<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by 신규찬 on Medium]]></title>
        <description><![CDATA[Stories by 신규찬 on Medium]]></description>
        <link>https://medium.com/@kyuchan.developer?source=rss-76b54858467c------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Gn4m-Sh-rDx3OiexzFSyUA.jpeg</url>
            <title>Stories by 신규찬 on Medium</title>
            <link>https://medium.com/@kyuchan.developer?source=rss-76b54858467c------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 22:13:21 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@kyuchan.developer/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[매일 아침 AI가 알려주는 앱 크래시 리포트 자동화 개발 기록]]></title>
            <link>https://medium.com/cj-onstyle/ai-%ED%81%AC%EB%9E%98%EC%8B%9C%EB%A6%AC%ED%8F%AC%ED%8A%B8-%EC%9E%90%EB%8F%99%ED%99%94-%EA%B0%9C%EB%B0%9C-%EA%B8%B0%EB%A1%9D-2ab7ba12d606?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/2ab7ba12d606</guid>
            <category><![CDATA[crash-report]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[firebase]]></category>
            <category><![CDATA[automation]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Tue, 03 Nov 2026 04:56:37 GMT</pubDate>
            <atom:updated>2026-11-09T01:42:25.030Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HEDKdLj1tb2EXFCnEGvVTQ.png" /></figure><p>안녕하세요. CJ ENM 커머스 부분에서 안드로이드 앱 담당하고 있는 신규찬입니다.</p><p>앱을 사용하다가 ’앱이 중지되었습니다.’라는 문구와 함께 앱이 종료되는 경험을 한 번씩 해보셨을 것입니다.</p><p>이런 현상을 Fatal Issue라고 하는데요. 사용자에게 앱이 출시된 후 이렇게 발생하는 Fatal Issue를 어떻게 캐치하고, 보완해야 할 부분을 찾아낼까요?</p><p>이런 이슈를 트래킹해주는 여러 서비스가 있는데, 대표적인 서비스가 구글에서 제공하는 Crashlytics입니다.</p><p>저희 서비스도 Crashlytics를 사용하고 있는데요.</p><p>매일 출근해서 크래시 여부를 확인하기 위해 Firebase Console을 열고, Crashlytics에 접속해서 날짜를 선택하고, 발생한 이슈를 목록화하는 일이 여간 귀찮은 일이 아니었습니다.</p><p>또한 이렇게 발견한 크래시를 하나씩 분석하고 수정하는 일 역시 많은 비용이 발생하는 부분이었죠.</p><p>이렇게 매일 반복되는 작업을 자동화하고, 매일 아침 출근길에 하루 사이 발생한 이슈를 정리해서 알려주는 기능이 있으면 좋지 않을까?</p><p>더 나아가 갑자기 급상승한 이슈까지 확인해서 알려주면 좋지 않을까 생각했습니다.</p><p>그렇게 Crashlytics 크래시 리포트 자동화를 시작하게 되었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*p7DPXh6LgwVxybaT0eJSNg.png" /><figcaption>Firebase Crrashlytics 대시보드</figcaption></figure><p><strong>Firebase Crashlytics 목록 가져오기</strong></p><p>크래시 리포트를 작성하기 위한 첫 번째 목표는 Firebase Crashlytics의 정보를 가져오는 것이었습니다.</p><p>어떻게 가져와야 할지 AI와 대화하고 검색 엔진을 통해 찾아보면서, BigQuery를 활용하면 Crashlytics 데이터를 가져올 수 있다는 내용을 확인하고 실행에 옮겼습니다.</p><p>아쉽게도 저희 프로젝트의 환경에서는 BigQuery에서 Firebase Crashlytics 데이터를 확인할 수 없었고, 데이터를 가져오는 것부터 어려움이 있었습니다.</p><p>그래서 방향을 틀어 BigQuery가 아닌 다른 방법을 찾아보기 시작했습니다.</p><p>그 과정에서 Firebase Crashlytics의 이슈 목록을 가져올 수 있는 API가 있다는 것과 Claude에서 사용할 수 있는 Firebase MCP가 존재한다는 것을 확인했습니다.</p><p>처음 Firebase MCP가 있다는 것을 알았을 때는 이를 활용하면 비교적 편하게 구현할 수 있을 것으로 생각했는데요.</p><p>하지만 ‘크래시 리포트 자동화’라는 프로젝트의 목적에서 생각해보니, 자동화가 실행될 때마다 Claude의 토큰을 사용해야 하는 MCP 방식은 부담이 될 수 있겠다는 생각이 들었습니다.</p><p>또한 회사의 계약이나 개발 환경에 따라 Claude에서 다른 AI인 Codex로 전환하게 된다면, Claude MCP를 계속 사용하는 데 제약이 생길 수도 있었습니다.</p><p>특정 AI에 의존하는 구조보다는 조금 더 독립적인 방식이 좋겠다고 판단했고, 최종적으로 Firebase MCP 대신 API를 사용하는 방향으로 결정했습니다.</p><p><strong>전체 FLOW</strong></p><p>이렇게 Firebase Crashlytics API를 활용하는 것으로 방향을 잡았고, 크래시 데이터를 가져오는 것부터 AI 분석, 리포트 생성 및 알림 전송까지 자동화할 수 있도록 전체적인 구조를 구성하였습니다.</p><p>전체적인 자동화 흐름은 다음과 같습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AZz0pdzzaTUd0Z80LX0rQw.png" /><figcaption>Crash Report Flow</figcaption></figure><p>각 단계별로 어떻게 구현하였는지 하나씩 설명해 보겠습니다.</p><p><strong>Crashlytics API 로 Crash Json 구성</strong></p><p>실제로 Crashlytics API를 통해 크래시 데이터를 가져와 보았습니다.</p><p>가져온 데이터를 확인해보니 생각보다 많은 정보가 포함되어 있었는데요.</p><p>크래시 리포트 자동화에서 필요한 것은 모든 데이터가 아니라, 어떤 크래시가 발생했고 얼마나 많이 발생했는지, 그리고 원인을 파악할 수 있는 StackTrace 정보였습니다.</p><p>그래서 API를 통해 가져온 데이터 중 실제 크래시 분석에 필요한 정보만 추려내는 작업을 진행했습니다.</p><p>대표적으로 Issue ID, 크래시가 발생한 클래스와 메서드, 에러 메시지, 발생 횟수(eventsCount), 영향을 받은 사용자 수, 앱 버전 등의 정보를 활용했습니다.</p><p>그리고 여기서 한 가지 조건을 더 추가하였습니다.</p><p>Crashlytics에는 앱이 완전히 종료되는 Fatal Issue뿐만 아니라 Non-Fatal Issue도 함께 존재하는데요.</p><p>이번 자동화의 첫 번째 목적은 사용자에게 직접적인 영향을 주는 크래시를 확인하는 것이었기 때문에 crashed == true인 이슈만을 대상으로 데이터를 추려냈습니다.</p><p>또한 기존에 발생했던 크래시를 반복해서 분석하기보다는 신규로 발생한 크래시를 대상으로 하고, 발생 횟수를 기준으로 우선순위가 높은 이슈부터 확인할 수 있도록 정리했습니다.</p><p>이렇게 필요한 데이터와 조건을 적용하여 최종적으로 <strong>AI 분석을 위한 JSON 데이터</strong>를 생성하였습니다.</p><p><strong>Claude CLI 를 활용한 크래시 분석</strong></p><p>Jenkins에서 Claude CLI를 사용하는 것은 생각보다 간단했습니다.</p><p>프롬프트를 echo 명령어로 구성하고, 마지막에 Claude CLI 명령어를 연결하여 실행하는 방식으로 구현하였습니다.</p><p>물론 사전에 Jenkins가 실행되는 환경에 Claude CLI를 설치하고 로그인하여, Jenkins에서도 정상적으로 Claude CLI를 호출할 수 있도록 준비하였습니다.</p><pre>{<br>    echo &quot;현재 Android 프로젝트에서 발생한 Crash를 분석해주세요.&quot;<br>    echo &quot;&quot;<br>    echo &quot;먼저 현재 디렉터리의 crash-to-analyze.json 파일을 직접 읽어주세요.&quot;<br>    echo &quot;프로젝트 소스코드는 app-source/ 디렉토리 안에 있습니다.&quot;<br>    ... 생략<br>    echo &quot;다음은 분석 대상 crash-to-analyze.json 내용입니다.&quot;<br>    echo &quot;(위에서 직접 읽으라고 안내한 파일과 동일한 파일입니다.)&quot;<br>    echo &quot;&quot;<br>    cat crash-to-analyze.json<br>} | claude -p --model &quot;${CLAUDE_MODEL}&quot; --tools &quot;Read,Grep,Glob&quot; &gt; ai-result.md</pre><p>참고로 크래시 리포트 JSON에 포함된 이슈 중 ANR과 OutOfMemoryError는 분석 대상에서 제외하였습니다. 이번 자동화에서는 AI가 비교적 명확하게 원인을 파악하고 수정 방향을 제시할 수 있는 크래시를 우선적으로 분석하고자 하였습니다.</p><p>그리고 한 가지 더 고려해야 할 부분이 있었습니다.</p><p>Crashlytics에서 제공하는 정보만으로는 실제 어떤 코드를 수정해야 하는지 파악하기 어려웠는데요. 단순히 크래시 발생 정보만 전달하는 것이 아니라, 실제 프로젝트의 소스코드를 함께 확인할 수 있어야 조금 더 구체적인 분석이 가능하다고 생각했습니다.</p><p>그래서 Git에 올라가 있는 프로젝트의 develop 브랜치를 기준으로 소스코드를 가져오고, Claude가 해당 코드를 직접 확인하면서 크래시를 분석할 수 있도록 구성하였습니다.</p><p>이렇게 하여 크래시 발생 정보와 실제 소스코드를 바탕으로 예상 원인과 수정 방향을 분석하고, 그 결과를 ai-result.md 파일로 저장하도록 하였습니다.</p><p>이제 크래시 정보를 가져오고 AI를 통해 분석하는 과정까지 완성되었습니다.</p><p>다음 단계는 이렇게 생성된 분석 결과를 개발자들이 쉽게 확인하고 관리할 수 있도록 정리하는 것이었습니다.</p><p>이를 위해 ai-result.md를 기반으로 규격화된 리포트를 생성하고, 사내 문서 관리 도구인 Confluence에 자동으로 업로드하는 작업을 진행하였습니다.</p><h3>Confluence 리포트 업로드</h3><p>Confluence 문서 업데이트는 ai-result.md를 기반으로 생성한 crash-report.md 파일을 그대로 업로드하면 마무리될 것으로 생각했습니다.</p><p>하지만 사내에서 사용 중인 Confluence에 Markdown 파일을 그대로 업로드하니 문서 형식이 깨져서 표시되는 문제가 있었습니다.</p><p>이를 해결하기 위해 Markdown 파일을 HTML로 변환하는 Python 스크립트를 작성하였고, 변환된 HTML 파일을 Confluence에 업로드하니 원하는 형태로 문서가 표시되는 것을 확인할 수 있었습니다.</p><p>Confluence에는 AI가 분석한 리포트뿐만 아니라, 분석한 크래시의 전체 목록도 확인할 수 있도록 구성하였습니다.</p><p>이렇게 구성함으로써 어떤 크래시가 발생했고 분석이 진행되었는지 한눈에 확인할 수 있으며, 각 크래시에 대한 관리도 가능하도록 하였습니다.</p><p>현재도 크래시 목록 페이지에서 JIRA 이슈를 연결하고, 각 크래시의 확인 여부와 해결 상태를 표시하며 관리하고 있는데요.</p><p>이를 통해 파트원들이 수정해야 할 이슈를 한눈에 확인할 수 있고, 아직 확인하지 못한 크래시는 담당자별로 분배하여 업무를 진행하고 있습니다.</p><p>정리하자면 Confluence에는 다음과 같이 두 개의 페이지를 생성하도록 구성하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UaFr_BmkFCjekzKG5Nt6Sw.png" /><figcaption>Confluence에 업로드된 Crash Report List Page</figcaption></figure><ul><li><strong>Crash Report List Page</strong> : 발생한 크래시의 전체 목록과 JIRA 연결, 확인 및 해결 상태를 관리하는 페이지</li><li><strong>Daily Crash Report Page</strong>: AI가 분석한 크래시의 원인과 수정 방향을 확인할 수 있는 페이지</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AD3lZxV8Fe67Bvhliiz9iA.png" /><figcaption>Daily Crash Report Page</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/274/1*X2x2UH-9nWHOTtsNNPCLgQ.png" /><figcaption>매일 자동으로 생성되는 Daily Crash Report 목록</figcaption></figure><p>이렇게 크래시 분석부터 이슈 관리까지 할 수 있도록 구성하였습니다.</p><p>하지만 매번 새로운 크래시가 발생했는지 확인하기 위해 Confluence에 접속해야 한다면, 여전히 번거로운 작업이 남아 있게 됩니다.</p><p>그래서 다음으로는 생성된 크래시 리포트를 별도로 확인하지 않아도 알 수 있도록 알림 전송 기능을 구성하였습니다.</p><p><strong>Slack 알림 구성</strong></p><p>Slack에는 다양한 채널이 존재하는데요. 이번 크래시 리포트 자동화를 위해 alert-appcrashlytics 채널을 새롭게 개설하고, 해당 채널에 메시지를 전송하도록 하였습니다.</p><p>기존에 Slack으로 메시지를 전송할 때는 Webhook 주소를 통해 직접 채널에 메시지를 보내는 방식을 사용했습니다.</p><p>이번에도 Webhook을 사용하는 것은 동일하지만, Slack App을 생성하고 Incoming Webhook 기능을 활성화하여 발급받은 주소로 메시지를 전송하도록 구성하였습니다.</p><p>두 방식 모두 Webhook을 통해 메시지를 전송한다는 점은 동일하지만 차이가 있습니다.</p><p>기존 Legacy Incoming Webhook은 Slack에서 제공하던 이전 방식으로, 메시지에 사용자 이름이나 아이콘 등을 지정하는 기능을 지원했습니다.</p><p>반면 Slack App을 통해 생성한 Incoming Webhook은 앱에 연결된 채널로 메시지를 전송하며, 메시지를 보내는 사용자 이름과 아이콘은 기본적으로 Slack App의 설정을 따르게 됩니다.</p><p>또한 기존에 사용하던 메시지 형식을 그대로 전달했을 때 일부 포맷이 이전과 다르게 표시되는 문제가 있었습니다.</p><p>이는 기존 Legacy Webhook과 Slack App 기반 Incoming Webhook에서 지원하는 메시지 구성 방식에 차이가 있기 때문인데요.</p><p>이번 자동화에서는 크래시 발생 여부와 분석 결과를 빠르게 확인하는 것이 중요하다고 생각했습니다.