메타, AI 에이전트용 코드베이스 지식 지도 구축

주장메타는 인공지능 코딩 보조 도구가 방대한 코드베이스에서 정밀한 편집을 수행하지 못하는 한계를 극복하고자 사전 계산 엔진을 도입했습니다. 이 엔진은 엔지니어의 경험에 의존하던 암묵적 지식을 구조화된 맥락 파일로 변환하여 인공지능에게 전달합니다.

팩트메타가 구축한 시스템은 50개 이상의 전문 인공지능 에이전트 군집으로 작동합니다. 이들은 4,100개 이상의 파일과 3개의 저장소를 분석하여 59개의 핵심 맥락 파일을 생성했습니다.

팩트시스템 도입 이후 인공지능 에이전트의 코드 모듈 탐색 범위는 기존 5%에서 100%로 확대되었습니다. 작업당 인공지능 에이전트의 도구 호출 횟수도 40% 감소했습니다.

주장메타는 인공지능에게 백과사전식 정보 대신 나침반과 같은 핵심 정보만을 제공하는 전략을 택했습니다. 각 맥락 파일은 약 1,000토큰, 즉 25에서 35줄 내외로 작성되어 모델의 컨텍스트 창을 효율적으로 활용합니다.

팩트해당 시스템은 5가지 핵심 질문을 통해 모듈의 기능과 수정 패턴, 빌드 실패 원인, 의존성, 숨겨진 지식을 추출합니다. 이를 통해 기존에 문서화되지 않았던 50개 이상의 비직관적 설계 패턴을 발굴했습니다.

팩트이 시스템은 스스로 유지보수되는 구조를 갖추고 있습니다. 자동화된 작업이 주기적으로 파일 경로를 검증하고 커버리지 공백을 탐지하며, 품질 검토를 다시 수행하여 오래된 정보를 수정합니다.

교차검증일각에서는 인공지능이 생성한 맥락 파일이 오히려 에이전트의 성공률을 낮출 수 있다는 연구 결과를 제기합니다. 하지만 메타는 자사의 코드가 모델의 사전 학습 데이터에 포함되지 않은 독점적 설정 코드이므로, 품질 검증을 거친 간결한 맥락 파일이 필수적이라고 반박합니다.

주장대규모 코드베이스를 운영하는 모든 팀은 이 방식을 적용할 수 있습니다. 도메인 특화 관습과 모듈 간 의존성을 파악하고, 독립적인 비평가 에이전트를 통해 생성된 지식의 품질을 관리하는 것이 핵심입니다.

팩트복잡한 워크플로우 안내 작업의 경우, 기존에는 엔지니어와의 상담과 연구에 약 2일이 소요되었습니다. 현재는 이 시스템을 통해 약 30분 만에 작업을 완료합니다.

출처메타 엔지니어링 블로그(https://engineering.fb.com/2026/04/06/developer-tools/how-meta-used-ai-to-map-tribal-knowledge-in-large-scale-data-pipelines/)를 교차 검증했습니다.