JetBrains Context: 코딩 에이전트를 위한 저장소 인텔리전스

Yungyeong Heo

Read this post in other languages:

• English
,
• Français
,
• 日本語

코딩 에이전트가 복잡한 코드베이스에서 더 효율적으로 작업하고 더 높은 품질의 결과를 생성할 수 있도록 지원하는 새로운 저장소 인텔리전스 레이어인 JetBrains Context를 출시합니다. JetBrains Context는 팀 및 조직을 위한 JetBrains AI 출시에 포함되어, JetBrains AI 구독에 추가 비용 없이 얼리 액세스</0>로 제공됩니다. Claude Code, Codex CLI, Junie CLI와 통합되며, JetBrains IDE, Air, VS Code 및 기타 지원되는 에디터에서 사용할 수 있습니다.

JetBrains는 가장 복잡한 코드베이스에서도 개발자의 생산성을 높이는 데 항상 집중해 왔습니다. 그동안 이러한 노력은 자동 완성, 코드 분석, 코드 탐색과 같은 지능형 기능을 제공하는 것을 의미했습니다. 이제 AI 에이전트가 코드를 효과적으로 작성하고, 검증하고, 검토하는 데 필요한 저장소 인텔리전스를 제공하여 동일한 생산성을 AI 에이전트로 확장하려 합니다.

“JetBrains는 수십 년 동안 개발자가 복잡한 코드베이스를 빠르게 이해할 수 있도록 지원해 왔습니다. 그런데 AI 에이전트 역시 익숙하지 않은 프로젝트에서 작업할 때는 개발자와 마찬가지로 매우 유사한 도움이 필요하다는 사실을 알게 되었습니다.”

Vlad Tankov
CTO, JetBrains Agent Systems

엔터프라이즈 규모의 코드베이스에서는 컨텍스트가 필수적입니다. 컨텍스트 유무에 따라 많은 검토와 재작업이 필요한 평범한 결과가 나올 수도 있고, 코드베이스, API, 종속성, 구현 패턴, 엔지니어링 규칙을 이해하는 효율적인 에이전틱 코딩이 가능할 수도 있습니다.

개발자와 마찬가지로 에이전트도 소규모 개념 증명 프로젝트에서는 많은 도움이 필요 없습니다. 하지만 대규모 코드베이스에서 효과적으로 작업하려면 문서화되지 않은 조직의 지식과 인사이트라는 추가적 컨텍스트가 필요합니다.

에이전트의 새로운 현실

JetBrains의 컨텍스트에 대한 투자는 개발자가 에이전트의 역량을 높이려는 수요가 증가하고 있는 흐름을 반영합니다. 이전에는 개발자가 AI 기반 결과물만으로도 어느 정도 만족했지만, 이제는 이른바 ‘허니문 단계’가 끝나고 상황이 점점 더 복잡해지고 있습니다. 개발자에게 요구되는 기대 수준은 높아지고 있으며, 새로운 요구 사항을 충족하기 위해 AI 활용 범위도 계속 확대되고 있습니다. AI ROI에 대한 요구는 개발 팀의 일정 단축과 새로운 AI 할당량에 대한 고려로 이어지고 있습니다. 즉, 문제를 해결하기 위해 최고 수준의 모델을 무작정 투입해 무제한으로 토큰을 사용할 수 없다는 뜻입니다. 이러한 현실적인 제약은 에이전트의 새로운 강력한 능력을 빠르게 따라잡고 있습니다.

한때는 단순한 불편함에 불과했던 것이 이제는 점차 병목으로 바뀌고 있습니다. 대부분의 문제 해결과 기능 개발 작업에서는 현재 상태를 파악하거나 계획된 변경 사항의 기준점을 확보하기 위해 에이전트가 코드를 광범위하게 탐색해야 합니다. 즉, 업무에서 검색을 수행하고, 탐색 에이전트를 실행하고, 파일을 읽어야 합니다. 이러한 작업은 시간뿐 아니라 토큰도 상당히 소모합니다. 아무리 뛰어난 최신 모델이라도 제한된 컨텍스트와 저장소 가시성 때문에 적절한 코드를 찾지 못하거나, 좋은 구현 예시를 발견하지 못하거나, 재사용할 만한 기존 패턴을 식별하지 못할 수 있습니다. 결국 핵심은 간단합니다. 에이전트가 저장소를 탐색하는 시간이 줄어들수록 현재 수행 중인 작업에 더 많은 시간을 투입할 수 있습니다. 그리고 JetBrains Context는 바로 이러한 문제를 해결하기 위해 만들어졌습니다.