</p><p>그래서 별도의 복잡한 메시지 포맷을 적용하기보다는 평문을 기반으로 구성하고, 중요한 내용에는 이모티콘을 추가하여 눈에 띌 수 있도록 하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/846/1*LzlW9Mb3IzQw9Rkxo6dSig.png" /><figcaption>크래시 분석 완료 Slack Message</figcaption></figure><p><strong>Teams 알림 구성</strong></p><p>Teams는 Slack과 조금 다른 방식으로 알림을 구성하였습니다.</p><p>Teams에서 Webhook을 통해 메시지를 전송하기 위해 Microsoft에서 제공하는 Power Automate를 활용하였습니다.</p><p>Power Automate는 Microsoft에서 제공하는 업무 자동화 서비스인데요. 특정 이벤트가 발생하면 미리 설정한 작업을 자동으로 실행할 수 있도록 도와주는 서비스입니다.</p><p>예를 들어 외부에서 HTTP 요청을 받으면 Teams 채널에 메시지를 게시하거나, 특정 조건에 따라 알림을 전송하는 등의 작업을 구성할 수 있습니다.</p><p>이번 크래시 리포트 자동화에서는 Jenkins에서 전달한 메시지를 Power Automate가 받아 Teams 채널에 게시하도록 구성하였습니다.</p><p>Power Automate에서 다음과 같은 순서로 설정하였습니다.</p><ol><li><strong>내 흐름 → 새 흐름</strong>에서 새로운 흐름을 생성합니다.</li><li>Teams Webhook 요청을 받을 수 있는 트리거를 설정합니다.</li><li><strong>채팅 또는 채널에서 카드 게시</strong> 작업을 추가합니다.</li><li>메시지를 전송할 팀과 채널을 선택합니다.</li><li>생성된 Webhook 주소를 Jenkins에 등록합니다.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/607/1*C1qq9A_WvS_2mFldqivnSw.png" /><figcaption>Power Automate Teams 채널 설정</figcaption></figure><p>이렇게 구성하면 Jenkins에서 Webhook 주소로 메시지를 전송하고, Power Automate가 전달받은 내용을 Teams의 지정된 채널에 게시하게 됩니다.</p><p>전체적인 흐름은 다음과 같습니다.</p><p><strong>Jenkins → Teams Webhook → Power Automate → Teams 채널</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/208/1*vcbJihss-K8sK-HY6LmTmg.png" /><figcaption>Automate Flow</figcaption></figure><p><strong>알림 전송 자동화 완성</strong></p><p>Slack은 Webhook을 통해 채널에 직접 메시지를 전송하는 반면, Teams는 Power Automate를 거쳐 메시지를 게시한다는 차이가 있었습니다.</p><p>이렇게 Slack과 Teams 알림까지 구성하면서 크래시 데이터 수집부터 AI 분석, Confluence 리포트 생성, 메신저 알림 전송까지 하나의 자동화 흐름으로 연결할 수 있었습니다.</p><p>이제 매일 Crashlytics Console에 접속해서 크래시를 확인하거나, Confluence에서 새로운 리포트가 생성되었는지 직접 확인하지 않아도 됩니다.</p><p>자동화가 실행되면 크래시 분석 결과를 Slack과 Teams에서 확인할 수 있도록 구성하였습니다.</p><h3>마무리</h3><p>매일 출근해서 직접 확인해야 했던 반복적인 업무를 이제는 아침에 일어나면 요약된 크래시 리포트 메시지로 확인할 수 있도록 구성하였습니다.</p><p>실제 출근해서는 발생한 크래시와 AI 분석 결과를 바탕으로 수정이 필요한 부분에 집중할 수 있게 되었고, 그만큼 반복적으로 수행하던 부수적인 업무의 시간과 비용을 줄일 수 있었습니다.</p><p>또 하나의 성과는 Android에서 구축한 크래시 리포트 자동화 환경을 iOS에서도 활용할 수 있었다는 점입니다.</p><p>Android에서 개발한 자동화 코드를 GitLab에서 공통으로 관리하고, 플랫폼별로 필요한 설정과 일부 로직만 변경하여 iOS에서도 활용할 수 있도록 구성하였습니다.</p><p>이미 Android에서 자동화 구조를 만들어 놓았기 때문에 iOS에서는 처음부터 다시 개발할 필요가 없었는데요. 그 결과 하루 만에 iOS 크래시 리포트 자동화 환경을 구축하고, 실제 크래시 리포트까지 생성할 수 있었습니다.</p><p>처음 크래시 리포트 자동화를 구상했을 때는 과연 어떻게 구현해야 할지 고민이 많았던 프로젝트였습니다. 하지만 AI를 활용하면서 머릿속으로만 생각했던 기능들을 하나씩 실제로 구현할 수 있었습니다.</p><p>이번 프로젝트를 진행하면서 AI를 활용하는 능력 또한 개발자에게 중요한 역량이 되고 있다는 생각이 들었습니다.</p><p>과거에는 개발자가 얼마나 많은 기술을 알고 있고, 코드를 잘 작성하는지가 중요했다면, 이제는 AI를 얼마나 잘 활용하여 문제를 해결하고 원하는 결과를 만들어내는지도 중요해지고 있는 것 같습니다.</p><p>물론 개발자의 기술적인 지식과 경험은 여전히 중요합니다. AI가 제안한 내용을 판단하고, 실제 서비스에 적용할 수 있는 구조로 만드는 것은 결국 개발자의 몫이기 때문입니다.</p><p>현업에서는 주어진 업무를 진행하는 것만으로도 시간이 부족하여 내부 개선 작업은 항상 후순위로 밀리는 경우가 많았습니다.</p><p>하지만 이제는 AI를 활용하면서 이전에는 시간과 리소스가 부족해 시도하지 못했던 일들도 조금씩 가능해지고 있다고 생각합니다.</p><p>이번 크래시 리포트 자동화 역시 그런 가능성을 직접 경험할 수 있었던 프로젝트였습니다.</p><p>결국 중요한 것은 AI가 무엇을 할 수 있는지가 아니라, 개발자가 AI를 활용하여 어떤 문제를 해결할 수 있는지가 아닐까 생각합니다.</p><p>마지막으로 이번 크래시 리포트 자동화를 진행하면서 방향을 잡아주신 프론트개발팀장 이주영님과 AI 분석 구성에 함께해 주신 <a href="https://medium.com/u/3c9640eb3e36">채빈</a>님께 감사의 말씀을 전하고 싶습니다.</p><p>함께 고민하고 의견을 나누면서 처음 생각했던 것보다 더 나은 방향으로 프로젝트를 완성할 수 있었습니다.</p><h3>같이 보면 좋은 글</h3><ul><li><a href="https://medium.com/cj-onstyle/android-%EC%98%A8%EC%8A%A4%ED%83%80%EC%9D%BC-%EA%B0%9C%ED%8E%B8-%EC%8A%A4%ED%86%A0%EB%A6%AC-%EB%A0%88%EA%B1%B0%EC%8B%9C-%EC%BD%94%EB%93%9C%EC%97%90-%ED%81%B4%EB%A6%B0%EC%95%84%ED%82%A4%ED%85%8D%EC%B2%98-%EB%8F%84%EC%9E%85-%ED%8E%B8-f071ca1b7a0e">Android 온스타일 레거시 코드에 클린 아키텍처 도입기 | 온스타일 기술 블로그</a></li><li><a href="https://medium.com/cj-onstyle/android-%EB%B2%84%ED%8B%B0%EC%BB%AC-%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8%EC%9D%98-%ED%81%B4%EB%A6%B0-%EC%95%84%ED%82%A4%ED%85%8D%EC%B2%98-%EB%8F%84%EC%9E%85-a26d833e103c">왜 Android 신규 프로젝트는 클린 아키텍처를 도입하였는가? | 온스타일 기술 블로그</a></li><li><a href="https://medium.com/cj-onstyle/android-%EC%85%80%EB%A0%99%EC%83%B5-%EC%95%B1-%EB%AA%A8%EB%93%88-dagger-hilt-%EC%97%B0%EA%B2%B0%EA%B3%BC-%EB%AA%A8%EB%93%88-%ED%85%8C%EC%8A%A4%ED%8C%85-f93efda284cc">Android 셀렙샵 앱 모듈 Dagger Hilt 연결과 모듈 테스팅 | 온스타일 기술 블로그</a></li><li><a href="https://medium.com/cj-onstyle/android-%ED%99%88%ED%83%AD-%EC%8A%A4%ED%81%AC%EB%A1%A4-%EC%86%8D%EB%8F%84-%EA%B0%9C%EC%84%A0-mission-posible-3fb74999792c">Android 온스타일 홈탭 스크롤 속도 개선 Mission Possible | 온스타일 기술 블로그</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2ab7ba12d606" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cj-onstyle/ai-%ED%81%AC%EB%9E%98%EC%8B%9C%EB%A6%AC%ED%8F%AC%ED%8A%B8-%EC%9E%90%EB%8F%99%ED%99%94-%EA%B0%9C%EB%B0%9C-%EA%B8%B0%EB%A1%9D-2ab7ba12d606">매일 아침 AI가 알려주는 앱 크래시 리포트 자동화 개발 기록</a> was originally published in <a href="https://medium.com/cj-onstyle">CJ 온스타일 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI MCP STT 회의록 만들어보자!]]></title>
            <link>https://medium.com/@kyuchan.developer/ai-mcp-stt-%E1%84%92%E1%85%AC%E1%84%8B%E1%85%B4%E1%84%85%E1%85%A9%E1%86%A8-%EB%A7%8C%EB%93%A4%EC%96%B4%EB%B3%B4%EC%9E%90-9a8dabeb9016?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/9a8dabeb9016</guid>
            <category><![CDATA[mcp-client]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Thu, 02 Apr 2026 16:30:16 GMT</pubDate>
            <atom:updated>2026-04-02T16:40:22.751Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CMLNeyQj1l0jOAgH-U62dQ.png" /></figure><p>AI로 만들 수 있는 것은 과연 어디까지일까요?</p><p>이번에 진행한 개인 프로젝트는 <strong>음성 녹음 파일을 STT(Speech-to-Text)로 변환하고, 이를 기반으로 회의록을 자동으로 정리하는 시스템</strong>을 만드는 것이었습니다.</p><p>이 프로젝트를 시작하며 가장 먼저 느낀 점이 있었습니다.</p><p><strong>STT는 이미 충분히 잘 동작합니다.</strong> <br>하지만 <strong>회의록은 자동으로 완성되지 않습니다.</strong></p><p>많은 팀이 “음성 → 텍스트 변환”까지는 구현합니다. <br>그러나 실제 업무에서 필요한 것은 단순한 전사본이 아니라 <strong>구조화된 회의 기록</strong>입니다.</p><p>예를 들어 회의록에는 다음과 같은 정보가 정리되어야 합니다.</p><ul><li>무엇이 논의되었는지</li><li>무엇이 결정되었는지</li><li>어떤 액션이 필요한지</li><li>전체 맥락은 무엇이었는지</li></ul><p>결국 대부분의 경우 <strong>전사가 끝난 이후, 사람이 다시 내용을 정리하는 과정</strong>이 필요합니다. 이 지점에서 저는 설계의 관점을 바꾸었습니다.</p><p><strong>“STT를 얼마나 잘 쓰느냐”가 아니라 “STT 이후의 흐름을 하나의 파이프라인으로 설계하는 것”이 핵심이라고 판단했습니다.</strong></p><p>단순히 음성을 텍스트로 바꾸는 것이 아니라, <br><strong>전사 → 의미 분석 → 요약 → 구조화된 회의록 생성</strong>까지 이어지는 하나의 자동화 흐름을 만드는 것이 이번 프로젝트의 목표였습니다.</p><h3>시작</h3><p>회의록을 정리하기 위해서는 먼저 <strong>회의 내용이 필요합니다.</strong></p><p>이 프로젝트에서는 그 입력을 <strong>음성 파일</strong>로 받는 방식으로 설계를 시작했습니다.</p><p>기본적인 흐름은 단순합니다.</p><p>음성 파일을 입력하면</p><ol><li>STT(Speech-to-Text)로 음성을 텍스트로 변환하고</li><li>변환된 텍스트를 AI가 보정 및 정리하여</li><li>구조화된 회의록을 생성하는 것입니다.</li></ol><p>일반적으로 더 정확한 결과를 만들기 위해서는 <strong>RAG(Retrieval-Augmented Generation)</strong> 를 활용할 수 있습니다.</p><p>예를 들어 회사의 비즈니스 로직이나 정책 문서를 함께 제공하면, AI는 더 깊이 있고 정확한 회의록을 작성할 수 있습니다.</p><p>하지만 <strong>보안이 중요한 조직 환경에서는 내부 문서를 외부 AI 시스템에 연결하는 것이 쉽지 않습니다.</strong> <br>그래서 이번 프로젝트에서는 <strong>RAG를 사용하지 않는 방향</strong>으로 접근했습니다.</p><p><strong>오직 음성 파일만으로 회의록을 생성하는 구조</strong>를 목표로 설계를 시작했습니다.</p><p>이 프로젝트의 최종 목표는 단순했습니다.</p><blockquote><strong>“단 한 번의 호출로 모든 과정을 끝내는 것”</strong></blockquote><p>즉, 파일 하나만 넣고 <em>“회의록 작성해줘” </em>라고 입력하면 <strong>완성된 회의록이 Markdown(md) 파일로 생성되는 시스템</strong>을 만드는 것이었습니다.</p><p>처음에는 Confluence나 Slack으로 직접 전송하는 기능까지 고려했습니다.</p><p>하지만 시스템의 안정성과 범용성을 고려해 <strong>우선순위를 조금 다르게 잡았습니다.</strong></p><ul><li>특정 협업툴에 종속되는 기능이 아닌, <strong>정확한 Markdown 회의록 생성</strong>에 집중</li><li><strong>LLM을 자유롭게 교체할 수 있는 구조</strong></li></ul><p>이를 기반으로 다음과 같은 설계 조건을 세웠습니다.</p><h3>설계 조건</h3><ol><li><strong>프론트엔드에 종속되지 않을 것</strong></li><li><strong>LLM을 자유롭게 교체할 수 있도록 설계할 것</strong></li><li><strong>STT와 LLM의 역할을 명확히 분리할 것</strong></li><li><strong>후속 확장이 가능할 것</strong> (Confluence, Slack, Jira 등)</li></ol><p>이러한 조건을 만족시키기 위해 이번 프로젝트에서는 <strong>MCP(Model Context Protocol)</strong> 기반 구조를 선택했습니다.</p><h3>아키텍처</h3><p>이번 프로젝트의 전체 구조는 <strong>하나의 파이프라인 형태</strong>로 설계되었습니다.</p><p>회의는 기본적으로 <strong>음성 → 텍스트 → 의미 정리 → 문서화</strong>라는 흐름을 갖습니다.<br>따라서 시스템도 이 흐름을 그대로 따르는 것이 가장 자연스럽다고 판단했습니다.</p><p>전체 구조는 다음과 같습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/932/1*PIktZdP-3e1yBnwNUL8ImA.jpeg" /></figure><p>사용자는 <strong>단순히 음성 파일을 입력</strong>하기만 하면 됩니다.</p><p>이 요청은 MCP 서버의 transcribe_audio 도구로 전달되고,<br>이 도구 내부에서 다음과 같은 단계가 순차적으로 실행됩니다.</p><ol><li>음성 파일을 받아 STT로 텍스트 변환</li><li>변환된 텍스트를 LLM을 통해 교정</li><li>회의 구조(주제 / 결정 / 액션 등)를 추출</li><li>Markdown 회의록으로 정리</li><li>결과 파일 저장</li></ol><p>중요한 점은 <strong>이 모든 로직이 MCP 도구 하나에 캡슐화되어 있다는 것</strong>입니다.