AIOI Week 4 - 기여 심화 Sprint

✨✨✨➤

AI Open Source Impact

Week 4 : 기여 심화 Sprint

" 피드백을 반영하고, 더 깊이 파고들자 "

✍ 트랙A: AI 도구 고급⚙ 트랙B: AI SDK 심화🚀 트랙C: MCP/Agent 고급

4주차 온라인

멘토링 세션

Sprint 활동

3트랙

심화 주제

이번 주 학습 목표

PR 피드백 반영 + 기술 심화 + 협업 체화

🎯 목표 1

메인테이너의 피드백을 분석하고 PR을 개선한다

리뷰 코멘트에 적절히 대응하는 법을 익힌다

🛠 목표 2

더 심화된 기여(기능 개선, 성능 최적화)에 도전한다

트랙별 고급 기술을 학습한다

🤝 목표 3

오픈소스 커뮤니티에서의 협업 패턴을 체화한다

Peer Review를 통해 팀 역량을 높인다

멘토링 세션 구성

화상회의 1시간 집중 세션

💬 PR 리뷰 & 피드백 대응

20분

➤

📚 기술 심화 세션

20분

➤

🔧 기술 병목 해결

20분

시간	내용	세부사항
20분	PR 리뷰 & 피드백	메인테이너 피드백 분석, 수정 전략, Force Push vs 추가 커밋
20분	기술 심화	트랙별 심화 주제 (A/B/C)
20분	병목 해결	팀별 이슈 트러블슈팅, Q&A

메인테이너 피드백 분석법

PR 리뷰를 받았을 때 어떻게 대응할 것인가?

🔎 피드백 유형 분류

Must Fix : 버그, 보안 이슈, 로직 오류 - 반드시 수정

Should Fix : 코드 스타일, 네이밍, 컨벤션 - 프로젝트 규칙 따르기

Nice to Have : 성능 개선, 리팩토링 제안 - 논의 후 결정

Question : 설계 의도 질문 - 정중하게 설명

💡 대응 원칙

모든 코멘트에 반드시 답변하기

동의하면 수정, 다른 의견이 있으면 근거와 함께 논의

"Thank you for the review" 등 감사 표현 잊지 않기

수정 후 "Done" 또는 "Fixed in [commit hash]"로 표시

피드백 대응 실전 예시

실제 PR 리뷰 대화에서 배우기

✅ Good Response

Reviewer: "이 함수에 에러 핸들링이 필요합니다."

You: "좋은 지적 감사합니다! try-catch를 추가하고
커스텀 에러 클래스도 만들었습니다.
Fixed in abc1234. PTAL (Please Take Another Look)"

❌ Bad Response

Reviewer: "이 함수에 에러 핸들링이 필요합니다."

You: "그건 이 PR 범위 밖입니다."
(근거 없이 거부하면 신뢰를 잃음)

Better: "현재 PR 범위를 넘어서는 것 같아
별도 이슈로 분리하겠습니다. #456 생성했습니다."

AI로 피드백 분석하기

Claude Code를 활용한 리뷰 피드백 대응

🤖 Claude Code 활용법

# PR 리뷰 피드백 분석 요청
> "이 PR의 리뷰 코멘트를 분석하고
  수정 전략을 제안해줘"

# 특정 피드백에 대한 수정안
> "이 리뷰어의 제안대로 코드를
  수정해줘: [리뷰 내용 붙여넣기]"

# 수정 후 응답 메시지 작성
> "이 변경사항을 설명하는
  리뷰 응답을 영어로 작성해줘"

💡 핵심 포인트

AI가 제안한 수정을 반드시 이해한 후 적용

리뷰어의 의도를 AI에게 설명하면 더 정확한 수정안

AI로 영어 응답 작성 시 자연스러운 톤 유지

CI/CD 실패 시 AI로 로그 분석 가능

Force Push vs 추가 커밋

PR 수정 시 어떤 전략을 선택할 것인가?

