라도, 앞부분 몇 문단을 인간이 새로 다듬었다면 뒤쪽은 계속 자동 보완하더라도 시작 부분은 함부로 바꾸지 않는 편이 낫다.

핵심 포인트

  • 별도 표시가 필요 없음: Markdown이나 소스 코드 같은 일반 텍스트에 특별한 주석이나 태그를 넣지 않아도 된다.
  • 이력의 작성자 정보를 활용: 각 버전의 작성자를 인간 또는 에이전트 쪽으로 분류해 현재 텍스트의 출처를 추정한다.
  • 줄 범위 단위 결과: 개별 줄만 기계적으로 추적하는 대신, 의미 있는 덩어리를 범위로 출력한다.
  • diff 기반 접근: 변경 과정에서 구간이 합쳐지거나 나뉘고, 원래 출처가 일부 희석되는 상황을 고려하려는 설계다.
  • CLI와 라이브러리로 사용 가능: Git 저장소 안에서 “ours” 또는 “theirs”에 해당하는 작성자를 지정해 실행할 수 있다.

출력 예시에서 1.00은 완전히 인간이 작성한 범위, 0.00은 완전히 에이전트가 작성한 범위를 뜻한다. 그 사이 값은 원래 인간이 만든 내용이 에이전트에 의해 어느 정도 수정된 상태를 나타낸다.

의미와 영향

Us vs. Them의 목적은 텍스트의 출처를 절대적으로 증명하는 데 있지 않다. 더 중요한 점은 AI 에이전트에게 편집 경계와 맥락을 제공한다는 것이다. 에이전트가 어떤 영역이 인간의 의도와 판단을 담고 있다는 사실을 알면, 즉시 덮어쓰기보다 제안, 패치, 설명 형태로 접근할 가능성이 커진다.

이는 앞으로의 개발 도구가 나아갈 방향도 시사한다. AI 코딩 도우미는 문법, 테스트, 구조뿐 아니라 협업 이력과 소유권의 감각까지 이해해야 할 수 있다. 출처 인식과 편집 예절은 에이전트형 IDE, 자동 리팩터링 도구, 문서 생성 시스템에서 중요한 기능이 될 가능성이 있다.

출처: Hacker News

댓글

로그인 상태 확인 중…

댓글 불러오는 중…

관련 게시물

CCTest · Blog
Modular TTT: 테스트 시 학습을 조합 가능한 모듈로 재해석
프레임워크·도구
cctest.ai
프레임워크·도구

Modular TTT: 테스트 시 학습을 조합 가능한 모듈로 재해석

이 논문은 Test-Time Training을 개별 변형의 집합이 아니라 조합 가능한 설계 공간으로 다시 정의한다. 핵심은 새 변형을 만들기 쉬워지는 것뿐 아니라, 어떤 구성요소가 실제로 성능에 기여하는지 분리해서 볼 수 있다는 점이다.

더 보기
CCTest · Blog
MCP, 무상태 코어로 전환…기업용 AI 도구 연동의 확장성 장벽 낮춘다
프레임워크·도구
cctest.ai
프레임워크·도구

MCP, 무상태 코어로 전환…기업용 AI 도구 연동의 확장성 장벽 낮춘다

Model Context Protocol(MCP)이 출시 이후 가장 큰 폭의 사양 업데이트를 통해 프로토콜 핵심을 무상태 요청/응답 모델로 바꿨다. 이번 변화는 기업 환경에서 필요한 안정성, 확장성, 예측 가능한 운영을 겨냥한다.

더 보기
CCTest · Blog
Interactive Training 2: 실행 중인 모델 학습을 제어하고 감사하는 방법
프레임워크·도구
cctest.ai
프레임워크·도구

Interactive Training 2: 실행 중인 모델 학습을 제어하고 감사하는 방법

Interactive Training 2는 학습 과정을 단순히 관찰하는 것을 넘어, 실행 중인 학습을 공통 프로토콜로 조정하는 오픈소스 제어 평면을 제안한다. 사람과 자동화 컨트롤러가 같은 인터페이스로 요청을 보내고 그 결과를 기록할 수 있다.

더 보기