</p><p>즉 사용자는 내부 구조를 전혀 알 필요 없이 단순히</p><blockquote><em>“회의록 작성해줘”</em></blockquote><p>라고 요청하면, 하나의 파이프라인이 실행되어 <strong>완성된 회의록이 생성되는 구조</strong>입니다.</p><h3>MCP 도구 설계</h3><p>이번 프로젝트의 핵심은 <strong>MCP(Model Context Protocol) 기반 도구 설계</strong>입니다.</p><p>MCP는 LLM이 외부 기능을 사용할 수 있도록 <strong>표준화된 인터페이스</strong>를 제공하는 프로토콜입니다.</p><p>즉 AI가 <strong>외부 도구를 호출하는 방식</strong>을 정의합니다.</p><p>이번 프로젝트에서는 하나의 MCP 도구만 제공했습니다.</p><pre>transcribe_audio</pre><p>이 도구는 다음과 같은 입력을 받습니다.</p><ul><li><strong>audio_base64</strong> 또는 <strong>audio_url</strong> (둘 중 하나 필수)</li><li><strong>language</strong> (auto, ko, en, ja, zh 등 / 기본값: auto)</li><li><strong>model_size</strong> (tiny, base, small, medium, large-v3 / 기본값: base)</li><li><strong>include_timestamps</strong> (타임스탬프 포함 여부 / 기본값: true)</li><li><strong>save_md_path</strong> (.md 저장 경로 / 선택)</li><li><strong>title</strong> (Markdown 제목 / 선택)</li></ul><p>이 도구의 특징은 <strong>단순 STT 도구가 아니라는 점</strong>입니다.</p><p>일반적인 STT 도구는 <strong>음성을 텍스트로 변환하는 기능</strong>까지만 제공합니다.</p><p>하지만 transcribe_audio는 단순한 파일 업로드 인터페이스가 아니라, <strong>음성 파일을 STT 결과로 변환해 AI가 활용할 수 있는 형태로 제공하는 MCP 도구</strong>로 설계했습니다.</p><p>전체 흐름은 다음과 같습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*hgWpK51KSjx5AIwk9Jh-yQ.jpeg" /></figure><p>중요한 점은 transcribe_audio가 <strong>회의록을 직접 완성하는 도구는 아니라는 점</strong>입니다.</p><p>이 도구의 책임은 어디까지나 <strong>음성을 안정적으로 텍스트로 변환하는 것</strong>이며, 그 이후의 <strong>문장 교정, 내용 추론, 구조화, 회의록 작성은 AI Agent가 담당</strong>하도록 역할을 분리했습니다.</p><p>이러한 구조 덕분에 STT와 추론 단계를 명확히 나눌 수 있었고, <br>프론트엔드나 클라이언트는 MCP 도구를 통해 전사 결과를 얻은 뒤, <br>Copilot 같은 AI Agent를 이용해 후속 정리 작업을 자연스럽게 이어갈 수 있습니다.</p><p>또한 LLM 호출 방식은 설정 파일을 통해 교체 가능하도록 설계하여, <br>동일한 흐름 안에서 Ollama, Copilot CLI 등 다양한 실행 방식을 선택적으로 사용할 수 있게 했습니다.</p><h3>STT 레이어 설계</h3><p>STT 엔진은 <strong>faster-whisper</strong>를 사용했습니다.</p><p>Whisper 기반 STT 모델은 이미 높은 정확도를 보여주고 있지만, 실제 프로젝트에서는 <strong>성능과 운영 환경</strong>을 고려한 선택이 필요했습니다.</p><p>이번 프로젝트에서는 다음 조건을 기준으로 STT 엔진을 선택했습니다.</p><ul><li>로컬 실행 가능</li><li>CPU 환경에서도 동작</li><li>Python 환경과의 간단한 연동</li><li>빠른 추론 속도</li></ul><p>이 기준을 만족하는 엔진이 <strong>faster-whisper</strong> 였습니다.</p><h3>STT 엔진 비교</h3><p>엔진 장점 단점 OpenAI Whisper 높은 정확도 GPU 의존도 높음 faster-whisper 빠른 추론 속도 / CPU 지원 모델 다운로드 필요 Google STT 매우 높은 정확도 비용 발생 Azure Speech 안정적인 API 클라우드 의존</p><p>이번 프로젝트는 <strong>로컬 환경에서도 동작 가능한 구조</strong>를 목표로 했기 때문에 <strong>faster-whisper</strong>가 가장 적합한 선택이었습니다.</p><p>STT 변환 결과는 다음과 같은 형태로 생성됩니다.</p><ul><li>문장 단위 텍스트</li><li>구간별 타임스탬프</li></ul><p>이 데이터를 기반으로 <strong>타임스탬프 포함 Markdown</strong>을 생성합니다.</p><p>예를 들어 다음과 같은 형식입니다.</p><pre>[00:01:32]<br>이번 분기 매출 목표에 대해서 이야기해 보겠습니다.</pre><p>또한 이 단계에서는 <a href="http://filters.py/"><strong>filters.py</strong></a>에 정의된 정규식 규칙이 적용됩니다.</p><p>예를 들어</p><ul><li>시간 표현 정규화</li><li>불필요한 공백 제거</li><li>반복 표현 제거</li></ul><p>이 단계는 <strong>LLM을 사용하지 않는 deterministic 처리 영역</strong>입니다.</p><p>즉 <strong>항상 동일한 입력에 동일한 결과가 나오도록 설계했습니다.</strong></p><h3>LLM 레이어 설계</h3><p>LLM 레이어는 두 단계로 구성되어 있습니다.</p><pre>1. 문장 교정<br>2. 구조 추출</pre><p>이 프로젝트에서 중요한 설계 원칙은 <strong>LLM에게 너무 많은 역할을 맡기지 않는 것</strong>이었습니다.</p><p>LLM이 모든 것을 처리하도록 설계하면 결과가 불안정해질 수 있습니다.</p><p>따라서 LLM의 역할을 <strong>명확하게 두 가지로 제한</strong>했습니다.</p><h3>1) 문장 교정 단계</h3><p>STT 결과는 일반적으로 다음과 같은 특징을 갖습니다.</p><ul><li>문장이 끊어져 있음</li><li>불필요한 반복 표현 존재</li><li>구어체 표현</li><li>문법 오류</li></ul><p>예를 들어 다음과 같은 전사 결과가 나올 수 있습니다.</p><pre>어 그 그러면 이번에 그 API 쪽은 다음 주까지<br>정리하는 걸로 하고요<br>아마 프론트 작업은<br>다음 스프린트에서 진행하면 될 것 같습니다</pre><p>문장 교정 단계에서는 <strong>의미를 변경하지 않고 문장만 정리</strong>합니다.</p><p>예를 들어 다음과 같이 변환됩니다.</p><pre>이번 API 작업은 다음 주까지 정리하기로 했습니다.<br>프론트 작업은 다음 스프린트에서 진행하기로 했습니다.</pre><p>여기서 중요한 원칙은 다음입니다.</p><blockquote><strong>의미 변경 금지</strong></blockquote><p>즉 LLM은 <strong>요약을 하지 않습니다.</strong> 단지 <strong>읽기 좋은 문장으로 정리</strong>하는 역할만 수행합니다.</p><h3>2) 구조 추출 단계</h3><p>문장이 정리된 이후에는 <strong>회의의 구조를 추출하는 단계</strong>가 진행됩니다.</p><p>이 단계에서는 LLM이 다음과 같은 데이터를 JSON 형태로 생성합니다.</p><pre>{<br>  &quot;topic&quot;: &quot;&quot;,<br>  &quot;discussion&quot;: [],<br>  &quot;decisions&quot;: [],<br>  &quot;action_items&quot;: []<br>}</pre><p>이 방식의 장점은 <strong>LLM 결과를 안정적으로 후처리할 수 있다는 점</strong>입니다.</p><p>만약 LLM이 직접 Markdown을 생성하도록 하면 출력 형식이 불안정해질 가능성이 있습니다.</p><p>하지만 <strong>구조화된 JSON을 먼저 생성</strong>하면 템플릿 레이어에서 <strong>안정적인 문서 생성</strong>이 가능합니다.</p><p>결과적으로 LLM 레이어는 다음과 같은 역할만 수행합니다.</p><pre>STT 결과 텍스트<br>→ 문장 교정<br>→ 회의 구조 JSON 추출</pre><p>이렇게 <strong>역할을 최소화한 설계</strong> 덕분에 LLM 모델을 교체하더라도 전체 시스템이 안정적으로 동작하도록 만들 수 있었습니다.</p><h3>LLM 교체 가능 구조</h3><p>이 프로젝트에서는 <strong>LLM을 교체할 수 있는 구조</strong>를 별도로 설계했습니다.</p><p>처음 개발을 시작했을 때는 <strong>로컬 환경에서 실행 가능한 LLM</strong>을 사용했습니다.</p><p>특히 <strong>Ollama</strong>를 활용하면 로컬 머신에서도 비교적 간단하게 LLM을 실행할 수 있기 때문에, 초기 개발과 실험에는 매우 적합했습니다.</p><p>하지만 실제 사용 환경을 고려하다 보니 한 가지 문제가 있었습니다.</p><p>회사에서는 이미 <strong>Copilot 환경을 제공하고 있었기 때문입니다.</strong></p><p>즉, 로컬 LLM을 별도로 운영하기보다는 <strong>이미 제공되는 Copilot을 활용하는 것이 더 현실적인 선택</strong>일 수 있습니다.</p><p>그래서 시스템을 특정 LLM에 종속시키기보다는 <strong>LLM 호출 자체를 추상화하는 구조</strong>로 설계했습니다.</p><p>핵심 목표는 다음과 같았습니다.</p><ul><li>LLM 교체 시 코드 변경 최소화</li><li>파이프라인 구조 유지</li><li>설정 변경만으로 LLM 교체 가능</li></ul><p>이를 위해 <strong>LLM 호출 로직을 별도의 설정 계층으로 분리</strong>했습니다.</p><h3>LLM 호출 구조</h3><p>LLM 호출은 transcript_analyzer_config.py에서 관리됩니다.</p><p>즉, 실제 파이프라인 로직에서는 <strong>LLM 종류를 직접 알 필요가 없습니다.</strong></p><p>설정에 따라 다음 두 가지 방식 중 하나가 사용됩니다.</p><h3>Ollama HTTP 모드</h3><p>로컬 LLM을 사용할 경우 <strong>Ollama HTTP API</strong>를 사용합니다.</p><pre>DEFAULT_LLM_API_URL=&quot;&lt;http://localhost:11434/v1&gt;&quot;<br>DEFAULT_LLM_MODEL=&quot;llama3.2&quot;</pre><p>이 방식에서는 Ollama가 제공하는 <strong>OpenAI 호환 API</strong>를 사용합니다.</p><p>즉 다음과 같은 방식으로 호출됩니다.</p><pre>/v1/chat/completions</pre><p>덕분에 코드 구조는 <strong>OpenAI API 호출과 동일하게 유지</strong>할 수 있습니다.</p><p>이 방식의 장점은 다음과 같습니다.</p><ul><li>완전한 로컬 실행</li><li>외부 API 의존 없음</li><li>모델 자유 선택 가능</li></ul><p>하지만 로컬 LLM은 다음과 같은 한계도 있습니다.</p><ul><li>GPU 리소스 필요</li><li>모델 품질 차이</li><li>운영 환경 관리 필요</li></ul><h3>Copilot CLI 모드</h3><p>회사 환경에서는 <strong>Copilot이 이미 제공되는 경우가 많습니다.</strong></p><p>그래서 별도의 API를 호출하는 대신 <strong>Copilot CLI를 활용하는 방식</strong>도 지원하도록 설계했습니다.</p><p>설정은 다음과 같습니다.</p><pre>DEFAULT_LLM_API_URL=&quot;&quot;<br>USE_COPILOT_CLI=True</pre><p>이 경우 LLM 호출은 API가 아니라 <strong>CLI 기반 비대화형 실행</strong>으로 처리됩니다.</p><p>예를 들어 다음과 같은 형태입니다.</p><pre>copilot-s-p&quot;...&quot;</pre><p>이 방식의 장점은 다음과 같습니다.</p><ul><li>회사에서 이미 제공하는 LLM 활용 가능</li><li>별도 API 키 관리 불필요</li><li>로컬 환경 설정 간소화</li></ul><h3>LLM 교체 방식</h3><p>이 구조의 핵심은 <strong>설정 변경만으로 LLM을 교체할 수 있다는 점</strong>입니다.</p><p>예를 들어 다음과 같은 방식입니다.</p><p>모드 설정 Ollama DEFAULT_LLM_API_URL 설정 Copilot CLI USE_COPILOT_CLI = True</p><p>어떤 LLM을 사용하더라도 <strong>파이프라인 구조는 동일하게 유지됩니다.</strong></p><pre>STT → 문장 교정 → 구조 추출 → Markdown 생성</pre><p>LLM이 변경되더라도 <strong>LLM 레이어 내부 구현만 바뀌고 전체 시스템은 그대로 동작</strong>합니다.</p><p>즉, 로컬을 사용할 것인지, 아니면 CLI 를 사용할 것인지는 환경에 따라 선택하여 사용할 수 있습니다.</p><h3>설계에서 중요하게 본 점</h3><p>이 프로젝트에서 LLM을 교체 가능하도록 설계한 이유는 단순합니다.</p><p><strong>LLM은 계속 바뀌기 때문입니다.</strong></p><p>오늘은 Ollama를 사용하더라도 내일은 Copilot, OpenAI, Azure OpenAI, Claude 등 다른 모델을 사용하게 될 수 있습니다.</p><p>따라서 특정 LLM에 종속되는 구조보다는 <strong>LLM을 교체할 수 있는 파이프라인 구조</strong>를 만드는 것이 더 중요하다고 판단했습니다.</p><h3>템플릿 레이어</h3><p>LLM 레이어에서 회의 구조 데이터가 추출되면 마지막 단계는 <strong>문서 생성</strong>입니다.<br>이 프로젝트에서는 결과를 <strong>Markdown 문서 형태로 생성</strong>하도록 설계했습니다.</p><p>Markdown을 선택한 이유는 다음과 같습니다.</p><ul><li>협업 도구와의 호환성 (Confluence, Notion, Git 등)</li><li>사람이 읽기 쉬운 구조</li><li>후속 자동화 확장 용이</li></ul><p>즉 <strong>Markdown은 가장 범용적인 회의 기록 포맷</strong>이라고 판단했습니다.</p><p>Markdown 생성은 meeting_template.py에서 담당하며,<br>최종 문서 구조는 TEMPLATE_BASE를 기반으로 만들어집니다.</p><p>이 템플릿은 단순히 요약만 제공하는 것이 아니라<br><strong>요약된 회의 내용과 원본 기록을 함께 포함하는 구조</strong>로 설계했습니다.</p><p>이렇게 설계한 이유는 다음과 같습니다.</p><ul><li>LLM 요약 결과 검증 가능</li><li>원본 기록 추적 가능</li><li>회의 맥락 보존</li></ul><p>즉 <strong>AI가 정리한 내용과 원문을 한 문서에서 동시에 확인할 수 있도록</strong> 구성했습니다.</p><h3>최종 Markdown 구조</h3><p>최종 생성되는 Markdown 문서는 다음과 같은 구조를 갖습니다.</p><pre># 회의록<br>**회의 기록**<br>- **회의일자**: {{날짜}}<br>- **장소**: {{장소}}<br>- **참석자**: {{참석자}}<br>- **주제**: {{주제}}<br><br>**회의 내용**<br>- (LLM 추출 불릿 1)<br>- (LLM 추출 불릿 2)<br>...<br><br>**결과**<br>{{결과}}<br><br>**회의 종료**<br>{{회의_종료}}<br><br>---<br>## 첨부: 음성 기록 원문<br># 음성 기록 (STT)<br>- **언어**: ko<br>- **구간 수**: N<br>---<br>**[00:00.00 - 00:02.50]** 첫 구간 텍스트...