AI코딩 활용을 위한 개발자 가이드
1. 전문 분야별 AI 도구의 필요성
지금까지의 연재에서는 일반적인 코딩 작업에 활용할 수 있는 AI 도구들을 살펴보았습니다. 하지만 개발자가 다루는 영역이 점점 전문화되면서, 각 분야에 특화된 AI 도구들의 중요성이 더욱 커지고 있습니다. 특히 데이터 사이언스와 DevOps 분야는 복잡한 워크플로우와 반복적인 작업이 많아 AI의 도움이 절실한 영역입니다. 이번 8편에서는 이러한 전문 분야에서 개발자의 생산성을 획기적으로 향상시킬 수 있는 AI 도구들을 자세히 살펴보겠습니다.
데이터 사이언스 분야에서는 데이터 전처리부터 모델 개발, 그리고 배포까지의 전 과정에서 AI의 도움을 받을 수 있습니다. MLOps(Machine Learning Operations) 영역에서는 모델의 생명주기 관리와 성능 모니터링을 자동화할 수 있고, DevOps에서는 인프라 구축과 운영 작업을 크게 간소화할 수 있습니다. 이러한 도구들을 제대로 활용하면 반복적인 작업에서 벗어나 더 창의적이고 전략적인 업무에 집중할 수 있게 됩니다.
2. 데이터 사이언스 분야의 AI 도구
Jupyter AI : 노트북 환경의 AI 어시스턴트
Jupyter AI는 데이터 사이언티스트들이 가장 많이 사용하는 Jupyter Notebook 환경에 AI 기능을 통합한 확장 도구입니다.
이 도구는 코드 생성부터 데이터 분석, 시각화까지 데이터 사이언스 워크플로우의 모든 단계에서 AI의 도움을 받을 수 있게 해줍니다. 특히 복잡한 pandas 조작이나 matplotlib 시각화 코드를 자연어로 요청하면 즉시 실행 가능한 코드를 생성해주어 초보자들에게 매우 유용합니다. 또한 데이터 탐색 단계에서 패턴을 발견하거나 가설을 세우는 데에도 AI의 인사이트를 활용할 수 있습니다.
Jupyter AI를 설치하려면 다음과 같은 단계를 따라야 합니다 :
pip를 이용한 가장 간단한 설치를 권장드립니다. Jupyter-ai 설치와 관련된 자세한 사항은 'https://jupyter-ai.readthedocs.io/en/v2/users/index.html#installation'를 참조하시면 좋을듯 합니다.
# 1. Jupyter AI 패키지 설치
pip install jupyter-ai
# 2. 또는 conda를 사용하는 경우
conda install -c conda-forge jupyter-ai
# 3. 필요한 의존성이 모두 설치되었는지 확인
pip list | grep jupyter
# 4. Jupyter Lab 시작 (기존에 실행 중이었다면 재시작)
jupyter lab
최신 macOS의 경우 python환경을 보호하기 위해 가상환경에서 파이썬 패키지를 설치하도록 권장하고 있습니다. 아래의 코드블럭은 가상환경을 만들고, 가상환경에서 'jupyter-ai'를 설치하는 방법을 안내합니다.
# 1. 프로젝트용 디렉터리 생성
mkdir jupyter-ai-project
cd jupyter-ai-project
# 2. 가상환경 생성
python3 -m venv jupyter-ai-env
# 3. 가상환경 활성화
source jupyter-ai-env/bin/activate
# 4. pip 업그레이드
python -m pip install --upgrade pip
# 5. Jupyter AI 설치
pip install jupyter-ai
# 6. 설치 확인
pip list | grep jupyter
# 7. Jupyter Lab 실행
jupyter lab- 'jupyter lab' 실행이 정상적으로 되지 않는 경우, 가상환경이 활성화된 상테에서 'jupyterlab'을 먼저 설치합니다.
# 현재 가상환경이 활성화된 상태에서 실행
# 1. JupyterLab 설치
pip install jupyterlab
# 2. 설치 확인
jupyter --version
jupyter lab --version
# 3. 이제 Jupyter Lab 실행
jupyter lab
설치 후 처음 실행하면 다음과 같은 화면을 확인하실 수 있습니다.