구분	Force Push (rebase + push -f)	추가 커밋 (fixup commit)
방식	기존 커밋을 수정/합치고 강제 푸시	새 커밋으로 수정사항 추가
장점	깔끔한 커밋 히스토리, 하나의 논리적 커밋	리뷰 히스토리 보존, 변경 추적 용이
단점	리뷰 히스토리 손실, 다른 사람 작업 덮어쓸 위험	커밋 히스토리가 지저분해질 수 있음
사용 시점	리뷰 전 정리, 소규모 PR, 요청 시	리뷰 중 수정, 대규모 변경, 협업 브랜치

⚠ 프로젝트마다 선호 방식이 다름 - CONTRIBUTING.md 확인 필수!

Force Push 실습

Interactive Rebase로 커밋 정리하기

# 1. 최근 N개 커밋을 interactive rebase
git rebase -i HEAD~3

# 2. 에디터에서 pick/squash/fixup 선택
pick abc1234 feat: add search API
squash def5678 fix: typo in search
fixup ghi9012 style: formatting

# 3. 커밋 메시지 수정 후 저장

# 4. Force push (--force-with-lease 권장!)
git push --force-with-lease origin my-feature

# --force-with-lease: 원격에 다른 사람이 push한 게 있으면 거부 (안전)
# --force: 무조건 덮어쓰기 (위험!)

TIP: 항상 --force-with-lease를 사용하여 다른 사람의 작업을 덮어쓰지 않도록!

Git Rebase vs Merge

브랜치 통합 전략의 이해

🔀 Merge

두 브랜치의 히스토리를 보존

Merge commit이 생성됨

팀 협업 시 안전한 선택

감사 추적이 필요한 프로젝트에 적합

git merge main

🔁 Rebase

커밋을 다른 베이스 위에 재적용

선형적이고 깔끔한 히스토리

개인 브랜치에서만 사용 권장

공유 브랜치에서 사용 금지!

git rebase main

Golden Rule: 공개(public) 브랜치는 절대 rebase 하지 않는다!

Rebase 워크플로우

PR 제출 전 브랜치를 최신 상태로 유지하기

# 1. main 브랜치 최신화
git checkout main && git pull origin main

# 2. feature 브랜치로 이동 후 rebase
git checkout my-feature
git rebase main

# 3. 충돌 발생 시: 파일 수정 후
git add [충돌 해결 파일]
git rebase --continue

# 4. 되돌리기: git rebase --abort

# 5. rebase 완료 후 force push
git push --force-with-lease origin my-feature

💡 대부분의 오픈소스 프로젝트는 PR 제출 전 rebase를 권장합니다

Squash and Merge 전략

GitHub PR 머지 옵션의 이해

머지 방식	특징	사용 시점
Create a merge commit	모든 커밋 히스토리 유지 + merge commit	대규모 기능, 히스토리 보존
Squash and merge	모든 커밋을 하나로 압축 후 merge	소규모 PR, 깔끔한 main
Rebase and merge	커밋을 main 위에 선형으로 재적용	선형 히스토리, 의미 있는 커밋