<br>**[00:02.50 - 00:05.00]** 두 번째 구간...<br>---<br>## 전문 (타임스탬프 없음)<br>...</pre><p>문서 상단에는 <strong>LLM이 정리한 회의 요약</strong>이 위치하고,<br>문서 하단에는 <strong>STT 원문 기록이 첨부됩니다.</strong></p><p>이 구조 덕분에 다음과 같은 장점이 있습니다.</p><ul><li>빠른 회의 요약 확인</li><li>필요한 경우 원문 확인 가능</li><li>회의 기록의 신뢰성 확보</li></ul><h3>파일 저장 방식</h3><p>생성된 Markdown 파일은 다음 경로 규칙으로 저장됩니다.</p><pre>stt/회의록_첨부_YYYYMMDD_HHMMSS.md</pre><p>예시로 보여드리면 다음과 같습니다.</p><pre>stt/회의록_첨부_20260317_141522.md</pre><p>이 파일에는 다음 두 가지 정보가 <strong>하나의 문서로 포함됩니다.</strong></p><ol><li><strong>회의 요약 (LLM 결과)</strong></li><li><strong>음성 기록 원문 (STT 결과)</strong></li></ol><p>즉 <strong>회의록 요약과 원문 기록이 분리되지 않고 하나의 파일로 관리</strong>됩니다</p><h3>마무리</h3><p>이 프로젝트의 목적은 STT 도입이 아니라, STT 이후 흐름의 자동화입니다.</p><p>이번 프로젝트는 단순히 <strong>회의록 자동화 도구를 만든 것</strong>이라기보다는, <strong>AI를 활용해 또 다른 AI 기반 프로그램을 만든 경험</strong>에 가까웠습니다.</p><p>STT로 음성을 텍스트로 변환하고, <br>LLM을 통해 문장을 교정하고 구조를 추출하며, <br>최종적으로 Markdown 문서로 정리되는 전체 파이프라인은 AI 기술을 중심으로 구성되어 있습니다.</p><p>흥미로운 점은 이 프로젝트의 상당 부분이 <strong>바이브 코딩(vibe coding)</strong> 방식으로 진행되었다는 것입니다.</p><p>아이디어를 설명하고, 구조를 잡고, 코드를 생성하고, 다시 수정하는 과정을 AI와 함께 반복하며 프로젝트를 발전시켰습니다.</p><p>하지만 프로젝트를 진행하면서 느낀 점은 하나였습니다.</p><p><strong>AI가 코드를 작성해 줄 수는 있지만, 어떤 방향으로 설계할지는 여전히 개발자의 역할이라는 점입니다.</strong></p><p>예를 들어 다음과 같은 결정들은 AI가 대신할 수 있는 영역이 아니었습니다.</p><ul><li>STT 이후 파이프라인을 어떻게 설계할 것인가</li><li>LLM의 역할을 어디까지 제한할 것인가</li><li>MCP 기반 구조로 캡슐화할 것인가</li><li>LLM을 교체 가능하게 만들 것인가</li></ul><p>또한 코드가 생성된 이후에도 실제로 코드를 읽고 수정하고 구조를 정리하는 과정은 여전히 개발자의 몫이었습니다.</p><p>결국 이번 프로젝트는 다음과 같은 경험으로 정리할 수 있습니다.</p><blockquote><strong><em>AI는 개발 속도를 크게 높여 주지만, 시스템의 방향과 구조를 결정하는 것은 여전히 개발자의 역할이다.</em></strong></blockquote><p>앞으로 AI 도구는 더 발전할 것이고 개발 방식 역시 계속 변화할 것입니다.<br>하지만 이러한 변화 속에서도 중요한 것은 <strong>문제를 어떻게 정의하고, 시스템을 어떻게 설계할 것인가에 대한 고민</strong>이라고 봅니다.</p><p>AI가 구현을 담당하는 시대일수록, <strong>개발자는 적절한 아키텍처와 디자인 패턴을 설계하고, 비즈니스 로직과 고려사항을 명확히 정의하여 AI가 올바른 방향으로 결과물을 만들어낼 수 있도록 이끄는 역할</strong>이 더욱 중요해질 것입니다.</p><p>이번 프로젝트는 작은 개인 프로젝트였지만 <strong>AI를 활용해 AI 기반 자동화 시스템을 설계하고 구현해 본 경험</strong>이라는 점에서 개발자로서 매우 흥미로운 시도였습니다.</p><p>그리고 앞으로도 이런 방식의 AI 기반 개발 패턴은 더 많이 등장할 것이라고 생각합니다.</p><h3>프로젝트 보기</h3><p>이번 글에서 소개한 프로젝트는 아래에서 확인하실 수 있습니다.</p><p><strong>GitHub Repository</strong></p><p><a href="https://github.com/FaithDeveloper/ai-stt-meeting-minutes">https://github.com/FaithDeveloper/ai-stt-meeting-minutes</a></p><p><strong>Demo Video</strong></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FOX7bX13beMA%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DOX7bX13beMA&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FOX7bX13beMA%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="640" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/7a61ddceb82a815aeb17d30fc3eb167b/href">https://medium.com/media/7a61ddceb82a815aeb17d30fc3eb167b/href</a></iframe><h3>같이 보면 좋은 글</h3><ul><li><a href="https://medium.com/@kyuchan.developer/open-webui-ollama%EB%A1%9C-%EB%A1%9C%EC%BB%AC-llm-%ED%99%98%EA%B2%BD-%EA%B5%AC%EC%B6%95%ED%95%98%EA%B8%B0-0ccf915dc75b">Open WebUI + Ollama로 로컬 LLM 환경 구축하기</a></li><li><a href="https://medium.com/@kyuchan.developer/ai-%EC%99%80-%ED%95%A8%EA%BB%98-%EC%95%B1-%EA%B0%9C%EB%B0%9C%ED%95%98%EA%B8%B0%EA%B0%9C%EB%B0%9C%ED%95%98%EA%B8%B0-ec2ac489e2be">AI와 함께 앱 개발하기</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9a8dabeb9016" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Open WebUI + Ollama로 로컬 LLM 환경 구축하기]]></title>
            <link>https://medium.com/@kyuchan.developer/open-webui-ollama%EB%A1%9C-%EB%A1%9C%EC%BB%AC-llm-%ED%99%98%EA%B2%BD-%EA%B5%AC%EC%B6%95%ED%95%98%EA%B8%B0-0ccf915dc75b?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/0ccf915dc75b</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[local-ai-deployment]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[mcp-server]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Mon, 09 Feb 2026 16:13:20 GMT</pubDate>
            <atom:updated>2026-04-02T16:42:19.662Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nmdtTCRMpE_bDgZPnn9V7w.png" /></figure><p>요즘 LLM을 다루다 보면 한 가지 고민이 생깁니다.</p><blockquote><em>“매번 외부 API를 호출하지 않고,<br> 내 환경에서 자유롭게 테스트할 수는 없을까?”</em></blockquote><p>저도 같은 고민에서 출발했고,<br>그 과정에서 <strong>Ollama + Open WebUI</strong> 조합을 알게 되었습니다.</p><p>이번 글에서는 Open WebUI와 Ollama를 활용해 <strong>로컬 LLM 환경을 구성한 과정</strong>과 그 위에 <strong>제가 직접 만든 MCP를 연결해 실제로 동작시키는 구조</strong>까지 정리해 보려고 합니다.</p><h3>왜 Open WebUI + Ollama 인가</h3><p>Ollama는 로컬에서 LLM을 쉽게 실행할 수 있게 해주는 도구입니다.<br> 하지만 터미널 기반으로만 사용하기엔 아쉬운 점이 있죠.</p><p>Open WebUI는 이 부분을 아주 잘 보완해 줍니다.</p><ul><li>웹 기반 UI 제공</li><li>여러 모델 관리 가능</li><li>API 서버처럼 사용 가능</li><li>MCP, Tool 연동에 유리한 구조</li></ul><p>즉, <strong>“로컬 LLM을 서비스처럼 쓰기 좋은 형태”</strong>를 만들어 줍니다.</p><h3>전체 구성 흐름</h3><p>이번에 제가 구성한 구조는 아래와 같습니다.</p><pre>[사용자]<br>   ↓ (Web UI)<br>[Open WebUI]<br>   ↓<br>[MCP 서버]<br>   ↓<br>[Ollama (Local LLM)]</pre><p>단순히 LLM을 실행하는 데서 끝나는 게 아니라,</p><ul><li>Open WebUI에서 입력</li><li>MCP를 통해 중간 처리</li><li>로컬 LLM이 응답 생성</li><li>다시 UI로 결과 반환</li></ul><p>이 흐름을 실제로 연결해보는 것이 목표였습니다.</p><h3>1️⃣ Ollama 설치 및 모델 준비</h3><p>먼저 <a href="https://ollama.com/">ollama.com</a>에서 Ollama를 다운 받은 후 설치합니다</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/748/1*HF0hLUNSAUhrhqjrKn1RWA.png" /></figure><p>설치 후 바로 모델을 받을 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*72GpGqIWx5UVy7l0Q7K5nA.png" /></figure><p>예를 들어:</p><ul><li>llama 계열</li><li>mistral</li><li>qwen 등</li></ul><p>모델 다운로드 후 아래처럼 확인이 가능합니다.</p><pre>ollama list</pre><p>이 단계에서 중요한 건<br> <strong>“이미 로컬에서 LLM이 정상 동작하는지”</strong> 먼저 확인하는 것입니다.</p><h3>2️⃣ Open WebUI 설치 (Docker 기반)</h3><p>Open WebUI는 Docker 환경에서 사용하는 것이 가장 편했습니다.</p><ul><li>설치/삭제가 간단</li><li>포트 관리 명확</li><li>MCP 연동 테스트에 유리</li></ul><p>컨테이너를 실행하면 웹 UI로 바로 접속할 수 있고,<br> Ollama와 연동하면 <strong>ChatGPT와 유사한 UI</strong>를 로컬에서 그대로 사용할 수 있습니다.</p><p>Open WebUI 설정에 Docker 가 필요합니다.<br>먼저, Docker를 확인합니다.</p><pre>docker --version</pre><p>Docker가 없다면 <a href="https://www.docker.com/products/docker-desktop/">공식 웹사이트</a>에서 Docker Desktop을 다운로드하여 설치하시면 됩니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lRKXSd8wtQuKjszYlOzqgA.png" /></figure><p>설치가 완료 되었으면 별도의 터미널에서 Ollama를 시작하세요.</p><pre>ollama serve</pre><p><strong>Open WebUI</strong>가 모델에 연결하기 위해 필요하므로 이 터미널을 열어두세요.</p><p>그다음 별도로 관리한 workspace 폴더 안에서 다음을 실행하세요.</p><pre>docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main</pre><p>입력 후 브라우저를 열고 http://localhost:3000으로 이동하세요.</p><p><strong>Open WebUI</strong>의 환영 페이지가 표시 되는데,<br>&quot;Sign Up&quot;을 클릭하여 관리자 계정을 만듭니다.</p><p>만약, 페이지가 로드되지 않으면 컨테이너가 실행 중인지(docker logs open-webui) 확인하고 포트 3000이 사용 가능한지 확인하시면 됩니다.</p><p>이 시점까지만 해도 이미 꽤 쓸만합니다.</p><p>하지만 저는 여기서 한 단계 더 가보고 싶었습니다.</p><h3>3️⃣ MCP를 붙이게 된 이유</h3><blockquote><em>MCP(Model Context Protocol)는<br>LLM이 단순히 질문에 답하는 수준을 넘어,</em></blockquote><blockquote><strong><em>외부 시스템이나 내부 데이터와 안전하게 연결될 수 있도록 중간에서 맥락과 호출을 관리해주는 인터페이스</em></strong><em>입니다.</em></blockquote><p>단순한 Q&amp;A를 넘어서,<br><strong>“중간에서 뭔가를 처리하는 레이어”</strong>가 필요했기 때문입니다.</p><p>예를 들면,</p><ul><li>사내 문서 검색</li><li>특정 포맷으로 요청 변환</li><li>내부 API 호출 후 요약</li><li>LLM 응답 후 후처리</li></ul><p>이걸 전부 Open WebUI나 LLM에 직접 넣기엔 구조가 지저분해집니다.</p><p>그래서 <strong>MCP 서버를 따로 두고</strong>,<br> Open WebUI ↔ MCP ↔ LLM 구조로 분리했습니다.</p><h3>4️⃣ 내가 만든 MCP 구조</h3><p>제가 만든 MCP는 단순합니다.</p><ul><li>HTTP 기반</li><li>요청을 받아서 가공</li><li>필요한 경우 로컬 LLM 호출</li><li>결과를 다시 Open WebUI로 반환</li></ul><p>중요한 포인트는 이겁니다.</p><blockquote><strong><em>MCP는 LLM을 대체하지 않는다</em></strong><em><br> </em><strong><em>LLM을 “어떻게 쓸지” 결정하는 역할이다</em></strong></blockquote><p>MCP를 사용하면서</p><ul><li>프롬프트 구조 통제</li><li>응답 포맷 강제</li><li>실험적인 로직 추가</li></ul><p>이런 것들이 훨씬 편해졌습니다.</p><h3>5️⃣ 실제 동작 흐름</h3><p>Open WebUI에서 질문을 입력하면,</p><ol><li>Open WebUI가 MCP로 요청 전달</li><li>MCP에서 요청 분석 및 가공</li><li>Ollama(Local LLM) 호출</li><li>응답 수신</li><li>MCP에서 후처리</li><li>Open WebUI로 결과 반환</li></ol><p>이 흐름이 <strong>로그로 전부 확인</strong>되기 때문에 디버깅이나 성능 분석도 수월했습니다.</p><h3>🎥 MCP 실제 동작 영상</h3><p>글로 설명하는 것보다,<br> 직접 보는 게 훨씬 빠르죠.</p><p>아래 영상에서는</p><ul><li>Open WebUI에서 질문을 입력하고</li><li>MCP를 거쳐</li><li>로컬 LLM이 응답을 생성한 뒤</li><li>그 결과가 다시 UI에 표시되는 과정</li></ul><p>을 그대로 녹화했습니다.</p><p>참고로 이 영상은<br> <strong>32GB RAM의 M1 Pro MacBook 환경</strong>에서<br> 모든 구성(Open WebUI, MCP, Ollama)을 <strong>로컬로 실행한 상태</strong>에서 촬영한 것입니다.