설치 후 API 키 설정 :
# 환경 변수로 API 키 설정 (권장 방법)
export OPENAI_API_KEY="your-api-key-here"
# 또는 .env 파일에 저장
echo "OPENAI_API_KEY=your-api-key-here" >> .env
Jupyter Lab에서 확인 :
# 새 노트북에서 Jupyter AI 설치 확인
import jupyter_ai
print("Jupyter AI 버전:", jupyter_ai.__version__)
# AI 매직 커맨드 사용 예시
%%ai chatgpt
이 데이터프레임에서 결측값을 확인하고 처리해주세요
실제 사용 시에는 매직 커맨드 %%ai를 셀의 첫 줄에 입력하고 자연어로 요청사항을 작성하면 됩니다. 예를 들어 "이 데이터프레임에서 결측값이 있는 행을 찾아서 제거해줘"라고 입력하면, 해당 작업을 수행하는 pandas 코드가 자동으로 생성됩니다. 또한 채팅 인터페이스를 통해 데이터에 대한 질문을 하고 분석 방향을 논의할 수도 있어, 마치 데이터 분석 전문가와 페어 프로그래밍을 하는 것과 같은 경험을 제공합니다.
Anaconda Assistant : 포괄적인 데이터 사이언스 AI 도우미
Anaconda Assistant는 Anaconda 플랫폼에 통합된 AI 도구로, 패키지 관리부터 환경 설정, 코드 작성까지 데이터 사이언스 개발의 전반적인 과정을 지원합니다. 이 도구의 가장 큰 장점은 Anaconda 생태계와의 완벽한 통합으로, conda 환경 관리나 패키지 의존성 해결 등의 복잡한 작업을 AI가 자동으로 처리해준다는 점입니다. 또한 프로젝트의 요구사항을 분석하여 최적의 패키지 조합을 추천하고, 버전 충돌 문제를 사전에 방지할 수 있습니다. 특히 머신러닝 프로젝트에서 scikit-learn, TensorFlow, PyTorch 등의 복잡한 의존성을 관리할 때 매우 유용합니다.
설치는 Anaconda Navigator를 통해 간단히 할 수 있습니다. Navigator를 실행한 후 Extensions 탭에서 Anaconda Assistant를 찾아 설치하면 됩니다. 기존 Anaconda 사용자라면 별도의 복잡한 설정 없이 바로 사용할 수 있으며, AI 기능을 사용하기 위해서는 Anaconda Cloud 계정과 연동이 필요합니다.
실제 활용 예시를 보면, "자연어 처리 프로젝트를 위한 환경을 만들어줘"라고 요청하면 NLTK, spaCy, transformers 등 관련 패키지들이 포함된 새로운 conda 환경을 자동으로 생성해줍니다. 또한 코딩 중에 발생하는 에러를 분석하여 해결 방법을 제시하거나, 성능 최적화를 위한 코드 개선 방안을 제안하기도 합니다. 프로젝트의 진행 상황을 추적하고 다음 단계를 제안하는 기능도 있어, 데이터 사이언스 프로젝트의 전체적인 로드맵을 관리하는 데에도 도움이 됩니다.
3. MLOps 분야의 AI 도구
Weights & Biases : AI 기반 실험 관리
Weights & Biases(W&B)는 머신러닝 실험을 체계적으로 관리하고 추적할 수 있는 플랫폼으로, 최근 AI 기능이 대폭 강화되었습니다. 이 도구는 모델 학습 과정에서 발생하는 방대한 양의 메트릭과 로그를 자동으로 분석하여 최적의 하이퍼파라미터를 찾아주거나, 학습 과정에서 발생할 수 있는 문제점을 사전에 감지해줍니다. 또한 여러 실험 결과를 비교 분석하여 어떤 접근 방식이 가장 효과적인지에 대한 인사이트를 제공합니다. 특히 팀 단위로 작업할 때 실험 결과를 공유하고 협업하는 과정에서 AI가 중요한 패턴이나 이상 징후를 자동으로 식별해주어 매우 유용합니다.
W&B 설치는 pip를 통해 간단히 할 수 있습니다. pip install wandb를 실행한 후, wandb login을 통해 계정과 연동하면 됩니다. 무료 계정으로도 개인 프로젝트에서는 충분히 활용할 수 있으며, 팀 프로젝트의 경우 유료 플랜을 고려해볼 수 있습니다. 설정 후에는 기존 PyTorch나 TensorFlow 코드에 몇 줄만 추가하면 자동으로 실험 추적이 시작됩니다.