💡 실전 팁

대부분의 오픈소스는 Squash and merge를 기본 사용

Squash 시 최종 커밋 메시지를 잘 작성하는 것이 중요

프로젝트 CONTRIBUTING.md에서 선호 전략 확인

트랙 A 심화: AI 도구 고급

Claude Code 멀티파일 편집 & Copilot Agent 모드

✍ Claude Code 고급

멀티파일 편집

CLAUDE.md 활용

/create-pr 자동화

Claude Cowork 에이전트

🤖 Copilot Agent 모드

이슈 자동 할당

자율적 PR 생성

MCP 프로토콜 지원

코드 리뷰 피드백 응답

💻 Cursor 심화

@Files, @Code 심볼

멀티파일 리팩토링

전체 레포 컨텍스트

다양한 AI 모델 선택

Claude Code 멀티파일 편집

여러 파일에 걸친 변경을 한 번에 처리

📄 활용 시나리오

API 엔드포인트 추가: 라우트 + 컨트롤러 + 테스트 + 타입

리팩토링: 함수 추출 후 여러 파일에서 import 수정

버그 수정: 원인 파일 + 테스트 파일 동시 수정

문서 업데이트: 코드 변경과 함께 README 자동 수정

💻 실습 명령어

# 멀티파일 편집 요청
> "이 함수를 별도 모듈로 추출하고
  기존 import를 모두 업데이트해줘"

# CLAUDE.md에 프로젝트 컨벤션 기록
> /init

# 변경 사항 확인 후 커밋
> "변경 사항을 리뷰하고 커밋해줘"

AI 기반 대규모 코드 리팩토링

실제 기업 사례에서 배우는 AI 리팩토링 전략

🏢 Qonto 사례

aider(오픈소스 CLI)로 대규모 마이그레이션

엔지니어당 생산성 20배(2,000%) 향상

~50 LoC/일 ➤ 1,000+ LoC/일

💚 OpenObserve 사례

8개 Claude Code 에이전트 활용

700+ 테스트 커버리지

플레이키 테스트 85% 감소

🛠 주요 도구

Codemod 2.0 - AI + 결정론적 엔진

OpenRewrite - 자동 레시피 기반

Moderne - 대규모 현대화

AI 리팩토링 실전 가이드

단계별 접근법으로 안전하게 리팩토링

1. 분석

AI로 코드 스멜 탐지

➤

2. 계획

리팩토링 범위 정의

➤

3. 테스트

기존 테스트 확인

➤

4. 실행

AI로 코드 변환

➤

5. 검증

테스트 + 리뷰

⚠ 주의사항

AI 리팩토링 결과를 반드시 검증 - 테스트 통과 확인

한 번에 너무 큰 범위를 변경하지 않기 - 작은 PR로 분리

리팩토링과 기능 변경을 별도 커밋으로 분리

트랙 B 심화: AI SDK & 통합 패턴

Vercel AI SDK, LangChain, 벡터 DB, 프롬프트 엔지니어링

⚙ Vercel AI SDK

스트리밍 구현

AI Gateway

Agent 추상화

🔗 LangChain

LCEL 파이프라인

LangGraph 1.0

도구 호출

🗃 벡터 DB

pgvector 통합

Chroma 활용

하이브리드 검색

💬 프롬프트

시스템 프롬프트

Few-shot 학습

구조화된 출력

Vercel AI SDK 스트리밍

AI SDK 6 - 실시간 텍스트 스트리밍의 핵심

⚙ 서버 사이드

// app/api/chat/route.ts
import { openai } from '@ai-sdk/openai';
import { streamText } from 'ai';

export async function POST(req: Request) {
  const { messages } = await req.json();
  const result = streamText({
    model: openai('gpt-4o'),
    messages,
  });
  return result.toDataStreamResponse();
}

🎨 클라이언트 사이드

// components/Chat.tsx
'use client';
import { useChat } from '@ai-sdk/react';

export default function Chat() {
  const { messages, input,
    handleInputChange, handleSubmit
  } = useChat();
  return (
    <form onSubmit={handleSubmit}>
      {messages.map(m =>
        <p key={m.id}>{m.content}</p>
      )}
      <input value={input}
        onChange={handleInputChange} />
    </form>
  );
}

AI SDK 6 신기능

Agent 추상화, 도구 실행, AI Gateway

🤖 Agent 추상화

프롬프트와 API를 자동 연결하는 Agent 객체

도구 호출 + 사용자 승인 (needsApproval)

Memory Tool로 대화 간 정보 유지

🔍 Provider Tools

웹 검색 도구

코드 실행 (샌드박스)

Tool Search (Regex/BM25)

메모리 관리 도구

🌐 AI Gateway

18+ 모델 프로바이더 지원

중앙화된 모델 접근

예산 통제 및 모니터링

React/Vue/Svelte/Angular

LangChain LCEL 파이프라인

LangChain Expression Language로 체인 구성하기

🔗 LCEL 기본 구조

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_template(
    "다음 주제를 요약해줘: {topic}"
)
model = ChatOpenAI(model="gpt-4o")
parser = StrOutputParser()