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FNeS84JkI53Q%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DNeS84JkI53Q&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FNeS84JkI53Q%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/5bad3ce6ddad2bb217a0340847fc1ede/href">https://medium.com/media/5bad3ce6ddad2bb217a0340847fc1ede/href</a></iframe><h3>마무리하며</h3><p>이번 구성에서 가장 인상 깊었던 점은 이것입니다.</p><blockquote><strong><em>LLM은 점점 “엔진”이 되고 있고,<br> 진짜 차별화는 그 위의 구조에서 나온다</em></strong></blockquote><p>Open WebUI + Ollama 조합은<br> 로컬 LLM 실험을 시작하기에 정말 좋은 출발점이었고,<br> 여기에 MCP를 붙이면서<br> 단순한 데모를 넘어 <strong>서비스 구조에 가까운 형태</strong>까지 확장할 수 있었습니다.</p><p>다만, 현실적인 한계도 분명했습니다.</p><p>이번 실험에서는 <br><strong>32GB RAM의 M1 Pro MacBook</strong>에서 Qwen3 8B 모델을 사용했는데,<br> 상품 검색 → 프롬프트 구성 → 응답 생성까지의 전체 흐름은 정상적으로 동작했지만 <strong>체감 속도는 실사용 수준이라고 보기는 어려웠습니다.</strong></p><p>개발·구조 검증·흐름 확인 용도로는 충분했지만,<br> 실제 운영 환경을 고려한다면</p><ul><li>더 높은 RAM</li><li>GPU 성능이 확보된 서버 환경</li></ul><p>이 필요하겠다는 판단이 들었습니다.</p><p>그럼에도 불구하고,<br> 로컬 환경에서 이 정도 구조를 직접 구성하고<br> 전체 흐름을 눈으로 확인해볼 수 있다는 점만으로도<br> 이번 조합은 충분히 시도해볼 가치가 있다고 생각합니다.</p><p>혹시 아직도<br> “로컬 LLM은 어렵고 복잡하다”라고 느끼고 있다면,<br> Open WebUI + Ollama + MCP 조합은<br> 그 진입 장벽을 많이 낮춰주는 좋은 선택지가 될 수 있을 것입니다.</p><h3>같이 보면 좋은 글</h3><ul><li><a href="https://medium.com/@kyuchan.developer/ai-%EC%99%80-%ED%95%A8%EA%BB%98-%EC%95%B1-%EA%B0%9C%EB%B0%9C%ED%95%98%EA%B8%B0%EA%B0%9C%EB%B0%9C%ED%95%98%EA%B8%B0-ec2ac489e2be">AI로 앱 개발하기</a></li><li><a href="https://medium.com/@kyuchan.developer/ai-mcp-stt-%E1%84%92%E1%85%AC%E1%84%8B%E1%85%B4%E1%84%85%E1%85%A9%E1%86%A8-%EB%A7%8C%EB%93%A4%EC%96%B4%EB%B3%B4%EC%9E%90-9a8dabeb9016?postPublishedType=repub">AI MCP STT 회의록 만들어보자!</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0ccf915dc75b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI를 개발 파트너로 활용한 Jenkins CI/CD 구축기 : QA 시간 80% 단축]]></title>
            <link>https://medium.com/@kyuchan.developer/ai-%EA%B8%B0%EB%B0%98-jenkins-ci-cd-%EA%B5%AC%EC%B6%95-%EC%82%AC%EB%A1%80%EC%99%80-%EC%8B%A4%EB%AC%B4%EC%A0%81-%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-457941038cb3?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/457941038cb3</guid>
            <category><![CDATA[jenkins]]></category>
            <category><![CDATA[jenkins-pipeline]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Fri, 30 Jan 2026 05:17:31 GMT</pubDate>
            <atom:updated>2026-02-19T07:54:17.821Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/782/1*Dv_dMqnEP05vzcZqshM8Nw.jpeg" /></figure><h3>개요</h3><p>본 포스트에서는 <strong>AI 도구를 DevOps 실무에 적극적으로 활용</strong>하여, <br>Android 프로젝트 기반의 <strong>Jenkins CI/CD(Continuous Integration / Continuous Delivery) 파이프라인</strong> 구축 사례를 공유합니다. <br>단순히 AI를 활용했다는 경험 수준에서 벗어나, <strong>설계·구현·운영까지 실제 현업에서 의미 있는 성과를 창출한 과정</strong>을 중심으로 정리하였습니다.</p><h3>도전 과제: 자동화가 필요한 DevOps 환경</h3><p>제가 속했던 팀의 개발 환경은 아래와 같았습니다.</p><ul><li>반복적인 <strong>빌드/배포 작업의 수작업 의존</strong></li><li>빌드 결과 공유 및 전달 프로세스가 <strong>흐름화 되어 있지 않음</strong></li></ul><p>이러한 상황은 팀의 생산성과 협업 흐름에 부정적 영향을 주고 있었고, <strong>자동화 시스템의 도입이 시급</strong>했습니다.</p><h3>CI/CD와 자동화의 의미</h3><p>현대 소프트웨어 개발에서 CI/CD는 단순 자동화를 넘어, <strong>품질과 속도, 협업 효율을 동시에 향상시키는 핵심 방법론</strong>으로 인정받고 있습니다.</p><p>CI/CD가 가져오는 기대 효과는 무엇일까요?</p><ul><li><strong>테스트 자동화로 빠른 피드백</strong> 및 <strong>오류 조기 발견</strong>이 가능해짐</li><li><strong>배포 시간 감소, 비용 절감</strong> 및 운영 효율성 향상</li><li><strong>팀의 협업과 일관된 프로세스 정착</strong> 효과</li><li>일부 보고서에서는 CI/CD 도입 조직에서 <strong>배포 빈도 증가, 오류율 감소</strong> 등의 정량적 개선 사례가 보고 되기도 함</li></ul><p>즉, Jenkins와 같은 CI/CD 도구를 <strong>효율적으로 잘 구축·운영하면</strong>, 조직 전체의 개발 생산성과 제품 품질이 동시에 개선되는 효과를 기대할 수 있습니다.</p><h3>Jenkins 파이프라인 설계: 목표와 구성</h3><p>이번 구축에서 설정한 주요 목표는 크게 다음과 같았습니다.</p><p>✔️ Jenkins 파이프라인을 통한 <strong>완전 자동화 빌드<br></strong>✔️ 빌드 아티팩트 자동 업로드 및 <strong>다운로드 링크 기반 배포 흐름 제공<br></strong>✔️ Slack <strong>연동 알림 자동화</strong></p><p>구체적인 파이프라인 플로우는 아래와 같습니다.</p><pre>Git (Git 기반 코드 체크아웃)<br> ↓<br>Jenkins (환경 변수 기반 **파라미터 선택** (브랜치, 빌드 옵션 등))<br> ↓<br>Gradle Build (서명 Gradle 설정과 빌드 Gradle 병합<br> ↓<br>Artifact (APK, 다운로드 Json 생성)<br> ↓<br>Upload Cloud (클라우드 전송)<br> ↓<br>Slack Notification</pre><p>이 과정을 통해 모든 빌드와 배포가 <strong>사람의 개입 없이도 일관되게 수행</strong>됩니다.</p><h3>AI의 역할 : 설계 파트너로서의 가치</h3><p>이번 CI/CD 구축 과정에서 AI 는 단순히 코드를 대신 작성해 주는 도구가 아니었습니다. <br>Jenkins 경험이 거의 없던 상태에서, 설계의 출발점부터 구현, 검증, 개선까지 함께 사고를 확장해 주는 설계 파트너에 가까운 역할을 했습니다.</p><h3>Jenkins를 모르는 상태에서 파이프라인을 그리기 까지</h3><p>처음 이 작업을 시작했을 때, jenkins에 대한 이해는 “빌드를 자동으로 돌려주는 도구” 정도에 머물러 있었습니다.</p><p>Pipeline, Stage, Agent Credential 같은 개념도 명확하지 않은 상태였고 무엇을 어디까지 Jenkins에 맡겨야 하는지조차 정리되지 않았습니다.</p><p>이 단계에서 AI는 다음과 같은 도움을 주었습니다.</p><ul><li>Jenkins Pipeline의 기본 구조 설명</li><li>CI/CD 관점에서 <strong>‘이 파이프라인이 어떤 흐름을 가져야 하는지’</strong>에 대한 질문 유도</li><li>Git → Build → Artifact → 배포 → 알림으로 이어지는 <strong>전체 플로우 설계 도움</strong></li></ul><p>참고로 여기서 Artifact는 Gradle 빌드 결과로 생성된 APK 파일을 의미하며, 이후 배포 및 알림 단계에서 기준이 되는 단일 산출물입니다.</p><p>한 번 생성된 Artifact는 다시 빌드하지 않고도 <br>QA, 테스트, 배포 등 여러 단계에서 재사용할 수 있도록 설계하였습니다.</p><p>특히 도움이 되었던 부분은</p><blockquote><em>“지금 이 단계는 Jenkins가 책임질 영역인가,<br>아니면 Gradle이나 외부 스크립트가 더 적합한가?”</em></blockquote><p>같은 <strong>설계 관점의 질문을 계속 던져준 점</strong>이었습니다.</p><p>그 결과, 단순히 “돌아가는 Jenkinsfile”이 아니라 <br><strong>파이프라인의 책임과 역할이 분리된 구조</strong>를 먼저 그려볼 수 있었습니다.</p><h3>코드 생성 및 검증 : AI 초안에서 팀 기준에 맞는 구조로</h3><p>설계가 어느 정도 정리된 이후에는, AI의 도움을 받아 Jenkinsfile과 관련 스크립트의 <strong>초기 버전을 빠르게 생성</strong>했습니다.</p><p>이 단계의 목적은 완성도가 아니라 <strong>전체 파이프라인 흐름을 빠르게 확인하는 것</strong> 이었습니다.</p><pre>pipeline {<br>    agent any<br>    stages {<br>        stage(&#39;Checkout&#39;) {<br>            steps {<br>                git branch: params.BRANCH, url: env.GIT_URL<br>            }<br>        }<br>        stage(&#39;Build&#39;) {<br>            steps {<br>                sh &#39;./gradlew assembleRelease&#39;<br>            }<br>        }<br>    }<br>}</pre><p>초기 Jenkinsfile은 단순했지만, 파이프라인이 점점 확장되면서 모든 로직을 Jenkinsfile 하나에 담는 방식에는 분명한 한계가 보이기 시작했습니다.</p><p>특히 로직이 늘어날수록 가독성과 변경 영향 범위를 관리하기가 점점 어려워졌습니다.</p><p>이 과정에서 아키텍처 부서에서 근무하는 동료의 조언을 계기로,<br>처음부터 완벽한 역할 분리를 목표로 하기보다는 <strong>반복적으로 사용되는 부분부터 점진적으로 분리</strong>하는 방향으로 구조를 전환하게 되었습니다.</p><p>당시 Jenkins와 CI/CD에 대한 이해가 깊지 않았기 때문에,<br>이상적인 구조보다는 <strong>실제로 관리가 어려웠던 지점을 기준으로 판단</strong>했습니다.</p><p>그 결과 다음과 같은 원칙으로 구조를 정리했습니다.</p><ul><li>Jenkinsfile에는 <strong>파이프라인의 흐름과 단계 정의만 유지</strong></li><li>파이프라인 전반에서 반복되거나 변경 가능성이 높은 로직은 <strong>Git 저장소에서 관리</strong></li><li>Jenkins는 Git에 정의된 로직을 <strong>필요한 시점에 호출하는 역할</strong>만 담당</li></ul><p>이를 위해 단순한 sh 스크립트 호출 방식보다는,<br><strong>Jenkins Shared Library를 활용해 Groovy 코드 자체를 Git으로 관리</strong>하는 방식을 선택했습니다.</p><p>Jenkinsfile에서는 각 단계에서 세부 구현을 직접 다루지 않고,<br>Shared Library에 정의된 Groovy 클래스를 호출하는 형태로 구성했습니다.</p><pre>stage(&#39;send Slack&#39;) {<br>    steps {<br>        script {<br>          def notifier = new SlackNotifier()<br>            notifier.sendAutoDeployTempateMessage(this)<br>        }<br>    }<br>}</pre><h3>Slack 알림 로직을 가장 먼저 분리한 이유</h3><p>실제로 가장 먼저 Git 저장소의 스크립트로 분리한 부분은 빌드 로직이 아니라 <strong>Slack 알림 처리</strong>였습니다.</p><p>APK 빌드는 환경별 차이가 많고 Gradle 설정과도 강하게 엮여 있어, 당시에는 Jenkinsfile 내부에 두는 편이 오히려 이해하기 쉬웠습니다.</p><p>반면 Slack 알림은</p><ul><li>파이프라인 여러 단계에서 반복적으로 사용되고</li><li>메시지 포맷이나 채널 등 변경 가능성이 높으며</li><li>빌드 성공/실패와 직접적인 의존성이 낮은 영역이었습니다.</li></ul><p>이러한 특성 때문에 Slack 알림은 Jenkins Shared Library에 Groovy 클래스로 정의하고 Git으로 관리하는 것이 가장 적절하다고 판단했습니다.</p><pre>import com.test.cicd.android.SlackNotifier<br><br>stage(&#39;send Slack&#39;) {<br> steps {<br>         script {<br>             def AUTHOR = getAuthor()<br>             withEnv([&quot;PROJECT=${params.PROJECT}&quot;, &quot;AUTHOR=${AUTHOR}&quot;]) {<br>                 def notifier = new SlackNotifier()<br>                 notifier.sendAutoDeployTempateMessage(this)<br>             }<br>         }<br>     }<br>}</pre><pre>package com.test.cicd<br><br>class SlackNotifier {<br>     static void sendAutoDeployTempateMessage(script) {<br>        // 필요한 환경변수들 Jenkins에서 넘겨줌<br>        def author     = script.env.AUTHOR<br>        def project    = script.env.PROJECT<br>        def webhookUrl = &quot;[[ WEBHOOK URL ]]&quot;<br><br>def message = &quot;&quot;&quot;안녕하세요. ${author}입니다.<br>Android ${project} 공유드립니다.<br>&quot;&quot;&quot;<br><br>        script.sh &quot;&quot;&quot;<br>            set -e<br>            jq -Rs &#39;{text: .