실제 사용할 때는 학습 코드에 wandb.init()과 wandb.log()를 추가하는 것만으로도 강력한 실험 관리 기능을 사용할 수 있습니다. AI 기능은 대시보드에서 자동으로 작동하여, 학습 곡선의 이상 패턴을 감지하거나 최적의 체크포인트 시점을 제안해줍니다. 또한 하이퍼파라미터 스윕 기능을 사용하면 AI가 자동으로 최적의 조합을 찾아주어, 수동으로 여러 실험을 돌려볼 필요가 없어집니다.
MLflow와 AI 연동 : 모델 생명주기 자동화
MLflow는 머신러닝 모델의 전체 생명주기를 관리하는 오픈소스 플랫폼으로, AI 기능과 연동하면 모델 개발부터 배포까지의 과정을 크게 자동화할 수 있습니다. 특히 모델 성능 모니터링과 자동 재학습, 그리고 A/B 테스트 설정 등의 복잡한 MLOps 작업을 AI가 자동으로 처리해줍니다. 또한 데이터 드리프트를 감지하여 모델 성능 저하를 사전에 예방하고, 새로운 데이터에 대한 모델 적응도 자동화할 수 있습니다. 이러한 기능들은 프로덕션 환경에서 안정적인 모델 운영을 위해 필수적인 요소들입니다.
MLflow 설치는 pip install mlflow로 간단히 할 수 있습니다. 설치 후 mlflow ui를 실행하면 웹 인터페이스가 시작되며, 여기서 모든 실험과 모델을 관리할 수 있습니다. AI 기능을 활용하려면 추가적으로 AutoML 라이브러리들과의 연동 설정이 필요한데, 이는 MLflow의 플러그인 시스템을 통해 쉽게 구성할 수 있습니다.
실제 워크플로우에서는 모델 학습 시 MLflow tracking을 사용하여 실험을 기록하고, AI가 자동으로 최적의 모델을 선택하여 Model Registry에 등록합니다. 배포된 모델의 성능을 지속적으로 모니터링하다가 임계치 이하로 떨어지면 자동으로 재학습을 트리거하는 설정도 가능합니다. 이러한 자동화된 파이프라인을 통해 개발자는 모델 운영에 들이는 시간을 크게 줄이고 새로운 모델 개발에 더 집중할 수 있게 됩니다.
4. DevOps 분야의 AI 도구
AWS CodeWhisperer : 클라우드 인프라 코드 생성
AWS CodeWhisperer는 Amazon의 AI 기반 코드 생성 도구로, 특히 AWS 클라우드 서비스와 관련된 인프라 코드 작성에 특화되어 있습니다. 이 도구는 Terraform, CloudFormation, CDK 등의 Infrastructure as Code 작성을 크게 간소화해주며, AWS 서비스들의 복잡한 설정과 보안 규칙을 자동으로 생성해줍니다. 또한 AWS 베스트 프랙티스를 자동으로 적용하여 보안이 강화된 인프라 구성을 만들어주고, 비용 최적화를 위한 리소스 설정도 제안해줍니다. 특히 초보 개발자들이 AWS의 방대한 서비스 중에서 적절한 조합을 선택하고 설정하는 데 매우 유용합니다.
CodeWhisperer를 사용하려면 먼저 AWS 계정이 필요하며, AWS Toolkit을 IDE에 설치해야 합니다. Visual Studio Code의 경우 AWS Toolkit 확장을 설치한 후 AWS 계정으로 로그인하면 CodeWhisperer 기능이 활성화됩니다. 개인 사용자는 무료로 사용할 수 있으며, 팀이나 기업에서는 더 고급 기능을 제공하는 유료 플랜을 선택할 수 있습니다.
실제 사용 시에는 주석으로 원하는 인프라 구성을 자연어로 설명하면, CodeWhisperer가 해당하는 코드를 자동으로 생성해줍니다. 예를 들어 "고가용성 웹 애플리케이션을 위한 ALB와 Auto Scaling Group 구성"이라고 주석을 작성하면, 로드 밸런서, 대상 그룹, 시작 템플릿, Auto Scaling Group 등의 설정이 포함된 완전한 Terraform 코드가 생성됩니다. 또한 보안 그룹 규칙이나 IAM 정책 등의 복잡한 설정도 자동으로 생성되어 보안 모범 사례가 적용됩니다.
