대표 사례 4/4 · AI 활용 개발·FDE
Harness Engineering 기반 AI 개발 환경 구축
Harness Engineering을 통해 Claude Code·Codex의 작업 규칙과 검증 절차를 표준화. AI 에이전트의 구현 결과를 테스트와 실제 동작으로 검증하며, 프레스런 TF에서 착수 한 달 만에 신규 플랫폼 오픈.
- 사례
- Harness Engineering
- 역할
- 프레스런 TF 백엔드 · 개인 프로젝트 FE·BE·인프라
- 기술
- AI · Harness Engineering · Context Engineering · Agent Skills · Guardrails
프레스런 — Harness Engineering 기반 AI 개발 프로세스 구축
문제 상황
프레스런은 착수 한 달 안에 신규 교육 플랫폼을 오픈해야 하는 프로젝트였습니다. 화면 기획과 세부 정책이 확정되지 않은 부분이 있어 요구사항을 구체화하면서 개발해야 했습니다.
AI가 기획을 임의로 해석하거나 기존 코드 구조를 고려하지 않고 수정하면 실제 서비스 정책과 다른 결과가 나올 수 있었습니다. 그래서 AI에 구현을 맡기되, 정책 판단과 작업 범위, 검증 기준은 사람이 통제하는 개발 환경을 구성했습니다.
규약 정의
Context Engineering. Claude Code와 Codex가 같은 기준으로 작업하도록 CLAUDE.md와 AGENTS.md에 프로젝트 구조와 코딩 규약을 정의했습니다. AI 도구가 달라져도 같은 개발 기준을 유지합니다.
미확정 기획의 임의 해석 및 구현 금지
요청 범위 밖의 코드 수정과 리팩터링 제한
DB 스키마 변경 시 마이그레이션 적용
명시적인 승인 없는 Git 커밋 금지

작업 절차
Agent Skills. 작업 유형에 따라 필요한 절차를 수행하도록 커스텀 스킬을 구성해, AI가 바로 코드를 쓰는 대신 기존 구조와 요구사항을 먼저 확인하게 했습니다.
domain-feature: 기획·DB 구조 확인 → 정책 확정 → TDD → 구현 → 검증
code-change: 기존 코드와 영향 범위 분석 → 수정 → 검증
이외에도 성능 분석, 기획 문서 대조, 독립 작업 환경 구성 같은 절차를 스킬로 분리했습니다.

판단 범위
Execution Guardrails. 가장 중요하게 관리한 부분은 AI가 구현할 수 있는 영역과 사람이 결정해야 하는 영역을 구분하는 것이었습니다. 게시판 접근 권한, 강사 노출 조건, 비회원 작성 가능 여부처럼 기획이 불명확한 부분은 AI가 임의로 결정하지 않고 확인할 사항을 정리하도록 했습니다.
확정된 정책은 별도 판정 함수와 테스트로 구현해, 기획이 바뀌어도 그 로직을 중심으로 수정할 수 있게 했습니다. 엔티티·DTO 같은 반복 구현은 AI에 맡기되, 트랜잭션 경계, 수강권 연장 동시 요청 같은 동시성 처리, 캐시 무효화 시점, 외부 API 오류 처리 등 핵심 비즈니스 로직은 직접 검토했습니다.
품질 검증
TDD & Quality Gates. AI의 작업 완료 보고만으로 구현이 끝났다고 판단하지 않고 검증 절차를 정의했습니다.
요구사항 확인 → 실패 테스트 작성 → 구현 → Test·Build·Lint → 리팩터링 → 실제 동작 확인
DB 관련 기능은 SQL로 저장 결과를 확인하고, 여러 기능이 연결된 흐름은 PostgreSQL·Valkey 환경에서 HTTP 요청 전후의 데이터를 비교했습니다. 문서 규약과 별개로, AI 도구의 Hooks로 지시 없는 커밋 같은 일부 규약 위반을 감지해 경고하도록 했습니다.

결과
규약과 작업별 스킬로 AI 개발 절차를 체계화했습니다.
프로젝트 규약과 작업별 Skills를 활용한 AI 개발 절차 체계화
불명확한 요구사항을 정책과 테스트로 구체화해 실제 서비스에 반영
프레스런 TF에서 착수 한 달 만에 신규 플랫폼 오픈
AI를 활용한 개발에서 중요한 것은 코드 생성 속도뿐 아니라, 무엇을 구현할지 판단하고 결과를 검증할 수 있는 기준을 마련하는 것이었습니다.
개인 프로젝트 — Harness 기반 Agentic Development Workflow
개인 프로젝트에서는 프레스런에서 정리한 Harness Engineering 방식을 활용해, 기획부터 프론트엔드·백엔드·인프라 구현, 검증과 개선까지 AI 에이전트와 역할을 나누어 진행했습니다. 프로젝트 방향과 기술적 의사결정은 직접 맡고, 세부 설계와 반복적인 구현에 AI를 활용하는 방식입니다.
청사진
Blueprint. 프로젝트의 목적과 핵심 기능, 구현 범위는 직접 정의했습니다. Slack과 Docker Desktop 재현 프로젝트에서는 원본 애플리케이션의 동작을 분석해 재현할 기능과 제외할 범위를 문서화하고, 직접 확인한 내용과 추정한 내용의 구분, 원본 소스·비공개 API 사용 금지 같은 제약조건을 정했습니다.
세부 설계
Collaborative Design. 방향이 정해지면 AI와 아키텍처, 데이터 구조, 기능별 처리 방식을 구체화했습니다. AI가 제안한 설계안을 기술적 제약과 요구사항에 맞춰 검토하고 구현 방향을 결정했습니다.
구현 위임
Agentic Implementation. Claude Code와 Codex에 구현을 맡기고 프로젝트 규약과 Agent Skills를 적용했습니다. 정해진 절차에 따라 기존 코드 분석, 기능 구현, 테스트와 수정을 수행하게 해 프론트엔드·백엔드·인프라 작업에 AI를 활용했습니다.
결과 검증
Review & Validation. AI의 작업 완료 보고보다 실제 실행 결과를 기준으로 구현 상태를 확인했습니다. Slack 재현 프로젝트에서는 서버 동작과 UI 구현을 원본과 비교해 일치하지 않는 부분을 따로 기록했습니다. Docker Desktop 재현 프로젝트에서는 실제 Docker Engine과의 연동을 검증했고, 검증 중 로컬 Docker 설정이 바뀌는 문제를 확인한 뒤 격리된 설정 환경에서 테스트하도록 개선했습니다.

반복 개선
Iterative Improvement. 기능 구현 이후에도 AI로 코드 구조와 기능의 개선 가능성을 분석했습니다. UI/UX는 화면 구성과 사용자 흐름을 직접 확인하고, AI의 개선 제안과 비교하면서 수정 방향을 결정했습니다.
결과
청사진은 직접 수립하고, 세부 설계는 AI와 협업하며, 구현을 맡긴 뒤 검증과 개선을 반복하는 개발 방식을 적용했습니다.
AI의 역할은 코드 생성에 그치지 않고 설계 대안 검토와 개선점 탐색까지 넓혔고, 최종 의사결정과 결과 검증은 직접 수행했습니다.