}&#39; &lt;&lt;&#39;EOF&#39; | curl -X POST -H &#39;Content-type: application/json&#39; --data @- &#39;${webhookUrl}&#39;<br>${message}<br>EOF<br>        &quot;&quot;&quot;<br>    }<br>}url -X POST$SLACK_WEBHOOK_URL \\<br></pre><p>결과적으로 Jenkinsfile에서는 “언제 알림을 보낼 것인가”만 표현하고, <br>“어떻게 보낼 것인가”는 Shared Library에 위임하는 구조가 되었습니다.</p><p>이 경험을 통해, Jenkinsfile은 <strong>파이프라인의 설계도</strong>, <br>Shared Library는 <strong>재사용 가능한 실행 로직</strong>이라는 역할 구분이 자연스럽게 자리 잡게 되었습니다.</p><h3>구조 전환을 통해 얻은 결과</h3><p>이러한 구조를 통해 얻은 이점은 명확했습니다.</p><ul><li>빌드나 알림 로직 변경 시 <strong>Jenkins 설정을 건드리지 않고 Git만 수정</strong></li><li>스크립트에 대한 코드 리뷰와 변경 이력 관리 가능</li><li>Jenkinsfile은 흐름 중심으로 유지되어 <strong>짧고 읽기 쉬운 상태 유지빌ㄷ</strong></li></ul><p>AI는 이 과정에서도 “어떤 로직을 Jenkins에 두고, 어떤 로직을 스크립트로 분리할지” 에 대한 판단 기준을 잡는 데 도움을 주었고, 동료의 피드백과 결합되면서 <strong>팀 기준에 맞는 운영 구조</strong>로 점차 정리할 수 있었습니다.</p><p>AI가 만들어준 초안을 출발점으로, <strong>운영과 유지보수를 고려한 구조로 다듬어 나간 과정</strong>이었다고 정리할 수 있습니다.</p><h3>디버깅 및 개선</h3><p>실제 파이프라인을 실행하면서부터는 에러와의 싸움이 본격적으로 시작되었습니다.</p><ul><li>Gradle 권한 오류</li><li>Credential 접근 실패</li><li>플러그인 버전 차이로 인한 스크립트 오류</li><li>Jenkins 노드 환경 차이로 인한 빌드 실패</li></ul><p>이 과정에서 AI는 <strong>에러 로그를 그대로 읽고, 원인을 추론하는 데 큰 도움</strong>이 되었습니다.</p><pre>Execution failed for task &#39;:app:packageRelease&#39;.<br>Keystore was tampered with, or password was incorrect</pre><p>이런 로그를 기준으로</p><ul><li>어떤 단계에서 문제가 발생했는지</li><li>Jenkins Credential → Gradle → JKS 연결 흐름 점검</li><li>재현 가능한 최소 조건 정리</li></ul><p>를 빠르게 진행할 수 있었습니다.</p><p>특히 인상 깊었던 점은 AI가 “정답을 바로 주기보다”, <br><strong>가능성 있는 원인을 단계적으로 정리해 준 점</strong>이었습니다.</p><p>그 덕분에 단순히 에러를 해결하는 데서 그치지 않고,</p><ul><li>파이프라인 구조를 더 단순하게 만들고</li><li>실패 지점을 더 명확히 드러내며</li><li>로그만 봐도 어느 단계에서 문제가 생겼는지 알 수 있도록 개선할 수 있었습니다.</li></ul><p>다만 모든 문제를 <strong>AI만으로 해결할 수 있었던 것은 아닙니다.</strong></p><p>환경이나 조직 특성, 내부 규칙이 얽힌 이슈의 경우에는 아키텍처 부서에서 근무하는 동료의 도움을 받아 해결해야 했습니다.</p><p>아직까지는 AI가 <strong>모든 문제에 대해 단일한 해답을 제시해 주는 단계는 아니라고 느꼈습니다.</strong></p><p>그럼에도 불구하고, 문제를 바라보는 관점을 정리하고 가능한 원인을 단계적으로 좁혀 나가는 과정에서는 충분히 신뢰할 수 있는 파트너였습니다.</p><p>이번 경험을 통해 AI는<br><em>“모든 답을 주는 존재”라기보다는 <br>“생각의 방향과 판단의 근거를 함께 만들어 주는 도구”<br></em>에 가깝다는 인상을 받았습니다.</p><h3>5. 구축 효과 및 운영 성과</h3><p>이번 Jenkins 기반 자동화 체계를 도입하면서, 단순히 “빌드를 자동으로 돌리는 환경” 을 넘어서 운영방식 전반에 의미 있는 변화를 만들 수 있었습니다.</p><p>✔️ <strong>빌드 수행 시간 단축 및 인적 오류 감소</strong></p><p>기존에는 로컬 환경에서 빌드를 수행하고 결과물을 수동으로 전달하는 과정이 반복되면서 환경 차이나 실수로 인한 오류가 종종 발생했습니다.</p><p>Jenkins 파이프라인을 통해 빌드 과정을 하나의 표준화된 흐름으로 통합하면서 누가 실행해도 동일한 조건에서 빌드가 이뤄지도록 개선을 하였습니다.</p><p>그 결과</p><ul><li>빌드 및 배포 시간이 <strong>40분 → 5분(약 87.5% 단축)</strong>으로 크게 개선되었고</li><li>빌드 재시도 횟수가 줄었고 (n회 → 0~1회)</li><li>“어떤 환경에서 만들었는지”에 대한 확인 과정이 사라졌으며</li><li>빌드 실패 시 원인 추적 또한 훨씬 수월해졌습니다.</li></ul><p><strong>✔️ 아티팩트(Artifact) 전달 프로세스의 표준화 및 자동화</strong></p><p>Gradle 빌드 결과로 생성된 APK를 업로드 및 인덱싱 과정을 통해 <strong>하나의 아티팩트 흐름</strong>으로 관리하면서,<br>배포 과정에서의 혼선을 크게 줄일 수 있었습니다.</p><p>이제는</p><ul><li>어떤 APK가</li><li>어떤 브랜치와 커밋에서 생성되었고</li><li>어디에 업로드되어 있는지</li></ul><p>이는 단순 편의성을 넘어, 문제가 발생했을 때 <strong>원인을 빠르게 좁힐 수 있는 기반</strong>이 되었습니다.</p><p><strong>✔️ Slack 기반 가시성 확보로 개발자는 빌드를 ‘기다리지 않게 되다’</strong></p><p>빌드 및 배포 결과를 Slack으로 자동 알림 처리하면서, 특정 인원에게만 의존하던 정보 전달 구조를 크게 개선할 수 있었습니다.</p><p>빌드 성공/실패 여부와 함께 아티팩트 위치 정보까지 자동으로 공유되면서 <strong>현재 배포 상태를 즉시 확인</strong>할 수 있게 되었습니다.</p><p>무엇보다 체감이 컸던 변화는 <strong>개발자가 빌드를 ‘지켜보지 않아도 되는 구조’가 되었다는 점</strong>입니다.</p><p>이전에는 빌드를 실행한 뒤 결과를 확인하기 위해 대기하거나 <br>실패 시 즉시 대응해야 한다는 부담 때문에 다른 개발 업무에 집중하기 어려운 경우가 많았습니다.</p><p>하지만 Slack 알림을 통해 빌드 결과가 자동으로 공유되면서, <br>개발자는 <strong>빌드를 실행해 두고 다른 작업을 병행</strong>할 수 있게 되었습니다.</p><p>필요한 시점에 Slack 알림만 확인하면 되기 때문에 <br>“빌드를 한 번 더 돌려야 한다”거나 “APK를 다시 전달해 달라”는 요청에 <br>즉각 대응하는 상황도 줄어들었고, <br>자연스럽게 <strong>핵심 로직 개발과 품질 개선에 더 많은 시간을 쓸 수 있는 환경</strong>이 만들어졌습니다.</p><p>이 과정에서 Slack은 단순한 알림 채널을 넘어, <br><strong>팀 전체가 배포 상태를 공유하고 인지하는 중심 창구</strong>로 자리 잡게 되었습니다.</p><p>결과적으로 이러한 변화는 단순한 자동화를 넘어, <br>팀 단위로 DevOps 문화가 <strong>안정적으로 정착하는 데 중요한 역할</strong>을 했다고 생각합니다</p><h3>마무리</h3><p>이번 Jenkins 기반 자동화 사례를 통해 얻은 가장 중요한 인사이트는 분명했습니다.</p><p>AI는 “모든 일을 대신해 주는 존재”가 아니라,</p><p>👉 <strong>설계와 실행을 함께 고민하는 기술적 파트너</strong>가 될 수 있다는 점입니다.</p><p>특히 빌드·배포와 같이 자동화 흐름이 복잡한 환경에서는 AI가 구조와 시나리오를 빠르게 분석하고,<br>반복되는 패턴과 개선 포인트를 사람보다 먼저 제안해 주는 측면에서 실제 작업 효율을 크게 높여주었습니다.</p><p>다만 이번 경험을 통해 느낀 또 하나의 중요한 사실은,<br><strong>AI를 100% 신뢰하는 것은 여전히 위험할 수 있다는 점</strong>이었습니다.</p><p>조직 내부 환경, 보안 정책, 운영 관례와 같이 문맥과 경험이 중요한 영역에서는 아키텍처 부서의 동료나 베테랑 개발자의 판단이 여전히 결정적인 역할을 했습니다.</p><p>결국 AI는</p><blockquote>모든 결정을 대신 내려주는 존재가 아니라,<br>판단의 선택지를 넓혀주고 사고를 정리해 주는 참고 파트너</blockquote><p>로 활용할 때 가장 효과적이라고 느꼈습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*unSqqrM4yqeY8WM9Db5lUQ.png" /></figure><p>앞으로의 AI 기반 DevOps는 <strong>예측 기반 오류 탐지, 테스트 자동화 고도화, CI/CD 최적화</strong>와 같은 영역에서 더욱 실질적인 가치를 만들어 갈 것으로 기대됩니다.</p><p>그리고 그 과정에서 중요한 것은 AI, 자동화 도구, 그리고 사람의 경험이 <strong>서로를 대체하는 관계가 아니라 보완하는 관계로 작동하는 구조</strong>를 만드는 것이라고 생각합니다.</p><pre>AI<br> ├─ 구조 제안<br> ├─ 패턴 분석<br> └─ 초안 생성</pre><pre>사람<br> ├─ 환경 이해<br> ├─ 조직 맥락<br> └─ 최종 판단</pre><p>DevOps를 어렵게 느끼고 있다면, AI를 곁에 둔 상태로 작은 자동화부터 시도해 보는 것도 충분히 의미 있는 첫 걸음이 될 수 있을 것 같습니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=457941038cb3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI 와 함께 앱 개발하기개발하기]]></title>
            <link>https://medium.com/@kyuchan.developer/ai-%EC%99%80-%ED%95%A8%EA%BB%98-%EC%95%B1-%EA%B0%9C%EB%B0%9C%ED%95%98%EA%B8%B0%EA%B0%9C%EB%B0%9C%ED%95%98%EA%B8%B0-ec2ac489e2be?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/ec2ac489e2be</guid>
            <category><![CDATA[android-app-development]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[flutter-app-development]]></category>
            <category><![CDATA[ios-app-development]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Fri, 15 Aug 2025 14:50:45 GMT</pubDate>
            <atom:updated>2026-04-02T16:40:56.769Z</atom:updated>
            <content:encoded><![CDATA[<h3>AI 와 함께 앱 개발하기</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*e6RuCwmD34NbXsy8Rkqh_g.jpeg" /></figure><p>최근 재미있는 실험(?) 을 하였는데요.</p><p>이번에 처음으로 Flutter를 사용해 하나의 앱을 개발하게 되었고, 이 과정을 공유 드리려고 합니다.</p><p>글을 시작하기 앞써 필자는 안드로이드 앱 개발을 10년 이상, iOS 앱 개발을 약 3년이상 개발 경력을 갖고 있습니다.</p><h3>들어가기 앞써</h3><p>Flutter로 개발한 프로젝트는 Dobilbe 이라는 앱입니다.</p><p>DoBible은 바쁜 일상 속에서도 단 한 줄의 말씀으로 마음의 중심을 잡고, 하루를 새롭게 시작할 수 있는 앱입니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/360/1*kDhJ-Z69F97dM9boW3otkg.jpeg" /></figure><p><a href="https://play.google.com/store/apps/details?id=com.kcs.dobible&amp;hl=ko">Android 다운로드</a></p><p><a href="https://apps.apple.com/kr/app/dobible/id6744367429">iOS 다운로드</a></p><h3>왜 시작하였는가?</h3><p>이번 프로젝트의 가장 큰 특징은 공식 문서나 강의 없이, 오로지 AI(ChatGPT)의 도움만으로 앱을 완성했다는 점입니다.</p><p>Flutter 는 하나의 언어로 여러 플랫폼을 만들 수 있는 장점이 있습니다. 예를들어 코드 1개로 안드로이드, iOS 앱을 출시 할 수 있습니다. 그러다 보니 네이티브(Android, iOS)의 UI 구성 방식이나 상태 관리, 네비게이션 등 기존 네이티브 개발과는 다른 철학을 가지고 있는 프레임워크 입니다.</p><p>이번 프로젝트의 시작은 단순한 호기심에서 시작하였는데요. 평소라면 문서나 튜토리얼부터 살펴봤겠지만, 이번에는 AI의 응답만으로 어디까지 개발이 가능할까? 라는 호기심에서 실험을 시작했습니다.</p><p>참고로 공부는 하지 않았습니다. 대신 AI 에게 질문했습니다.<br>Flutter의 구조는 물론, 세부 위젯 활용 방법조차 모르던 상태였지만, 필요한 것이 생기면 그때그때 질문하며 구현하는 방식으로 진행했습니다.</p><h3>어떻게 질문 하였는가?</h3><p>AI 로 개발을 할 때에 가장 중요한 것은 어떤 프롬프트를 작성하는가? 라고 생각됩니다.</p><p>프롬프트는 AI에게 원하는 결과를 얻기 위해 입력하는 텍스트 지시문입니다.</p><p>AI 의 프롬프트는 웹 브라우저의 검색과 다르게 문장으로 프롬프트를 작성할 수록 좋은 피드백을 받을 수 있습니다. 그래서 저의 첫 프롬프트는 AI 에게 ‘개발하고자 하는 앱의 배경과’과 ‘앱 화면 구성 방법’ 에 대해서 질문을 하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PBgAPauKKAjCu7O106fYoA.png" /></figure><p>생각보다 AI 의 답변은 구체적이었습니다.</p><p>메인화면, 말씀 뽑기화면, 설정 화면까지 전체적인 앱의 구성에 대한 정의를 내려주었고, 화면 구성 방향을 제시 해주었습니다.</p><p>무엇보다 구성 예시를 제안하면서 각 구성요소의 역할이 무엇인지 자세히 알려주었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9zmJSLtPyEuvFB_i54vaFg.png" /></figure><p>페이지 기획의 큰 그림이 어느 정도 완성되어, 이제 본격적으로 개발을 시작했습니다.</p><p>개발 첫 시작은 스플래시 화면을 구성하고, ‘오늘의 말씀’을 보여주었는지 여부에 따라 서로 다른 엔드포인트 화면으로 이동할 수 있도록 로직을 만들 계획을 갖고 프롬프트에 입력하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/581/1*RcdR7ec4B1bTvOif7TNruA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*F5P698oB50CBo340Hh2fEQ.png" /></figure><p>AI의 피드백을 보면서 놀란것은 구현 방식에 대한 설명과 그와 맞는 예제 코드를 제공한다는 것입니다.</p><p>제공한 예제 코드에 대한 설명도 함께 제공하여, 코드에 대한 이해하는데 어려움이 없었습니다. 