Google Duet AI : GCP 환경의 AI 어시스턴트
Google Duet AI는 Google Cloud Platform(GCP) 환경에서 사용할 수 있는 AI 어시스턴트로, 클라우드 인프라 관리부터 애플리케이션 개발까지 포괄적인 지원을 제공합니다. 특히 Google Kubernetes Engine(GKE), Cloud Run, BigQuery 등 GCP의 주요 서비스들과 깊이 통합되어 있어, 이러한 서비스들의 복잡한 설정과 최적화를 AI가 자동으로 처리해줍니다. 또한 구글의 강력한 AI 기술을 바탕으로 자연어 처리와 코드 이해 능력이 뛰어나며, 복잡한 아키텍처 요구사항도 정확히 파악하여 적절한 솔루션을 제안해줍니다.
Duet AI를 사용하려면 GCP 프로젝트와 적절한 API 권한이 필요합니다. Google Cloud Console에서 Duet AI 서비스를 활성화한 후, Cloud Shell이나 로컬 개발 환경에서 gcloud CLI를 통해 접근할 수 있습니다. 또한 Google Cloud Code 확장을 통해 VS Code나 IntelliJ 등의 IDE에서도 직접 사용할 수 있습니다.
실제 활용 예시를 보면, "마이크로서비스 아키텍처를 위한 GKE 클러스터를 구성해줘"라고 요청하면 Helm 차트, Istio 서비스 메시, 모니터링 설정 등이 포함된 완전한 Kubernetes 매니페스트가 생성됩니다. BigQuery에서의 데이터 분석이나 Cloud Functions를 사용한 서버리스 개발에서도 자연어 쿼리나 요구사항을 코드로 변환해주는 기능이 매우 유용합니다. 또한 GCP의 비용 관리와 성능 최적화를 위한 제안도 실시간으로 받을 수 있어, 효율적인 클라우드 운영이 가능합니다.
5. 인프라 자동화: Docker와 Kubernetes의 AI 활용
Docker 설정 자동화
Docker 컨테이너 환경에서 AI 도구들은 Dockerfile 작성부터 멀티 스테이지 빌드 최적화까지 다양한 작업을 자동화해줍니다. 특히 애플리케이션의 종류와 요구사항을 분석하여 최적의 베이스 이미지를 선택하고, 보안 취약점이 없는 패키지 버전을 자동으로 선택해줍니다. 또한 이미지 크기 최적화를 위한 멀티 스테이지 빌드 구성이나 캐시 효율성을 높이는 레이어 구조도 자동으로 생성해줍니다. Docker Compose 설정에서는 서비스 간의 의존성과 네트워크 구성을 분석하여 안정적인 컨테이너 오케스트레이션 환경을 만들어줍니다.
AI 기반 Docker 도구들을 사용하면 기존에 수작업으로 작성해야 했던 복잡한 Dockerfile을 자연어 명령만으로 생성할 수 있습니다. 예를 들어 "Node.js 애플리케이션을 위한 프로덕션용 Docker 이미지를 만들어줘"라고 요청하면, 적절한 Node.js 버전 선택부터 의존성 설치, 보안 사용자 생성, 헬스체크 설정까지 포함된 완전한 Dockerfile이 생성됩니다. 또한 개발 환경과 프로덕션 환경의 차이점을 고려하여 각각에 최적화된 설정을 제공해줍니다.
Kubernetes 설정 자동화
Kubernetes 환경에서는 AI가 복잡한 YAML 매니페스트 작성을 크게 간소화해줍니다. 애플리케이션의 특성을 분석하여 적절한 리소스 제한과 요청량을 설정하고, 고가용성을 위한 Pod 분산 전략도 자동으로 구성해줍니다. 또한 보안 정책, 네트워크 정책, 서비스 메시 설정 등의 복잡한 보안 구성도 자동으로 생성되어 운영 환경에서의 안정성을 보장합니다. 특히 Helm 차트 생성과 커스터마이징에서도 AI의 도움을 받을 수 있어, 재사용 가능한 패키지 관리가 훨씬 쉬워집니다.