# LCEL 체인: prompt | model | parser
chain = prompt | model | parser
result = chain.invoke({"topic": "MCP 프로토콜"})

# 스트리밍
for chunk in chain.stream({"topic": "RAG"}):
    print(chunk, end="")

💡 LCEL 핵심 특징

| 연산자로 직관적 체인 구성

모든 컴포넌트가 Runnable 인터페이스

자동 스트리밍, 배치, 비동기 지원

LangSmith 트레이싱 자동 통합

LangChain & LangGraph v1.0 GA (2025.11)

LangGraph 1.0 심화

그래프 기반 상태 관리 에이전트 워크플로우

📈 핵심 개념

StateGraph - 상태를 가진 그래프 정의

Node - 각 단계의 로직 (함수)

Edge - 노드 간 전이 규칙

Conditional Edge - 조건부 분기

Durable State - 실행 상태 자동 영속화

Human-in-the-Loop - 사람 승인 후 재개

🛠 실전 활용 패턴

ReAct Agent - 추론 + 행동 반복

Plan & Execute - 계획 후 단계별 실행

Multi-Agent - 여러 에이전트 협업

Checkpointing - 중단점 복구

LangSmith 비용 추적 (2025.12 추가)

벡터 DB 통합 패턴

pgvector, Chroma - 시맨틱 검색의 핵심

데이터베이스	Stars	특징	적합한 용도
pgvector	15K+	PostgreSQL 확장, SQL과 통합	기존 PostgreSQL 사용 프로젝트
Chroma	6K+	개발자 친화적, 빠른 시작	프로토타이핑, 소규모 앱
Milvus	35K+	대규모 분산 처리, 고성능	산업용, 10억 규모 벡터
Qdrant	9K+	Rust 기반, 고성능 필터링	성능 중심 프로덕션

2026년 베스트 프랙티스: 하이브리드 검색 (BM25 키워드 + 벡터 유사도)

pgvector 실습

PostgreSQL에서 벡터 검색 구현하기

-- 1. pgvector 확장 활성화
CREATE EXTENSION vector;

-- 2. 임베딩 컬럼 테이블 생성
CREATE TABLE documents (
  id SERIAL PRIMARY KEY,
  content TEXT,
  embedding VECTOR(1536)  -- OpenAI 임베딩 차원
);

-- 3. 유사도 검색 (코사인 거리)
SELECT content, 1 - (embedding <=> '[0.1, 0.2, ...]') AS similarity
FROM documents ORDER BY embedding <=> '[0.1, 0.2, ...]' LIMIT 5;

-- 4. HNSW 인덱스 생성
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- 5. 하이브리드 검색 (키워드 + 벡터)
SELECT content FROM documents
WHERE content ILIKE '%검색어%'
ORDER BY embedding <=> '[...]' LIMIT 10;

Chroma 실습

Python에서 가장 빠르게 시작하는 벡터 DB

💻 기본 사용법

import chromadb
client = chromadb.Client()
collection = client.create_collection("docs")

# 문서 추가 (임베딩 자동 생성)
collection.add(
    documents=["MCP는 LLM 통합 프로토콜",
               "RAG는 검색 증강 생성"],
    ids=["doc1", "doc2"]
)

# 시맨틱 검색
results = collection.query(
    query_texts=["AI 프로토콜"], n_results=2
)

💡 LangChain 연동

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings()
)

retriever = vectorstore.as_retriever(
    search_kwargs={"k": 3}
)