그러다보니 제공한 코드를 그대로 사용하는 것이 아닌 제공된 코드를 바탕으로 재구성하여 개발하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*L07pSMkYAfA0DnL3zoFCyQ.png" /></figure><h3>JSON 데이터 구성</h3><p>단순히 프롬프트를 입력하는 것만으로 기획과 개발이 가능하다는 점을 확인했고, 데이터 구성도 프롬프트를 통해 시도해보았습니다.</p><p>데이터 구성 JSON 으로 데이터를 구성하고 이 JSON을 어떻게 파싱해야하는 것에 대해서도 AI 가 할 수 있는지 실험을 하였습니다.</p><p>먼저는 필요한 JSON 을 생성해달라고 하였습니다. 예를 들어서 ‘사람들에게 힘이 되는 문구 100개를 만들어줘’ 와 같이 JSON 을 AI 에게 요청하면 100개의 문구로 구성된 JSON을 제공해줍니다.</p><p>여기서 더 나아가 JSON 구성도 변경할 수 있습니다. reference, referenceFullName, Topics 와 같이 필드를 추가해서 변경해달라는 프롬프트를 작성하였고, AI는 의도에 맞게 JSON을 재구성하여 제공하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*a7VWD6WFgaqKuPvv8UXopA.png" /></figure><p>JSON 이 구성되었으니 파싱을 해야했습니다. 이번에도 AI 에게 JSON 파싱하는 방법에 대해서 물어봤습니다.</p><p>JSON 파싱 시 필요한 Dart 모델 구성과 JSON 파싱 방법을 코드로 알려주어 적용하는데 어려움이 없었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zzCv2tlic95DHIRLs2hpkg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UCm6GL18777O-gZgBoGm5g.png" /></figure><p>개발에 필요한 질문을 AI에게 던졌고, 그 응답을 기반으로 코드를 수정·적용하면서 빠르게 기능을 완성해 나갔습니다.</p><p>개발 경력이 있다보니 AI의 답변을 그대로 사용하기 보다 응용해서 사용하였고, AI 응답에 추가된 설명을 보면서 개발 학습이 되면서 간단한 기능은 직접 개발하면서 진행하였습니다.</p><h3>에러에 대한 처리</h3><p>개발 시 에러가 발생하면 에러 메시지는 그대로 붙여넣고 원인을 파악하고, 대안을 얻는 방식이었습니다.</p><p>에러 메시지만 던져도 AI가 그동안 질문한 것과 맥락을 파악해서 그런지 프로젝트에 맞는 답변을 주었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IWJBJgDDzCzWLocDWgrAhA.png" /></figure><p>플로터는 멀리 플랫폼을 지원하지만 에러에 대한 처리는 플랫폼에 대한 이해가 있어야 수정할 수 있습니다.</p><p>플랫폼에 나오는 이슈까지 AI 도움으로 해결 하면서 플랫폼 특성의 이슈를 빠르게 해결하며 개발에 속도를 높일 수 있었습니다.</p><h3>앱 아이콘 구성하기</h3><p>1인 개발자로써 가장 어려운 것은 디자인 입니다. 이 디자인 부분을 AI의 도움으로 어느정도 해결하였습니다.</p><p>원하는 색상과 앱의 컨셉을 간단히 기록하여 이것과 부합되는 아이콘 만들어줄 것을 요청하였고,</p><p>그 결과 받은 앱 아이콘 기반으로 앱 아이콘을 구성하였습니다.</p><p>아쉽게도 제가 사용한 AI 툴에서 제공하는 앱 아이콘은 앱에 바로 사용은 힘들어서, 디자인 시안 기반으로 앱 아이콘을 디자인 하여 적용하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YiqR-_qBdxi_DPN5f2FtIg.png" /></figure><h3>마무리</h3><p>바이브 코딩이라는 말이 요즘 주변에서 쉽게 들을 수 있습니다. 자연어인 프롬프트 기반으로 코딩하는 바이브 코딩은 개발 언어를 모르는 개발자에게 개발 속도를 올릴 수 있는 코딩 방법이라고 생각합니다. <br>이번 개발 과정은 단순히 검색의 연장선이 아닌, 대화 기반 개발에 가까웠습니다. AI 와 대화를 앱의 구조부터 상세 기능까지 대부분이 아래 흐름으로 진행되었습니다.</p><p><em>“이런 걸 만들고 싶어.”<br>AI가 구조 제안 및 코드 스니펫 제공<br>코드 적용 및 수정<br>예상치 못한 이슈 발생 → 다시 질문<br>(반복)</em></p><p>이처럼, 개발 과정 전체가 질문과 응답의 흐름으로 구성되었고, 저는 그 흐름을 빠르게 따라가며 앱을 완성할 수 있었습니다.</p><p>Flutter를 처음 접한 입장에서, AI를 통해 질문하고 구현하는 방식만으로도 앱을 개발할 수 있다는 경험은 인상 깊었습니다. 물론 기존의 개발 지식과 경험이 기반이 되었지만, 이번 프로젝트를 통해 공부의 흐름 자체가 질문 중심으로 변화하고 있다는 것을 실감하게 됐습니다.</p><p>이번 프로젝트를 통해 질문력만으로도 앱을 만들 수 있다는 결론을 내릴 수 있었습니다. <strong>앞으로의 개발 문화와 환경이 변화될 것으로 생각됩니다. 질문을 잘하는 개발자가 높은 대우를 받는 날이 머지않은 거 같습니다.</strong></p><h3>같이 보면 좋은 글</h3><ul><li><a href="https://medium.com/@kyuchan.developer/open-webui-ollama%EB%A1%9C-%EB%A1%9C%EC%BB%AC-llm-%ED%99%98%EA%B2%BD-%EA%B5%AC%EC%B6%95%ED%95%98%EA%B8%B0-0ccf915dc75b">Open WebUI + Ollama로 로컬 LLM 환경 구축하기</a></li><li><a href="https://medium.com/@kyuchan.developer/ai-mcp-stt-%E1%84%92%E1%85%AC%E1%84%8B%E1%85%B4%E1%84%85%E1%85%A9%E1%86%A8-%EB%A7%8C%EB%93%A4%EC%96%B4%EB%B3%B4%EC%9E%90-9a8dabeb9016?postPublishedType=repub">AI MCP STT 회의록 만들어보자!</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ec2ac489e2be" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[안드로이드 앱 개발 네이티브, Kotlin Multiplatform, Flutter 어떤 것으로 해야하는가?]]></title>
            <link>https://medium.com/@kyuchan.developer/%EC%95%88%EB%93%9C%EB%A1%9C%EC%9D%B4%EB%93%9C-%EC%95%B1-%EA%B0%9C%EB%B0%9C-%EB%84%A4%EC%9D%B4%ED%8B%B0%EB%B8%8C-kotlin-multiplatform-flutter-%EC%96%B4%EB%96%A4-%EA%B2%83%EC%9C%BC%EB%A1%9C-%ED%95%B4%EC%95%BC%ED%95%98%EB%8A%94%EA%B0%80-83e43a5858c4?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/83e43a5858c4</guid>
            <category><![CDATA[android-app-development]]></category>
            <category><![CDATA[kmp]]></category>
            <category><![CDATA[native]]></category>
            <category><![CDATA[android]]></category>
            <category><![CDATA[flutter]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Fri, 07 Mar 2025 06:32:37 GMT</pubDate>
            <atom:updated>2025-03-07T12:31:42.577Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*64-LtCadwtTPbnXSNHE7GA.jpeg" /></figure><p>몇 년 전만 하더라도 앱 개발하면 네이티브 SDK을 활용하여 앱 개발을 하였습니다. 하지만 요즘은 멀티 플랫폼 지원 SDK 가 나오면서 앱 개발 툴로 다양한 선택지에서 선택이 가능해졌습니다.</p><p>이번 포스트는 대표적인 멀티 플랫폼은 Flutter, Kotlin mutiplatform(KMP)과 네이티브 앱 개발의 장단점을 살펴보고 어떤걸 선택하면 좋을지 필자의 생각으로 글을 마무리 하였습니다. 앱 개발 시 도움이 되면 좋겠습니다.</p><p>참고로 해당 글의 일부 정보는 Chat GPT 의 도움을 바탕으로 내용이 작성된 점 참고 바랍니다.</p><h3>네이티브 앱 개발</h3><p>네이티브 앱 개발은 Android 와 iOS 개발하는 것을 의미 합니다.</p><h4><strong>네이티브 앱 개발의 정의 및 주요 특징은 무엇일까?</strong></h4><p>안드로이드 네이티브 앱 개발은 Java나 Kotlin과 같은 프로그래밍 언어를 사용하여 직접 개발하는 방식입니다.</p><p>Android SDK를 통해 디바이스의 하드웨어 기능에 직접 접근 가능합니다.</p><p>반면에 iOS는 object-c 또는 swift과 같은 프로그래밍 언어를 사용하여 개발하는 방식이고, xcode SDK 을 통해 디바이스 하드웨어 기능에 직접 접근 가능합니다.</p><h4><strong>네이티브 앱 개발의 장점에 대해 알아보자!</strong></h4><p><strong>성능</strong>측면에서 보면 최적화된 성능 제공하며, 하드웨어 가속 기능 활용 가능합니다.</p><p><strong>사용자 경험</strong> 측면에서 보면 각 플랫폼의 UI 가이드라인에 따라 설계되어 친숙한 인터페이스와 우수한 사용자 경험 제공합니다.</p><p><strong>기능 접근성</strong> 측면에서 보면 카메라, 마이크, GPS 등 디바이스 기능을 완벽하게 활용 가능합니다.</p><p><strong>보안성</strong> 측면에서 보면 플랫폼 별 보안 기능과 정책을 최대한 활용 가능합니다.</p><p><strong>플랫폼 특화 기능 사용</strong> 측면에서 보면 각 플랫폼의 최신 기능을 즉시 사용 가능합니다.</p><h4><strong>네이티브 앱 개발의 단점은 없을까?</strong></h4><p><strong>개발 및 유지 보수 비용</strong> 측면에서 보면 각 플랫폼마다 별도의 앱 개발 필요, 비용과 시간 많이 소모하게 됩니다.</p><p><strong>시간 소모</strong> 측면에서 보면 다양한 플랫폼에 앱을 개발하려면 각양각색의 언어와 환경에 대한 전문 지식 필요합니다.</p><h3>Kotlin Multiplatform (KMP) 개발</h3><p><strong>KMP 정의 및 주요 특징에 대해 알아보자</strong></p><p>Kotlin 언어를 기반으로 다양한 플랫폼에서 실행되는 프레임워크 입니다.</p><p>KMP의 가장 큰 장점이라고 할 수 있는 한 번의 코드 작성으로 안드로이드, iOS, 웹, 데스크톱 등에서 동작 가능합니다.</p><h4><strong>KMP 의 장점은 무엇일까요?</strong></h4><p><strong>코드 재사용성</strong> 측면에서 보면 비즈니스 로직과 유틸리티 함수를 여러 플랫폼에 걸쳐 재사용 가능합니다.</p><p><strong>유지 보수 용이성</strong> 측면에서 보면공통 코드 베이스 사용으로 버그 수정과 기능 업데이트가 용이 합니다.</p><p><strong>플랫폼 별 공통의 아키텍처 구성</strong>이 가능합니다. 중요한 비즈니스 로직을 한 번만 개발하고 여러 플랫폼에서 재사용 가능하여 가장 큰 장점이라고 할 수 있습니다.</p><h4><strong>KMP의 단점은 없는 걸까?</strong></h4><p><strong>플랫폼 특화 기능 제한</strong>이 있습니다. 각 플랫폼의 특화된 기능을 최대한 활용하기 어렵습니다.</p><p><strong>커뮤니티와 지원</strong>이 아직은 부족합니다. 비교적 새로운 기술, 네이티브 개발 환경만큼의 폭넓은 지원 부족합니다.</p><h3>Flutter 개발</h3><p><strong>Flutter 의 정의 및 주요 특징에 대해 알아보자!</strong></p><p>Flutter는 Google 개발의 오픈 소스 UI 소프트웨어 개발 키트로써 구글의 지원을 받고 있는 플랫폼 입니다.</p><p>Flutter는 Dart 언어 사용하고 있으며, iOS, 안드로이드, 웹, 데스크톱에서 하나의 코드베이스로 앱 구축 가능합니다.</p><h4><strong>Flutter의 장점은 무엇일까?</strong></h4><p><strong>개발 속도의</strong> 향상이 있습니다. <strong>핫 리로드 기능</strong>으로 코드 변경 사항 즉시 반영, 개발 시간 단축 됩니다. 즉, 코드만 입렫하면 바로 화면에 반영 된 것을 볼 수 있습니다.</p><p><strong>UI 일관성</strong>을 제공합니다. 단일 코드베이스로 모든 플랫폼에서 UI 일관성 유지 하게 됩니다.</p><p><strong>성능</strong>측면에서는 네이티브 앱과 비슷한 수준의 성능 제공하게 됩니다.</p><h4><strong>Flutter 의 단점은 무엇일까?</strong></h4><p><strong>파일 크기</strong>의 단점이 있습니다**.** 큰 파일 크기로 인해 다운로드 시간과 장치 저장 공간에 영향을 받습니다.</p><p><strong>새로운 언어 학습</strong> 필요 합니다. Flutter는 Dart 언어로써 Dart 언어에 익숙하지 않은 분들은 학습 필요합니다.</p><p><strong>하드웨어 기능 접근 제한</strong>이 있습니다**.** 특정 플랫폼의 고유 기능에 접근하는 데 제한이 있습니다.</p><h3>결론</h3><p>안드로이드 앱 개발에 있어 기술 선택은 프로젝트의 성공에 결정적인 요소입니다. 각 기술의 장단점을 잘 이해하고 프로젝트의 목표에 맞춰 적절한 기술을 선택하는 것이 중요합니다.</p><p>네이티브 개발은 최적의 성능을 필요로 하는 앱에 적합하며, Kotlin Multiplatform은 코드 재사용성과 유지 보수의 편리함을 중요시하는 프로젝트에, Flutter는 빠른 개발과 플랫폼 간 일관된 사용자 경험을 제공합니다.</p><p><strong>좀 더 현업 입장에서 말씀드리자면, 인력이 부족하고 빠른 결과물을 만들어서 수익을 얻어야하는 스타트업에서 사용하기에는 Flutter로 개발하는 것을 추천 드립니다.</strong></p><p><strong>인력이 어느 정도 갖추어지며 안정적이며 최적화된 프로잭트를 진행해야 한다면 네이티브를 추천 드립니다.</strong></p><p><strong>Android, ios 를 개발 시 공통 비즈니스 로직을 갖은 코드는 Kotlin Multiplatform 로 라이브러리를 만들어서 사용 할 것을 추천 드립니다.</strong></p><p>최종적으로 개발 팀의 전문성과 프로젝트 요구 사항을 기반으로 최적의 기술을 선택함으로써, 효율적이고 경제적인 개발 과정을 설계할 수 있습니다. 이 글이 안드로이드 앱 개발에 대한 기술 선택을 고민하는 데 도움이 되길 바랍니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=83e43a5858c4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[클린아키텍처의 Entity 와 ViewModel(DTO) 의 역할와 사용방법]]></title>
            <link>https://medium.com/@kyuchan.developer/%ED%81%B4%EB%A6%B0%EC%95%84%ED%82%A4%ED%85%8D%EC%B2%98%EC%9D%98-entity-%EC%99%80-viewmodel-dto-%EC%9D%98-%EC%97%AD%ED%95%A0%EC%99%80-%EC%82%AC%EC%9A%A9%EB%B0%A9%EB%B2%95-1fed3fc02f10?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/1fed3fc02f10</guid>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[android]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Thu, 30 Jan 2025 14:33:30 GMT</pubDate>