실제 사용 시에는 애플리케이션의 요구사항을 설명하면 Deployment, Service, Ingress, ConfigMap 등의 필요한 Kubernetes 리소스가 모두 포함된 매니페스트 파일들이 자동으로 생성됩니다. 또한 롤링 업데이트 전략이나 블루-그린 배포 설정도 자동으로 구성되어 무중단 배포가 가능해집니다. 모니터링과 로깅을 위한 Prometheus, Grafana, ELK 스택 설정도 원클릭으로 생성할 수 있어 운영 환경 구축이 매우 간편해집니다.
6. 인프라스트럭처 as Code 생성
Infrastructure as Code(IaC) 영역에서 AI 도구들은 Terraform, Pulumi, AWS CDK 등의 코드 작성을 혁신적으로 개선하고 있습니다. 복잡한 클라우드 아키텍처를 자연어로 설명하면 해당하는 IaC 코드가 자동으로 생성되며, 이때 보안 모범 사례와 비용 최적화 원칙이 자동으로 적용됩니다. 또한 기존 인프라의 현재 상태를 분석하여 개선점을 제안하거나, 새로운 요구사항에 맞춰 기존 코드를 수정하는 작업도 자동화할 수 있습니다. 특히 멀티 클라우드 환경에서는 각 클라우드 제공업체의 특성을 고려하여 최적화된 코드를 생성해주어 매우 유용합니다.
AI 기반 IaC 도구들은 단순한 코드 생성을 넘어서 아키텍처 검증과 최적화까지 수행합니다. 생성된 코드가 실제로 원하는 아키텍처를 구현하는지 시뮬레이션을 통해 검증하고, 잠재적인 보안 취약점이나 성능 병목 지점을 사전에 식별해줍니다. 또한 인프라 변경이 기존 시스템에 미칠 영향을 분석하여 안전한 배포 계획을 수립하는 데에도 도움을 줍니다.
실제 활용 예시로는 "고성능 데이터베이스 클러스터를 위한 AWS 인프라"라고 요청하면, RDS 클러스터, ElastiCache, VPC, 서브넷, 보안 그룹, IAM 역할 등이 모두 포함된 Terraform 코드가 생성됩니다. 이때 데이터베이스의 백업 정책, 모니터링 설정, 장애 복구 구성까지 모두 자동으로 포함되어 프로덕션 환경에서 바로 사용할 수 있는 수준의 코드가 만들어집니다. 또한 코드에는 상세한 주석과 변수 설명이 포함되어 있어 후속 유지보수에도 도움이 됩니다.
7. 모니터링 및 로그 분석 자동화
지능형 모니터링 시스템 구축
AI 기반 모니터링 도구들은 기존의 단순한 임계값 기반 알림을 넘어서 패턴 인식과 이상 탐지를 통한 지능형 모니터링을 제공합니다. 시스템의 정상적인 동작 패턴을 학습하여 평소와 다른 비정상적인 행동을 자동으로 감지하고, 문제가 발생하기 전에 예방적 알림을 보내줍니다. 또한 여러 메트릭 간의 상관관계를 분석하여 근본적인 원인을 찾아내고, 유사한 문제에 대한 해결 방법을 자동으로 제안해줍니다. 이러한 기능들은 특히 마이크로서비스 아키텍처처럼 복잡한 시스템에서 문제 진단 시간을 크게 단축시켜줍니다.
Prometheus와 Grafana 조합에 AI 기능을 추가하면 더욱 강력한 모니터링 시스템을 구축할 수 있습니다. AI가 자동으로 중요한 메트릭을 식별하고 대시보드를 구성해주며, 시간대별 트래픽 패턴을 학습하여 적응형 알림 임계값을 설정해줍니다. 또한 성능 저하의 징후를 조기에 감지하여 자동으로 스케일링을 트리거하거나 트래픽을 다른 인스턴스로 리라우팅하는 자동 복구 메커니즘도 구성할 수 있습니다.
로그 분석 및 인사이트 추출
로그 분석 영역에서 AI는 방대한 양의 로그 데이터에서 의미 있는 패턴과 인사이트를 자동으로 추출해줍니다. 자연어 처리 기술을 활용하여 에러 메시지를 분류하고 유사한 문제들을 그룹핑하며, 문제의 우선순위를 자동으로 결정해줍니다. 또한 로그 데이터를 분석하여 사용자 행동 패턴이나 시스템 성능 트렌드를 파악하고, 이를 바탕으로 시스템 개선 방향을 제안해줍니다. 특히 분산 시스템에서는 여러 서비스의 로그를 연결하여 전체적인 요청 흐름을 추적하고 병목 지점을 식별하는 데 매우 유용합니다.
