나 어려운거 못읽어서.. 


https://arxiv.org/abs/2504.19413


1. 요약: "코딩 AI 새끼들 지능 문제 해결법"

현재 코딩 에이전트들이 대규모 코드베이스(Repo)에서 버벅이는 이유는 **'의도(Intent)'**와 **'구현(Implementation)'**이 따로 놀기 때문입니다.

  • 기존 방식의 문제: * API 문서만 보는 놈: "이 기능은 ~를 합니다"라는 설명(의도)은 잘 알지만, 정작 그게 어느 파일 몇 줄에 있는지 못 찾음.

    • 의존성 그래프(Dependency Graph)만 보는 놈: 호출 관계는 빠삭한데, 이 함수가 도대체 '왜' 호출되는지, 설계 의도가 뭔지 모름.

  • 해결책: RPG-Encoder. 코드에서 의미를 추출해서 '기능별 지도'를 만들고, 이걸로 AI가 길을 찾게 만듦.

2. 어떻게 작동함? (3단계 날먹 전략)

AI가 코드를 이해하고 관리하는 과정을 3가지 메커니즘으로 최적화했습니다:

  1. Semantic Lifting (의미 뻥튀기):

    • 생짜 코드를 보고 "얘는 인증 담당임", "얘는 데이터 처리용임" 같은 식으로 의미를 추출(Lifting)해서 그래프 노드로 만듭니다.

    • 단순 폴더 구조가 아니라, 기능 중심의 3단계 계층(<영역>/<카테고리>/<서브카테고리>)으로 재정렬합니다.

  2. Incremental Evolution (가성비 업데이트):

    • 코드 수정될 때마다 전체를 다시 읽으면 돈 아까우니까, 바뀐 부분(Diff)만 파악해서 그래프를 업데이트합니다.

    • 이 방식으로 유지보수 비용을 95.7%나 절감했습니다. ㄹㅇ 가성비 지리는 부분이죠.

  3. Unified Interface (AI 전용 네비게이션):

    • AI한테 SearchNode(검색), FetchNode(코드 가져오기), ExploreRPG(그래프 탐색)라는 전용 도구를 줍니다.

    • AI는 먼저 지도를 슥 보고(Explore), 의심되는 곳을 검색한 뒤(Search), 확신이 서면 코드를 뜯어보는(Fetch) 'Search-then-Zoom' 전략을 씁니다.

3. 그래서 성능은? (팩트 체크)

  • SWE-bench Verified: Acc@5 기준 93.7% 찍으면서 기존 SOTA(최고 성능)들 다 처바르고 1등 찍었습니다.

  • RepoCraft (복구 테스트): 코드를 보고 원래 전체 저장소 구조를 얼마나 잘 복구하는지 봤더니 98.5% 커버리지를 기록했습니다.

  • 비판적 시각: 성능은 확실히 올라갔지만, 결국 '그래프 구축'이라는 전처리 과정에 LLM 비용이 들어갑니다. 초기 구축 비용과 실제 운영 시 절감되는 비용 사이의 손익분기점을 잘 따져봐야 합니다.

4. 세 줄 결론

  1. 코딩 AI가 똑똑해지려면 코드만 보지 말고 '설계 지도(RPG)'가 필요함.

  2. 이 지도는 기능(의미)과 연결고리(의존성)를 다 담고 있어야 함.

  3. 한 번 만들어두고 바뀐 부분만 업데이트하면 되니까 유지비도 생각보다 쌈.


그렇다네