JetBrains Context 소개

JetBrains Context는 Claude Agent, OpenAI Codex, JetBrains Junie와 같은 코딩 에이전트를 위한 저장소 인텔리전스 레이어입니다. 저장소의 의미 기반 색인을 점진적으로 구축하고 의미 기반 조회를 제공하여, 에이전트가 반복적으로 검색하고 파일을 읽는 대신 관련 저장소 지식에 접근할 수 있도록 지원합니다. 이에 따라 에이전트는 키워드 검색과 반복적인 파일 탐색에만 의존하지 않고, 질문을 직접 하거나 관련 용어 또는 개념을 조회할 수 있습니다. 이를 구현하는 데는 두 가지 핵심 구성 요소가 사용됩니다. 하나는 저장소를 점진적으로 색인 생성하는 백엔드이고, 다른 하나는 에이전트가 해당 데이터를 쿼리할 수 있도록 하는 의미 기반 검색 도구입니다.

특히 기대하고 있는 기능 중 하나는 다중 저장소 검색입니다. 에이전트는 이 검색을 이용해 현재 저장소뿐만 아니라, 로컬에서 체크아웃되지 않은 저장소를 포함한 조직의 코드베이스 전반에서 관련 코드를 찾을 수 있습니다. 또한 이를 통해 API와 종속성을 검증하고, 변경 사항의 영향을 이해하며, 원격 프로젝트에서 재사용 가능한 코드를 찾을 수 있습니다. 그 결과 코드 품질에 대한 높은 기준이 유지되고, 불필요한 작업이 줄며, 코드베이스 전반에서 아키텍처 일관성이 높아집니다.

테스트로 입증된 성능

JetBrains Context는 205개의 오픈 소스 SWE-bench 작업, 175개의 프로덕션 단일 저장소 작업 및 1,953개의 코드 위치 지정 작업을 대상으로 검증되었습니다. 이러한 벤치마크 전반에서 JetBrains Context는 에이전트 실행 횟수를 최대 68%, 지연 시간을 최대 59%, 실행 비용을 최대 48%까지 줄였습니다.

AI 시스템을 일관된 방식으로 측정하는 것은 결코 쉽지 않습니다. 최신 코딩 에이전트는 본질적으로 확률적으로 동작하기 때문에, JetBrains는 업계 표준 벤치마크와 프로덕션 규모의 저장소를 기반으로 평가 체계를 설계했습니다. 이러한 평가를 통해 이 기술은 대규모 코드베이스에서 시간, 비용, 코드 품질 측면에서 큰 차이를 만들어내는 수준까지 발전했습니다.

구독에 이미 포함된 JetBrains Context 얼리 액세스

시작하려면 랜딩 페이지의 안내를 확인하세요.

1. 간단한 GET 요청으로 CLI를 설치합니다.
2. CLI의 jbcontext login 명령어를 사용해 인증합니다.  기존 자격 증명을 그대로 사용할 수 있습니다. JetBrains AI 라이선스가 필요하지만, JetBrains Context에서는 할당량이 차감되지 않습니다.
3. 프로젝트 폴더로 이동한 다음 jbcontext setup-agent 명령어를 사용해 선호하는 코딩 에이전트에 JetBrains Context를 설정합니다. 사용자 범위에서 전역으로 설정할 수도 있습니다.
4. JetBrains Context는 에이전트 훅을 통해 코드 색인을 사전에 자동으로 생성합니다. 필요하면 jbcontext index 명령어를 호출하여 직접 생성할 수 있습니다. 소스 코드는 JetBrains Context 서버에 저장되지 않습니다.

이제 평소처럼 코딩하면, 생산성을 크게 높여줄 새로운 저장소 인텔리전스 기능이 에이전트에 장착되었음을 확인할 수 있습니다. 

JetBrains Context를 사용해 봐도 도움이 되는지 잘 모르겠다면, 새로운 기본 분석 기능을 확인해 보세요. jbcontext analyze를 실행하면 실제 시간 데이터를 기반으로 비용과 시간 절감 효과를 확인할 수 있습니다.

여러분의 의견을 들려주세요. 아래 댓글에 피드백을 남기거나, 질문하거나, 사용 후기를 남겨주세요. CLI에서 바로 jbcontext send-feedback 명령어를 사용해도 됩니다.

게시물 원문 작성자

Eduard Gurskiy

Roni Dover