# RAG 체인에 연결
chain = retriever | prompt | llm

프롬프트 엔지니어링 기법

AI 기능의 품질을 결정하는 핵심 스킬

🎯 기본 기법

시스템 프롬프트: 역할과 제약 설정

Few-shot: 예시로 패턴 학습

Chain of Thought: 단계별 추론 유도

🛠 고급 기법

구조화된 출력: JSON 스키마 강제

도구 호출: 함수 실행 지시

프롬프트 캐싱: 비용 90% 절감

⚠ 최적화 팁

정적 콘텐츠는 프롬프트 앞부분에 배치

간단한 작업은 저가 모델

max_tokens로 응답 길이 제한

프롬프트 실전 예시

오픈소스 AI 기능에 사용하는 프롬프트 패턴

# 시스템 프롬프트 예시: 코드 리뷰 봇
system_prompt = """
당신은 시니어 코드 리뷰어입니다.
1. 보안 취약점을 최우선으로 체크
2. 성능 이슈를 지적
3. 코드 스타일 가이드 준수 여부 확인
4. 건설적이고 구체적인 피드백 제공
5. 응답은 JSON: {"issues": [...], "score": 0-10}
"""

# Few-shot 예시: 커밋 메시지 생성
few_shot = """
예시 1: diff: + def validate_email(email): ...
커밋: feat(auth): add email validation utility

예시 2: diff: - timeout = 30 / + timeout = 60
커밋: fix(api): increase request timeout to 60s

이제 다음 diff에 대한 커밋 메시지를 작성하세요:
{diff}
"""

트랙 C 심화: MCP/Agent 고급

MCP 고급 활용, Agentic RAG, 멀티 에이전트

🔗 MCP 고급

Streamable HTTP 전송

Tasks 프리미티브 (비동기)

OAuth 2.1 인증

Tool Composition

📚 Agentic RAG

GraphRAG (지식 그래프)

적응형 검색 전략

불확실성 정량화

자동 검증/합성

🤖 멀티 에이전트

CrewAI 1.9+

LangGraph 에이전트

역할 기반 협업

이벤트 드리븐 워크플로우

MCP Streaming & Tasks

2025.11 스펙 업데이트 핵심 기능

🔃 Streamable HTTP

기존 SSE 방식을 대체하는 새로운 전송

양방향 통신 지원

Chunked Transfer Encoding

단일 HTTP 연결로 메시지 전달

대규모 배포에 적합한 확장성

📋 Tasks 프리미티브

비동기 장시간 작업 지원

서버가 Task를 생성하고 핸들 반환

진행 상황 업데이트 발행

결과 전달 및 상태 추적

MCP SDK 다운로드 9,700만 회/월 | 활성 서버 10,000+ | AAIF 이관 완료

MCP 인증 & Tool Composition

보안과 도구 조합의 고급 패턴

🔒 OAuth 2.1 인증

MCP 서버를 OAuth Resource Server로 분류

Protected Resource Metadata 디스커버리

OpenID Connect 인가 서버 해석

Resource Indicators로 악의적 서버 방지

🔧 Tool Composition

여러 MCP 서버의 도구를 조합

서버 간 파이프라인 구성

Structured Tool Output (2025.06)

MCP Registry(2,000+ 항목)에서 도구 탐색

MCP 서버 고급 구현

FastMCP로 고급 기능 구현하기

from fastmcp import FastMCP
import httpx

mcp = FastMCP("advanced-server")

@mcp.resource("config://settings")
def get_settings() -> str:
    return '{"theme": "dark", "language": "ko"}'

@mcp.tool()
async def search_api(query: str, limit: int = 5) -> str:
    """API에서 검색 결과를 반환합니다"""
    async with httpx.AsyncClient() as client:
        resp = await client.get(
            f"https://api.example.com/search?q={query}&limit={limit}"
        )
        return resp.text

@mcp.prompt()
def analyze_data(data_type: str) -> str:
    return f"{data_type} 데이터를 분석하고 인사이트를 제공해주세요"

# 주의: STDIO 서버에서 console.log() 대신 console.error() 사용!

Agentic RAG & GraphRAG

차세대 검색 증강 생성의 핵심 패턴

📚 GraphRAG

지식 그래프 + 벡터 검색 결합

검색 정밀도 99% 달성

주요 구현: Microsoft GraphRAG, LightRAG

🤖 Agentic RAG

자율 에이전트가 동적 검색 전략 선택

검색 ➤ 검증 ➤ 합성 루프 반복

불확실성 정량화로 답변 품질 보장

쿼리 분석

➤

전략 선택

➤

검색 실행

➤

검증/반복

➤

답변 합성

GraphRAG 구현 패턴

지식 그래프 기반 RAG 파이프라인

📈 구현 단계

1단계: 문서에서 엔티티 & 관계 추출 (LLM 활용)

