AI 에이전트 15개를 동시에 운영하는 법 — AI 병렬 오케스트레이션 실전 운용기

AI 세션은 휘발적이라 같은 문제를 다시 풀고 같은 실수를 반복하기 쉽다. 그래서 작업 중 얻은 지식을 외부 기억 시스템에 축적해 두면, 3개월 전의 의사결정 근거와 트러블슈팅 맥락까지 다시 꺼내 쓸 수 있다.

지식 축적 흐름은 Obsidian을 중심으로 돌아간다. 작업 중 발견한 내용을 Obsidian에 자동 기록하고, QMD 플러그인으로 로컬 임베딩을 만든 뒤, recall 스킬로 시맨틱 검색을 수행한다. 여기에 Obsidian MCP를 붙여 AI가 직접 읽고 쓰게 만들면, 세션은 일회성이 아니라 축적되는 자산이 된다.

구성은 다음과 같다.

• Obsidian: 세션 요약, 아키텍처 결정, 트러블슈팅을 저장하는 로컬 마크다운 지식 저장소
• QMD 플러그인: 외부 서버 없이 로컬에서 임베딩을 생성하는 인덱싱 계층
• recall 스킬: "이전에 비슷한 작업이 있었는가"를 묻고 관련 문서를 회수하는 검색 계층
• Obsidian MCP: AI가 Obsidian에 직접 읽기·쓰기를 수행하게 하는 연결부

실행 프로세스는 심층 인터뷰 플래닝으로 시작한다. 구현 전에 요구사항 범위, 기존 코드베이스 패턴, 외부 제약, 성공 기준, 병렬 가능한 단위를 최대한 명확히 고정해야 재작업을 줄일 수 있다. AI에는 "만들어줘"가 아니라 "이 조건으로, 이 순서로, 이 기준까지"를 줘야 품질이 올라간다.

그다음은 두 가지 병렬 전략이다. Task DAG는 구현을 위상 정렬 가능한 작업 그래프로 쪼개 병렬화하는 방식이고, Branch Hunt는 DFS로 코드를 훑다가 이슈를 발견할 때마다 독립 브랜치 세션을 띄워 병렬 디버깅하는 방식이다. 신규 개발과 리팩터링에는 Task DAG, 디버깅과 코드 리뷰에는 Branch Hunt를 주로 쓴다.

실제 사례로는 결제 즉시 차단 기능처럼 여러 서버와 레포를 가로지르는 작업을 DAG로 분해해 병렬로 처리했고, 그 결과 수일이 걸릴 일을 하루 만에 끝냈다. pg-front와 member-api를 분리해 탐색, 핵심 서비스 구현, API 차단, 리팩터링, 리뷰, 테스트, 통합 검증까지 단계적으로 돌리면서 병목을 줄였다.

마지막 축은 Ralph Loop다. 구현 시작 후에는 자동 검증(Build · Type Check · Test)을 돌리고, 통과하면 다음 태스크로 넘어가며, 실패하면 수정 후 재검증을 반복한다. 무인 자동 실행과 검증 내장을 통해 사람이 계속 개입하지 않아도 완료 조건을 만족할 때까지 작업을 밀어붙이는 구조다.

전체적으로 핵심은 명확하다. AI는 잘 쓰는 것보다 잘 나누고, 잘 기억시키고, 잘 검증하는 것이 더 중요하다. 탐색은 깊게, 실행은 병렬로, 기억은 외부화하고, 검증은 루프로 묶어야 AI 에이전트를 실제 업무에 쓸 수 있다.