먼저 읽기
로컬 코딩 AI용 컴퓨터, 자동완성과 에이전트는 다르게 고릅니다
코딩용으로 쓸 거라고 말해도 원하는 일은 제각각입니다. 입력 중인 줄을 완성하고 싶은 사람도 있고, 오류를 설명받거나 여러 파일을 고치고 싶은 사람도 있습니다. 같은 속도표로 이 셋의 만족도를 예측하기는 어렵습니다. 먼저 맡길 일을 작게 나눠보겠습니다.
한 줄 제안에 대형 모델이 꼭 필요한가
자동완성은 내가 타이핑을 계속하기 전에 제안이 도착해야 쓸모가 있습니다. 긴 설명을 잘하는 모델보다 짧은 코드 후보를 빠르게 내고 불필요한 제안을 적게 하는 조합이 편할 수 있습니다. 평소 파일에서 제안을 받아보고 실제로 채택한 횟수와 방해가 된 횟수를 적어보세요. 이때 자동완성에 맞는 모델과 편집기 지원도 확인해야 합니다. 채팅창에서 코드를 잘 쓴다는 사실만으로 커서 중간의 코드를 자연스럽게 이어 쓴다고 보장할 수는 없습니다. 장비를 먼저 고르기보다 사용할 편집기에서 작은 범위의 제안이 잘 작동하는지 확인하는 순서가 낫습니다.
함수 수정은 정답을 확인할 수 있게 만듭니다
오류 하나를 고치는 작업이라면 재현 입력, 현재 출력, 기대 출력을 함께 준비하세요. 관련 없는 파일을 모두 넣기보다 오류에 필요한 함수와 호출 부분부터 전달합니다. 결과를 받으면 설명의 자신감이 아니라 차이와 테스트를 봅니다. 빠른 모델이 세 번 틀리고 느린 모델이 한 번에 끝내면 실제 작업 시간의 순서는 바뀔 수 있습니다. 다만 한 문제의 성공을 일반적인 지능 순위로 확대하지는 마세요. 내 프로젝트에서 반복되는 문제 몇 개를 남겨두고, 모델을 바꿀 때 같은 조건으로 시험하는 것이 코딩 장비 선택에 직접 도움이 됩니다.
저장소 전체를 넣는 것이 출발점은 아닙니다
에이전트가 여러 파일을 읽기 시작하면 입력에는 코드뿐 아니라 이전 답변과 도구 결과도 쌓입니다. 그래서 처음 한 번의 질문보다 뒤쪽 요청이 무거워질 수 있습니다. 필요한 파일을 찾는 방법과 전달할 범위를 정하는 일이 중요합니다. 긴 문맥을 허용한다고 모델이 모든 관련 파일을 정확히 골라준다는 뜻은 아닙니다. 우선 한 기능의 수정부터 맡기고, 어떤 파일을 읽었는지 살펴보세요. 자료가 제대로 전달되지 않는 문제를 더 큰 메모리로 해결하려 하면 비용은 늘고 원인은 남습니다. 문맥 크기와 검색 품질은 서로 대신할 수 있는 숫자가 아닙니다.
실행 권한은 속도와 별개입니다
로컬에서 돌린다는 이유로 터미널과 파일 접근을 처음부터 모두 허용할 필요는 없습니다. 사본이나 별도 브랜치에서 시작하고 변경 내용을 확인한 뒤 적용하는 편이 좋습니다. 비밀키와 실제 고객 자료는 시험에 섞지 마세요. 모델이 내 컴퓨터에 있어도 연결된 검색 도구나 외부 API가 데이터를 전송할 수 있습니다. 또한 코드 실행과 패키지 설치는 생성된 문장을 읽는 것보다 영향이 큽니다. 어떤 도구를 허용했는지와 실행 전에 승인이 필요한지를 따로 정해야 합니다. 좋은 코딩 환경은 가장 강한 권한을 주는 환경이 아니라 잘못된 변경을 발견하고 되돌릴 수 있는 환경입니다.
비교는 작업 한 건이 끝날 때까지
장비 후보를 비교할 때는 생성 속도와 함께 첫 응답, 수정 횟수, 테스트 완료까지의 시간을 남기세요. 자동완성과 파일 수정에 같은 모델을 고집하지 않아도 됩니다. 서로 다른 역할을 분리하면 필요한 메모리와 동시에 올릴 모델 수도 달라집니다. 사이트에서는 먼저 같은 모델로 장비 간 예상 속도를 비교한 뒤, 실제 편집기에서는 평소 작업으로 검증하세요. 화면에 토큰이 빨리 흐르는 것은 작업의 일부일 뿐입니다. 내가 코드를 읽고 고치는 시간을 포함했을 때 덜 번거로운 구성이 무엇인지 찾는 것이 결국 오래 쓰는 장비와 설정을 고르는 방법입니다.