2단계: 지식 그래프 구성 (Neo4j, NetworkX)

3단계: 커뮤니티 탐지 & 요약 생성

4단계: 쿼리 시 그래프 + 벡터 검색 결합

5단계: 컨텍스트 조합 후 LLM 응답 생성

🛠 주요 프레임워크

프레임워크	특징
Microsoft GraphRAG	공식 구현, 대규모
LightRAG	경량, 빠른 시작
Nano-GraphRAG	미니멀, 학습용
RAGFlow	RAG+Agent 통합

멀티 에이전트: CrewAI

역할 기반 AI 에이전트 협업 프레임워크

🤖 CrewAI 핵심

Agent - 역할, 목표, 배경을 가진 자율 에이전트

Task - 에이전트에게 할당된 구체적 작업

Crew - 에이전트 팀 + 작업 순서 정의

Flow - 이벤트 드리븐 프로덕션 워크플로우

v1.9+ | 43,700+ Stars | 100K+ 인증 개발자

💻 코드 예시

from crewai import Agent, Task, Crew

researcher = Agent(
    role="리서처",
    goal="주제에 대한 정보 수집",
    backstory="숙련된 연구 전문가"
)
writer = Agent(
    role="작성자",
    goal="리서치 결과를 보고서로 작성",
    backstory="기술 문서 전문가"
)
crew = Crew(
    agents=[researcher, writer],
    tasks=[Task(description="MCP 조사",
                agent=researcher),
           Task(description="보고서 작성",
                agent=writer)]
)
result = crew.kickoff()

멀티 에이전트: LangGraph

그래프 기반 에이전트 오케스트레이션

📈 LangGraph vs CrewAI

구분	LangGraph	CrewAI
접근	그래프 기반 상태 관리	역할 기반 협업
유연성	매우 높음 (저수준)	높음 (고수준)
학습곡선	가파름	완만함
적합	복잡한 워크플로우	팀 협업 시뮬레이션

💡 선택 가이드

LangGraph: 세밀한 제어, 복잡한 분기, 프로덕션

CrewAI: 빠른 프로토타이핑, 역할 기반, 직관적 API

AutoGen: 연구 목적, 비동기 이벤트 드리븐

2025 트렌드: 프레임워크 기반 엔지니어링으로 전환

Peer Review 효과적으로 하기

코드 리뷰의 기술 - 주는 것과 받는 것

✅ 리뷰어로서

먼저 PR 설명과 관련 이슈를 읽기

큰 그림 파악 후 세부 리뷰

"왜?"를 질문하되 비난이 아닌 호기심으로

구체적인 대안을 코드와 함께 제시

잘한 부분도 언급: "Nice approach!"

💬 리뷰 받는 입장

모든 피드백을 감사히 받아들이기

방어적으로 반응하지 않기

동의하면 수정, 다르면 근거와 함께 토론

수정 완료 후 "Resolved" 표시하기

큰 변경은 별도 이슈/PR로 분리 제안

코드 리뷰 체크리스트

팀 내 코드 리뷰 시 확인 항목

🔎 기능 & 로직

요구사항을 올바르게 구현?
엣지 케이스를 처리?
에러 핸들링이 적절?
비즈니스 로직이 맞는가?

🔐 보안 & 성능

입력 검증이 되어 있는가?
API 키가 노출되지 않는가?
불필요한 API 호출은 없는가?
N+1 쿼리 문제는 없는가?

📝 코드 품질

네이밍이 명확한가?
테스트가 포함되어 있는가?
프로젝트 컨벤션을 따르는가?
불필요한 코드는 없는가?

