GitHub Podcast, 'RAG·MCP·Skills' 경쟁 아닌 공존… AI 개발의 본질은 리스크 관리와 판단력

GitHub Podcast는 최근 AI 개발 커뮤니티에서 유행하는 'RAG는 죽었다', 'Skills가 MCP를 죽였다' 등의 주장이 사실과 다르며, 각 기술은 서로 다른 문제를 해결하는 공존 관계라고 분석했다.

RAG, MCP, Skills의 역할과 관계

• **RAG(Retrieval-Augmented Generation)**는 모델이 학습 데이터 외부의 정보를 검색해 답변의 정확도를 높이는 핵심 기술로, 여전히 유효하다. 좋은 retrieval은 모델이 정답에 가까운 상태에서 시작하도록 돕고 토큰 낭비를 줄인다.
• **MCP(Model Context Protocol)**는 에이전트가 도구와 데이터에 접근하는 표준화된 인터페이스를 제공한다.
• Skills는 팀의 작업 방식, 프로젝트 관례, 도구 사용법 등 패키징된 전문성을 나타낸다.
• 이 세 가지는 경쟁 관계가 아니다. 에이전트는 MCP로 도구에 접근하고, Skills로 프로젝트 지침을 따르며, RAG로 컨텍스트를 검색하는 방식으로 하나의 워크플로우에서 함께 작동한다.

AI 시대의 개발자 역량과 코드 리뷰

• 'AI 생성 코드를 읽을 필요가 없다'는 주장은 거짓이다. 개발자는 코드에 대한 책임을 지며, 생산 환경 인증 리팩토링과 같은 고위험 작업에서는 철저한 리뷰가 필수다. AI는 노력의 위치를 이동시킬 뿐, 작업을 사라지게 하지 않는다.
• 채용 과정에서 AI 사용 여부는 절대적 기준이 아니다. 중요한 것은 **판단력(Judgment)**이다. AI를 언제 사용하고 언제 수동으로 작업할지, 생성 코드를 어떻게 리뷰할지 설명할 수 있는 유창성이 역량으로 평가된다.

코드베이스의 유지보수성과 AI

• '코드베이스를 위해 fine-tuning이 필요하다면 코드가 나쁘다'는 주장에 대해, 현대 AI 모델은 일반적인 패턴과 아키텍처를 학습하므로 이해하지 못하는 코드베이스는 인간에게도 유지보수가 어렵다고 지적했다. AI는 코드 리뷰, 테스트, 온보딩과 함께 **유지보수성(maintainability)**을 검증하는 새로운 압력 테스트로 작용한다.
• 결론적으로 AI 도구 논쟁에서 영구적인 편을 들기보다, 실질적인 증거와 트레이드오프를 제시하며 실험하는 것이 중요하다. 표준 인터페이스가 필요할 때 MCP, 컨텍스트 관리가 필요할 때 Skills, 정보 기반이 필요할 때 RAG를 사용하는 것이 올바른 접근법이다.