Collection의 특성을 고려해 List 대신 Set과 Map을 적절히 활용하면 코드의 명확성과 안정성을 높일 수 있다.
LY Corporation은 대규모 인프라 관리를 위해 metrics 저장 효율을 높이고 AI를 통합한 observability 플랫폼을 구축하고 있다.
Kotlin 프라이머리 생성자는 클래스 속성과 일치하도록 단순하게 유지하고, 복잡한 로직은 보조 생성자나 팩토리 함수로 분리해야 한다.
데이터 모델에 컬렉션의 인덱스 정보를 포함하면 필터링 시 데이터 불일치가 발생하므로, UI 레이어 등 필요한 시점에만 데이터를 생성해야 한다.
함수의 멱등성을 확보하여 상태 체크의 번거로움을 줄이고 코드의 예측 가능성을 높이는 방법을 제안한다.
시스템 프롬프트 방식의 한계를 보완하기 위해 AI 서비스에는 별도의 전용 가드레일 시스템이 필요하다.
함수 상태를 객체의 속성으로 관리할 때 발생하는 동시성 문제를 분석하고, 이를 해결하기 위한 두 가지 설계 방안을 제시한다.
기존 MCP 방식의 한계를 극복하고자 전문 에이전트들이 협업하는 A2A 기반 NL-to-SQL 분석 파이프라인을 구축했다.
클래스의 책임을 지나치게 분리하기보다 호출자 입장에서 인터페이스를 단순하게 유지하는 것이 중요하다.
코드 내의 암묵적인 의존 관계를 함수나 클래스 단위로 격리하여 런타임 오류를 방지해야 한다.
코드 리뷰 시 조건 필터의 중복이나 누락을 방지하기 위해 호출부와 호출 대상의 코드를 함께 검토해야 한다.
JSON 유닛 테스트 시 문자열을 직접 비교하는 대신 구조를 추상화하여 검증함으로써 테스트의 유연성과 정확성을 높여야 한다.
범용 LLM의 한계를 극복하기 위해 도메인 지식과 보안을 갖춘 NL-to-SQL MCP 서버를 구축했다.
데메테르의 법칙을 단순히 적용하기보다 정보 은닉과 캡슐화의 관점에서 지식의 경계를 이해하는 것이 중요하다.
함수 내에서 Future와 콜백 등 여러 비동기 처리 방식을 혼용하지 말고 하나의 메커니즘으로 단일화해야 한다.
UI 요소와 상태값의 관계를 정의할 때, UI 요소별로 코드를 분리하는 것이 가독성과 안정성 면에서 유리하다.
데이터 모델을 분리하여 집계나 합성을 적용할 때, 값의 중복으로 인한 잘못된 상태 생성을 방지하는 설계 방법을 제시한다.
LY Corporation이 컨테이너 기반의 격리된 환경을 구축하여 PR 단계에서 엔드 투 엔드(End-to-End) 테스트를 수행할 수 있게 되었다.
AI Briefing