AI 코드 리뷰 도구 활용

AI로 코드 리뷰 품질 높이기

도구	유형	특징	비용
CodeRabbit	상용/OSS 무료	즉각 피드백, 오픈소스 무료	OSS 무료
PR-Agent	오픈소스	Original OSS PR Reviewer	무료
Kodus	오픈소스	시니어 리뷰어처럼 작동	무료
Graphite	상용	실시간 피드백, 96% 긍정	유료

💡 활용 팁

AI 리뷰는 보조 수단 - 사람의 리뷰를 대체하지 않음

AI가 잘하는 것: 보안 취약점, 코드 스타일, 성능 패턴, 일관성 체크

Sprint 활동 안내

자기주도 학습 2시간 - 심화 기여에 집중

✍ 트랙 A

기존 PR 피드백 반영

Claude Code 멀티파일 편집 실습

AI 기반 테스트 코드 자동 생성

두 번째 기여 이슈 선정

⚙ 트랙 B

AI SDK 스트리밍 기능 구현

벡터 DB 통합 PR 작성

프롬프트 최적화 실험

LCEL 파이프라인 구축

🚀 트랙 C

MCP 서버 고급 기능 구현

RAG 파이프라인 최적화

멀티 에이전트 프로토타입

Streamlit/Gradio 데모 개선

오픈소스 협업 패턴 체화

커뮤니티에서 신뢰를 쌓는 법

🤝 협업 Best Practices

이슈에 "I'd like to work on this" 먼저 코멘트

작업 중 진행 상황을 주기적으로 업데이트

Draft PR로 일찍 피드백 받기

다른 사람의 PR에 리뷰 참여하기

영어 커뮤니케이션 - 정중하고 간결하게

📈 기여자 성장 로드맵

First Timer ➤ 문서, 오타, 작은 버그 수정

Contributor ➤ 기능 추가, 테스트 보강

Regular ➤ PR 리뷰, 이슈 트리아지

Committer ➤ 직접 머지 권한

Maintainer ➤ 프로젝트 거버넌스 참여

이번 주 목표 & 과제

Week 4 마무리 체크리스트

🎯 주간 목표

첫 번째 PR 피드백 반영 완료 (Merge 목표)
두 번째 기여 이슈 선정 및 작업 시작
팀원과 최소 2회 이상 코드 리뷰 교환
트랙별 심화 기술 1가지 이상 실습

📝 과제 안내

필수: 첫 번째 PR 피드백 반영 및 업데이트

필수: 두 번째 기여 이슈 선정 및 분석

필수: 팀원 PR 코드 리뷰 2회 이상

선택: 트랙별 심화 내용 실습 후 팀 공유

다음 주 (W5): 최종 Sprint & 데모 준비 - PR 마무리 + 발표 자료 준비

Week 4 핵심 요약

오늘 배운 것을 정리합니다

💬 PR 피드백

피드백 분류 & 대응

Force Push vs 추가 커밋

Rebase vs Merge

✍ 트랙 A

Claude Code 멀티파일

AI 대규모 리팩토링

Copilot Agent 모드

⚙ 트랙 B

Vercel AI SDK 6

LangChain LCEL

벡터 DB 패턴

🚀 트랙 C

MCP Streaming/Tasks

Agentic RAG

멀티 에이전트

Remember: "피드백은 선물이다" - 메인테이너의 리뷰는 성장의 기회!

41 ✨✨

Q&A / 참고 자료

질문과 유용한 리소스

📚 참고 자료

Vercel AI SDK: ai-sdk.dev

LangChain: docs.langchain.com

MCP 공식: modelcontextprotocol.io

CrewAI: docs.crewai.com

pgvector: github.com/pgvector/pgvector

Chroma: trychroma.com

Git Rebase: atlassian.com/git/tutorials

🛠 AI 코딩 도구

Claude Code: docs.anthropic.com

GitHub Copilot: github.com/features/copilot

Cursor: cursor.com

Aider: aider.chat

CodeRabbit: coderabbit.ai (OSS 무료)

PR-Agent: github.com/qodo-ai/pr-agent

🚀 "피드백을 반영하고, 더 깊이 파고들자!" 🚀