AI 코딩
비개발자가 Claude Code로 월간 엑셀 합산을 자동화하며 배운 것
코드를 못 읽어도 엑셀 합산 스크립트는 만들어지지만, 부호가 뒤집힌 합계처럼 결과 검증은 사람이 해야 한다
MCP 2026 로드맵: 트랜스포트 확장성·에이전트 통신·거버넌스·엔터프라이즈 준비
Model Context Protocol(MCP) 팀이 2026년 로드맵에서 네 가지 우선순위를 제시했다. ① HTTP 트랜스포트의 수평 확장·세션 관리·메타데이터 기반 서버 디스커버리, ② Tasks 프리미티브 개선(일시적 실패 시 재시도 시맨틱·만료 정책), ③ 컨트리뷰터 사다리와 워킹그룹 위임 모델 같은 거버넌스 성숙, ④ 감사 로그·SSO 인증·설정 이식성 등 엔터프라이즈 준비다. 직전 스펙은 2025년 11월에 나왔고, 로드맵 글(2026년 3월 9일) 기준 이후 새 버전은 발표되지 않았다. MCP는 Anthropic·OpenAI·Google·Microsoft·AWS 등 주요 벤더가 모두 지원하는 사실상 표준으로 자리 잡았기에, MCP 서버를 만들거나 사내 도구를 연결하는 한국 개발자는 스트리머블 HTTP 트랜스포트와 Tasks의 재시도·만료 설계를 미리 이해해두는 게 좋다.
Qwen3-Coder-Next 등 오픈웨이트 모델로 로컬에서 코딩 에이전트 돌리기
2026년 들어 로컬에서 돌릴 수 있는 오픈웨이트 코딩 모델이 실용 수준에 올라섰다. Alibaba Qwen 팀이 2026년 2월 공개한 Qwen3-Coder-Next는 총 80B MoE 중 한 번에 3B 파라미터만 활성화하는 구조로, 단일 머신에서 약 46GB 메모리로 SWE-bench Verified 70.6%를 달성했다고 보고된다. 같은 시기 GLM-5(Zhipu, MIT 라이선스), MiniMax M2.5 등 프런티어급 오픈소스 모델이 연달아 나오며 상용과의 격차가 좁혀졌다. Qwen은 Qwen3-Coder에 최적화된 오픈소스 터미널 에이전트 Qwen Code도 제공해, Claude Code나 Aider 같은 경험을 오픈 인프라만으로 구성할 수 있다. 보안·데이터 주권이 중요한 한국 팀이나 비용 민감한 프로젝트라면, 외부 API 없이 온프레미스로 에이전틱 코딩을 시도해볼 현실적 선택지가 생겼다.
SWE-bench Verified 리더보드 정리: 프런티어 모델과 오픈웨이트의 격차가 한 자릿수로
2026년 SWE-bench Verified 리더보드에서 Anthropic Claude Fable 5(6월 9일 공개)가 95.0%로 선두를 차지했고, Claude Opus 4.8은 88.6%를 기록했다. 주목할 변화는 오픈웨이트 진영의 추격으로, DeepSeek-V4-Pro-Max 80.6%, MiniMax M3 80.5%, Qwen3.7 Max 80.4%가 0.2%p 안에 몰리며 상용 모델과의 격차가 한 자릿수로 좁혀졌다. 또 하나 알아둘 점은 벤치마크 자체의 이동이다. SWE-bench Verified가 포화에 가까워지면서 OpenAI는 Verified 점수 보고를 중단하고 더 어렵고 현실적인 SWE-bench Pro를 권장하기 시작했다. 따라서 한국 개발자는 단일 점수만 보지 말고, 어떤 벤치마크에서 측정됐는지와 실제 작업(태스크당 비용·다국어 코드)을 함께 봐야 한다.
[설명] 코딩 에이전트의 성패를 가르는 컨텍스트 엔지니어링
AI 코딩 에이전트는 컨텍스트 윈도우에 들어온 것만 안다. 회사의 아키텍처, 승인된 라이브러리, 폐기된 패턴, 수년 전의 설계 결정은 명시하지 않으면 모른다. 그래서 2026년 현장의 핵심 역량은 모델 선택이 아니라 컨텍스트 엔지니어링이다. 실무 원칙은 다음과 같다. 컨텍스트 파일은 Markdown으로 작성하고(Claude Code·Cursor·Copilot·JetBrains가 공통 지원), Architecture·Conventions·Testing·Anti-patterns·Commands처럼 개발자가 생각하는 방식대로 H2 섹션을 나눈다. 컨텍스트 파일은 코드와 함께 버전 관리하고 아키텍처가 바뀌면 즉시 갱신하며(낡은 컨텍스트는 깨진 코드로 취급), 'X는 절대 쓰지 말고 Y를 써라' 같은 안티패턴 명시는 투자 대비 효과가 가장 큰 항목이다. 탐색과 구현을 분리하고 검증을 포함한 반복 가능한 워크플로를 쓰면, 같은 모델로도 결과의 일관성이 크게 올라간다.