콘텐츠로 이동하기
AI 및 머신러닝

Gemini Code Assist의 새로운 메모리 기능으로 AI 코드 리뷰의 수준을 한 단계 높이세요

2025년 11월 10일
Hadi Minooei

GenAI Software Engineer

Umair Idris

Staff Software Engineer

Try Gemini 3

Our most intelligent model is now available on Vertex AI and Gemini Enterprise

Try now

* 본 아티클의 원문은 2025년 11월 11일 Google Cloud 블로그(영문)에 게재되었습니다.

가장 이상적인 코드 리뷰 피드백은 구체적이고 일관되며 프로젝트의 히스토리를 깊이 이해하고 있어야 합니다.

하지만 오늘날의 AI 코드 리뷰 에이전트는 대부분 상태 비저장(stateless), 즉 과거의 상호작용을 기억하지 못합니다. 이는 이전에 거부했던 피드백을 새로운 풀 리퀘스트(PR)에서 또다시 마주하게 될 수 있음을. 에이전트가 팀의 가이드를 학습하지 못해, 개발자의 불만과 반복적인 작업을 초래하는 것입니다.

오늘 Google Cloud는 엔터프라이즈 및 개인 개발자 모두를 위해 GitHub용 Gemini Code Assist 새로운 메모리 기능을 출시합니다. 이제 풀 리퀘스트 내에서 직접 주고받은 상호작용과 피드백을 기반으로 도출된 팀의 코딩 표준, 스타일, 모범 사례 반영하여 동적이고 지속적으로 발전하는 메모리를 만들 수 있습니다. 메모리는 설치 시 사용자별로 분리된 Google 관리 프로젝트에 안전하게 저장되어 다른 사용자와 완벽하게 격리됩니다.

메모리 기능의 작동 방식

메모리 기능은 코드 리뷰 에이전트를 과거를 기억하지 못하는 단순한 도구에서 팀에 맞춰 학습하고 적응하는 장기 프로젝트 기여자로 탈바꿈시킵니다. 

자동 메모리 vs 수동 메모리

GitHub용 Gemini Code Assist는 이미 styleguide.md 파일 형식의 메모리를 지원하고 있습니다. 이 규칙들은 에이전트의 프롬프트에 추가되므로 정적이고 보편적인 가이드라인을 적용하는 데 적합합니다.

반면 이번에 소개된 영구 메모리(Persistent memory)는 훨씬 더 동적이고 자동화된 접근 방식을 도입합니다. 이 기능은 수동 작업 없이도 풀 리퀘스트 상호작용에서 규칙을 자동으로 추출합니다. 이렇게 학습된 규칙은 효율적으로 저장되며 리뷰 중인 특정 코드와 관련된 경우에만 검색되어 적용됩니다. 이를 통해 팀에 맞춰 조정되는 더 스마트하고 확장 가능한 메모리가 만들어집니다.

이 프로세스는 다음과 같은 세 가지 핵심 원칙을 기반으로 합니다.

1. 상호작용을 통해 학습

이 프로세스는 사용자와 팀이 현재 수행하고 있는 코드 리뷰를 수행하는 것에서부터 시작됩니다. 풀 리퀘스트가 병합(merge)되면 GitHub용 Gemini Code Assist는 댓글 스레드를 분석하여 피드백을 학습합니다. 예를 들어 GitHub용 Gemini Code Assist가 .java 파일에서 'import 문을 줄 바꿈하지 마세요'라고 지적했지만 작성자가 댓글에서 이에 동의하지 않는 댓글을 남긴다면, 에이전트는 이 상호작용을 귀중한 피드백으로 간주하고 저장합니다. 풀 리퀘스트가 병합될 때까지 기다림으로써 대화가 완전히 마무리되고 해당 코드가 신뢰할 수 있는 소스(source of truth)가 됩니다.

2. 지능적인 규칙 생성, 업데이트, 저장

영구 메모리는 강력한 Gemini 모델을 사용하여 단순한 상호작용에서 일반화되고 재사용 가능한 일반화된 규칙을 추론해냅니다. 위 예시에서는 "Java에서 import 문은 줄 바꿈될 수 있습니다"와 같은 자연어 규칙을 생성할 것입니다.

3. 향후 리뷰에 학습된 규칙 적용

https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_ifNxRxg.max-1100x1100.png

규칙이 메모리에 저장되면 에이전트는 이를 두 가지 중요한 방식으로 활용합니다.

  1. 초기 리뷰 가이드: 에이전트는 새로운 풀 리퀘스트 분석을 시작하기 전에 영구 메모리에서 저장소와 관련된 광범위한 규칙을 쿼리합니다. 이를 통해 팀의 기존 패턴에 더 부합하도록 초기 분석을 형성할 수 있습니다.

  2. 자체 제안 필터링: 에이전트는 리뷰 코멘트 초안을 생성한 후 2차 검증을 수행합니다. 자체 코멘트과 관련성이 매우 높은 특정 규칙들을 다시 한 번 검색하여 평가합니다. 이는 에이전트의 제안이 이전에 학습한 모범 사례을 위반하지 않도록 하는 필터 역할을 하여 부적절한 댓글을 사용자가 보기 전에 스스로 삭제하거나 수정할 수 있도록 합니다.

더 많은 규칙이 누적되면 팀의 고유한 지식(tribal knowledge)이 코드 리뷰를 통해 코드베이스 전반에 공유됩니다.

지금 시작하기

게시 위치