ELK 스택(Elasticsearch, Logstash, Kibana)에 AI 기능을 통합하면 로그 분석 과정이 크게 자동화됩니다. 새로운 유형의 로그가 들어오면 AI가 자동으로 파싱 규칙을 생성하고, 중요한 필드를 식별하여 인덱싱합니다. 또한 로그 패턴을 학습하여 보안 위협이나 성능 문제를 나타내는 로그를 자동으로 플래그하고, 관련된 로그들을 함께 묶어서 컨텍스트를 제공해줍니다.
실제 운영에서는 AI가 에러 로그를 분석하여 자동으로 Jira 티켓을 생성하거나, Slack으로 적절한 담당자에게 알림을 보내는 워크플로우를 구성할 수 있습니다. 또한 정기적으로 로그 데이터를 분석하여 시스템 건강도 리포트를 생성하고, 예방적 유지보수가 필요한 부분을 사전에 식별해줍니다. 이러한 자동화된 분석 결과는 시스템의 안정성 향상과 운영 비용 절감에 크게 기여합니다.
마무리 : 전문 분야 AI 도구 활용의 미래
전문 분야별 AI 도구들은 단순히 코드 작성을 도와주는 수준을 넘어서 전체 개발 및 운영 프로세스를 근본적으로 변화시키고 있습니다. 데이터 사이언스에서는 복잡한 분석 과정이 대화형 인터페이스로 간소화되고, MLOps에서는 모델 생명주기 관리가 자동화되며, DevOps에서는 인프라 구축과 운영이 코드 몇 줄로 가능해지고 있습니다. 이러한 변화는 개발자들이 반복적인 작업에서 벗어나 더 창의적이고 전략적인 업무에 집중할 수 있게 해주며, 결과적으로 더 높은 품질의 소프트웨어를 더 빠르게 개발할 수 있게 도와줍니다.
앞으로 이러한 AI 도구들은 더욱 지능적으로 발전하여 도구 간의 경계가 없어지고, 하나의 통합된 AI 어시스턴트가 전체 개발 라이프사이클을 관리하게 될 것으로 예상됩니다. 개발자는 자연어로 요구사항을 설명하기만 하면 AI가 코드 작성부터 테스트, 배포, 모니터링까지 모든 과정을 자동으로 처리하는 시대가 올 것입니다. 이러한 미래를 준비하기 위해서는 지금부터 이러한 도구들에 익숙해지고, AI와 협업하는 새로운 개발 방식을 체득하는 것이 중요합니다.
[ AI코딩 활용을 위한 개발자 가이드 연재 목록 ]
- [AI코딩.01] AI 코딩 도구 생태계 개요 - 개발자의 새로운 동반자
- [AI코딩.03]Claude 4.0 Sonnet - 코딩 특화 기능 심화 탐구
- [AI코딩.04.01] GitHub Copilot - VSCODE 에서 MCP 연결
- [AI코딩.05] Cursor - AI 네이티브 코드 에디터
- [AI코딩.06] Windsurf와 Bolt.new - 웹 개발 특화 도구들
- [AI코딩.08] 전문 분야별 AI 도구 - 데이터 사이언스와 DevOps
- [AI코딩.09] AI 코딩 워크플로우 최적화 - 실전 활용 전략
- [AI코딩.10] Augmented 코딩과 Vibe 코딩에 대한 개발자 가이드
- [AI코딩.11] AI 코딩 미래 전망과 마무리 - AI 코딩의 다음 단계
'AI 코딩' 카테고리의 다른 글
| [git] Synology Drive에서 .git 폴더 동기화 설정 방법 (6) | 2025.07.19 |
|---|---|
| [AI코딩.09] AI 코딩 워크플로우 최적화 - 실전 활용 전략 (6) | 2025.07.18 |
| [AI코딩.07] 로컬 AI 모델 - Ollama와 Code Llama 활용법 (7) | 2025.07.16 |
| [AI코딩.06] Windsurf와 Bolt.new - 웹 개발 특화 도구들 (3) | 2025.07.15 |
| Git을 이용한 브랜치(Branch) 실용 가이드 (2) | 2025.07.14 |
