팀 프로젝트에 AI-DLC를 적용하기: Subagent와 Custom Skill로 확장한 ARMIQ 사례

AI-DLC는 요구사항 분석부터 설계, 코드 생성, 리뷰까지 AI Agent가 맡는 개발 방식이다. ARMIQ는 AI-DLC ToolSet을 AETL과 ACMS 두 프로젝트에 동시에 적용해 병렬 개발을 가능하게 했다. AETL은 Brownfield의 Node.js 모놀리스(Express + React)였고, ACMS는 Greenfield의 TypeScript 기반 Lambda/Aurora PostgreSQL 서버리스 구조였다.

AETL은 8 Unit, 12 US와 17 TT, 테스트 16개 파일 규모였고, ACMS는 5 Unit, 31 US, API 55개에 95% 커버리지를 목표로 잡았다. AETL은 기존 데이터 파이프라인의 보안·구조 개선에 초점이 있었고, ACMS는 문서를 AWS S3로 보내 통합 관리하는 표준 기반 서버를 새로 설계하는 작업이었다.

AI-DLC 워크플로우는 INCEPTION → CONSTRUCTION → OPERATIONS 구조지만, 단계는 항상 실행되는 항목과 조건부 항목으로 나뉜다. Workspace Detection, Requirements Analysis, Workflow Planning, Code Generation, Build and Test는 ALWAYS 단계이고, Reverse Engineering은 Brownfield에서만 실행되며, User Stories나 Application Design, Units Generation은 복잡도에 따라 붙는다. 이렇게 상태에 맞춰 경로가 달라지는 Adaptive Workflow와 Unit 분할이 Brownfield와 Greenfield를 같은 방식으로 처리하게 했다.

오케스트레이션은 Main Agent가 맡고, 분석과 생성은 전문 Subagent에 위임했다. Planning은 Main Agent가 수행해 사용자 승인을 받은 뒤, Subagent가 승인된 Plan만 구현한다. Reverse Engineering Subagent는 business-overview.md부터 code-quality-assessment.md까지 8개 artifact를 만들고, Code Generation Subagent는 Unit별 코드를 생성하며, 코드는 workspace root에 직접 반영되고 설계 산출물은 aidlc-docs/construction/{unit-name}/code/에 저장된다. Subagent 응답은 STATUS, UNIT, FILES, TESTS 같은 고정 스키마로 제한해 Main Agent의 context 소모를 줄였다.

• context7: 최신 라이브러리/프레임워크 문서
• aws-knowledge-mcp-server: AWS 공식 레퍼런스
• tavily: INCEPTION 단계의 웹 조사

Main Agent에는 세 서버를 모두 연결하고, Subagent에는 context7과 aws-knowledge-mcp-server만 연결했다. 생성된 코드는 전용 Unit별 Code Review Skill로 다시 검토해 품질 가드레일을 추가했다.

• requirements-generator: PDF, 마크다운, 이미지에서 요구사항·제약사항 문서를 생성
• git-merge: aidlc-state.md와 audit.md 충돌을 상태 파일과 코드 충돌로 분류해 처리

requirements-generator는 문서에 없는 내용은 만들지 않고, 확인 불가 항목은 정보 부족으로 남긴다. git-merge는 Unit 병렬 작업 뒤에 생기는 merge conflict를 자동 병합 또는 사용자 확인으로 넘기며, ACMS처럼 4인 팀이 5개 Unit을 Wave 단위로 쪼개 병렬 작업하는 흐름을 유지하게 했다.