            <atom:updated>2025-02-02T15:03:44.071Z</atom:updated>
            <content:encoded><![CDATA[<h3>클린아키텍처의 Entity 변환 Mapper , View Model Mapper 의 사용방법</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*4v__Ful52yhudlpyqnp3SA.jpeg" /></figure><p>클린아키텍처에서 Entity 와ViewModel을 명확한 구분을 주고 있습니다. 여기서 ViewModel 는 MVVM 의 ViewModel이 아니라 View의 Data 즉, UI Data를 의미합니다.</p><p>클린아키텍처에서 이 두 데이터의 차이를 혼재되어 사용 할 수 있는데 이 두 데이터의 차이와 Android 에서는 클린아키텍처를 어떻게 사용하면 좋을지 공유하겠습니다.</p><h3>클린아키텍처의 Mapper 의 역할</h3><p>클린아키텍처에서는 두 개의 Mapper 가 존재합니다.</p><ol><li><strong>DTO → Entity Mapper</strong></li></ol><p>데이터를 네트워크, 데이터베이스 등 외부 소스에서 받아와 비즈니스 계층(Entity)로 변환합니다. 이 단계는 보통 Repository 계층에서 수행됩니다.</p><p>2. <strong>Entity → ViewModel (또는 UI 모델) Mapper</strong></p><p>비즈니스 로직 처리 후, UI 계층에 맞는 데이터 구조(ViewModel 또는 화면 모델)로 변환합니다. 이 단계는 보통 Use Case 계층에서 수행됩니다.</p><p>여기서 말하는 ViewModel은 MVVM의 ViewModel과 다른 개념입니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/693/1*zxv3SVq6roMZya5y-o-K_g.png" /><figcaption>클린아키텍처 구조도</figcaption></figure><h3>두 개의 Mapper가 필요한 이유</h3><p>클린 아키텍처의 핵심은 계층 간 독립성을 보장하는 것입니다. 각 계층의 책임을 분리하기 위해 데이터 변환이 계층 간에서 수행됩니다.</p><ol><li><strong>DTO → Entity Mapper DTO(Data Transfer Object)</strong></li></ol><p>외부 시스템(API, DB 등)에서 데이터를 받아오는 데 사용됩니다. 이 <strong>데이터를 도메인(Entity)에서 활용할 수 있도록 변환</strong>해야 합니다. 이런 작업이 필요한 이유는 DTO는 외부 시스템의 데이터 형식은 내부 비즈니스 로직과 다를 수 있습니다.</p><p>예를 들어서 API 에서 처리하는 비즈니스 로직은 DB 에 있는 데이터를 API 로 내리기 위한 작업만 한다면 Entity 에서 가져갈 비즈니스 로직은 달라질 수 있습니다. Entity 는 외부 데이터에 대한 의존성을 줄이고, 비즈니스 로직의 독립성을 유지합니다. 여기서 비즈니스 로직에 UI 부분은 제외 됩니다.</p><p>2. <strong>Entity → ViewModel Mapper Entity</strong></p><p>비즈니스 로직을 처리하기 위한 구조를 가지고 있습니다. UI(ViewModel)는 화면에 적합한 구조와 데이터를 요구합니다. Mapper를 한번 더 하여 ViewModel를 생성하는 이유는 Entity는 비즈니스 중심이므로, UI와 직접 연결되면 변경이 어려워질 수 있습니다. <strong>화면에 맞는 형식으로 데이터를 가공해야 하므로 변환이 필요</strong>합니다.</p><h3>어떻게 사용해야할까?</h3><p>앱에서의 클린아키텍처는 독립적으로 구성하여 1:1 매핑을 가져가는 것보다 UI 의 속도가 중요하게 됩니다. 속도를 생각한다면 다음 두가지를 고려해볼 필요가 있습니다.</p><h3>1. Entity와 ViewModel의 결합</h3><p>모든 프로젝트에서 “완벽한 클린 아키텍처”를 강요할 필요는 없습니다. 다음과 같은 절충안을 고려할 수 있습니다.</p><p><strong>Entity와 ViewModel 통합비즈니스 로직이 단순하다면, UI에 맞춘 데이터 구조를 Entity로 사용하는 것도 가능</strong>합니다.</p><p>하지만 이를 도메인 독립성이 필요 없는 간단한 애플리케이션에서만 적용해야 합니다.</p><p>클린아키텍처를 구성하며 도메인의 의존성을 가져갈 구조였다면 이 과정의 도입은 힘들 수 있으나 프로젝트 규모에 따라서 고려해 볼 수 있습니다.</p><h3>2. Entity의 존재성 제거</h3><p>API 가 UI 에 맞춰 설계되어 내려 온다면 Entity 로 변환은 필요 없어질 것입니다.</p><p>API 에서 받은 DTO 를 바로 사용하는 구조라면 entity에서 ViewModel의 mapper의 역할도 고려해 볼 필요가 있습니다. 프로젝트에 API 구조에 따라서 DTO를 바로 사용할 수 있고 DTO에 대한 비즈니스를 Mapper을 통해 Entity 를 생성할 수 있습니다.</p><p>프로젝트 상황에 맞춰서 <strong>Entity의 존재는 생략</strong>될 수 있습니다.</p><h3>Mapper의 가이드 라인</h3><p>앞써 설명 드렸듯이 클린아키텍처에서의 Mapper 는 2번 이뤄지게 됩니다. 각 Mapper 에서 추가해야할 값들이 있습니다.</p><h3>1. DTO → Entity 변환 시 값 추가가 적절한 경우</h3><h4>1.1. Entity에 필요한 필드가 DTO에 없을 때</h4><p>API에서 제공하지 않는 데이터가 있지만, Entity의 비즈니스 로직이나 데이터 구조상 반드시 필요한 경우 값을 추가할 수 있습니다.</p><p>예를들면 다음 세 가지의 필드를 추가 할 수 있습니다. 기본값을 설정해야 하는 필드 (예 : 기본 카운트 값, 기본 설정 값, UDID 같은 식별 값) 계산을 통해 도출해야 하는 값 (예: 은행 잔액) 시스템 내부에서 관리해야 하는 데이터(예: 생성 시점, 유효성 상태)</p><h3>Entity 추가 데이터</h3><pre>data class AccountEntity(<br>    val id: String,<br>    val email: String,<br>    val isDeleted: Boolean = false,<br>    val isVerified: Boolean = false,<br>    val id: String = UUID.randomUUID().toString(),<br>    val createdAt: LocalDateTime = LocalDateTime.now(),<br>    val updatedAt: LocalDateTime = LocalDateTime.now()<br>)</pre><h4>1.2. 비즈니스 로직을 지원하기 위해</h4><p>Entity는 비즈니스 로직을 포함하므로, DTO에 없는 값이라도 비즈니스 로직을 수행하기 위해 추가할 수 있습니다. 예를 들면 사용자의 이메일 인증 여부를 저장하기 위해, 이메일 존재 여부로 isEmailVerified 값을 추가 할 수 있습니다.</p><pre>data class AccountEntity(<br>    val id: String,<br>    val email: String,<br>    val isEmailVerified: Boolean = false<br>)</pre><p>이처럼 Entity의 추가 필드는 비즈니스 로직이나 데이터 구조상 필요한 데이터를 구성할 수 있으며, UI 구성 시 필요한 데이터는 구성하지는 않습니다.</p><h3>2. Entity → ViewModel</h3><h4>2.1. UI 를 위한 ViewModel</h4><p>Entity의 비즈니스 로직이나 데이터 구조 상 필요 값이 존재하나 UI 구성 시 반드시 필요한 값 한 경우 추가할 수 있습니다.</p><p>리스트로 구성된 화면에서 <strong>데이터 타입별로 화면을 구성</strong>한다고 가정해 봅시다. 이때, UI 복잡도에 따른 리스트의 최적화를 위해 하나의 데이터 타입을 <strong>여러 개의 데이터(n개)로 분리하는 작업을</strong> Mapper를 통해 수행할 수 있습니다.</p><p>예시로 온라인 쇼핑 앱에서 <strong>상품 리스트 화면</strong>을 구성한다고 가정합니다.</p><p>API로부터 <strong>상품 데이터</strong>를 받아오지만, UI에서 각 상품을 <strong>일반 상품</strong>과 <strong>할인 상품</strong>으로 나누어 표시해야 합니다.</p><p><strong>일반 상품</strong>은 이름과 가격만 표시하고,<br><strong>할인 상품</strong>은 이름, 원래 가격, 할인된 가격, 할인율을 표시합니다.</p><p>이를 위해 <strong>하나의 상품 데이터를 일반 상품과 할인 상품으로 나누어 표시</strong>하는 작업을 Mapper로 처리할 수 있습니다.</p><h3>API Response (Entity)</h3><pre>{<br>  &quot;id&quot;: &quot;001&quot;,<br>  &quot;name&quot;: &quot;Wireless Mouse&quot;,<br>  &quot;price&quot;: 25000,<br>  &quot;discountPrice&quot;: 20000,<br>  &quot;category&quot;: &quot;Electronics&quot;<br>}</pre><h3>ViewModel 구조</h3><ul><li><strong>RegularProductViewModel</strong>: 일반 상품</li><li><strong>DiscountedProductViewModel</strong>: 할인 상품</li></ul><pre>sealed class ProductViewModel {<br>    data class RegularProductViewModel(<br>        val id: String,<br>        val name: String,<br>        val price: Int<br>    ) : ProductViewModel()<br><br>    data class DiscountedProductViewModel(<br>         val id: String,<br>         val name: String,<br>         val originalPrice: Int,<br>         val discountPrice: Int,<br>         val discountRate: Int<br>    ) : ProductViewModel()<br>}</pre><h3>Mapper 구현</h3><pre>fun ProductEntity.toViewModels(): List&lt;ProductViewModel&gt; {<br>    val viewModels = mutableListOf&lt;ProductViewModel&gt;()<br><br>    // 일반 상품으로 추가<br>    viewModels.add(<br>        ProductViewModel.RegularProductViewModel(<br>            id = this.id,<br>            name = this.name,<br>            price = this.price<br>        )<br>    )<br>    // 할인 상품이 있는 경우 추가<br>    if (this.discountPrice &lt; this.price) {<br>        val discountRate = ((this.price - this.discountPrice) * 100) / this.price<br>        viewModels.add(<br>            ProductViewModel.DiscountedProductViewModel(<br>                id = this.id,<br>                name = this.name,<br>                originalPrice = this.price,<br>                discountPrice = this.discountPrice,<br>                discountRate = discountRate<br>            )<br>        )<br>    }<br>    return viewModels<br>}</pre><h4>2.2. 화면 구성에 따른 UI 데이터</h4><p>API 에서 내려온 데이터를 UI 최적화를 위한 재구성 할 수 있습니다.</p><p>앱 개발에서는 API에서 내려온 데이터를 그대로 UI에 사용할 수 없는 경우가 많습니다. 특히, <strong>화면 최적화를 위해 데이터를 재구성</strong>해야 하는 경우가 발생합니다.</p><p>예를 들어, API에서 다음과 같은 형태의 <strong>게시글 데이터</strong>가 내려온다고 가정해 봅시다.</p><h3>API Response (Entity)</h3><pre>{<br>  &quot;id&quot;: &quot;123&quot;,<br>  &quot;title&quot;: &quot;클린 아키텍처란?&quot;,<br>  &quot;content&quot;: &quot;클린 아키텍처는...&quot;,<br>  &quot;author&quot;: {<br>    &quot;name&quot;: &quot;홍길동&quot;,<br>    &quot;profileImage&quot;: &quot;&lt;https://example.com/profile.jpg&gt;&quot;<br>  },<br>  &quot;tags&quot;: [&quot;Android&quot;, &quot;Architecture&quot;, &quot;Kotlin&quot;],<br>  &quot;createdAt&quot;: &quot;2025-01-30T12:00:00Z&quot;<br>}</pre><p>하지만 UI에서는 이를 그대로 표시하지 않고, 필요에 따라 데이터를 가공해야 합니다.</p><p>예를 들어:</p><ul><li>날짜 형식을 yyyy.MM.dd 형태로 변환</li><li>태그를 #Android #Architecture #Kotlin 형태로 변환</li><li>작성자의 이름과 프로필 이미지를 별도로 표시</li></ul><p>이를 위해 Mapper를 사용하여 데이터를 <strong>Entity → ViewModel</strong>로 변환합니다.</p><h3>ViewModel (UI에서 사용하는 데이터)</h3><pre>data class PostViewModel(<br>    val id: String,<br>    val title: String,<br>    val content: String,<br>    val authorName: String,<br>    val authorProfileImage: String,<br>    val formattedTags: String,<br>    val formattedDate: String<br>)</pre><h3>Mapper 구현 예시</h3><pre>fun PostEntity.toViewModel(): PostViewModel {<br>    return PostViewModel(<br>        id = this.id,<br>        title = this.title,<br>        content = this.content,<br>        authorName = this.author.name,<br>        authorProfileImage = this.author.profileImage,<br>        formattedTags = this.tags.joinToString(&quot; &quot;) { &quot;#$it&quot; },<br>        formattedDate = formatDate(this.createdAt)<br>    )<br>}<br><br>fun formatDate(isoDate: String): String {<br>    val formatter = DateTimeFormatter.ofPattern(&quot;yyyy.MM.dd&quot;)<br>    return LocalDateTime.parse(isoDate, DateTimeFormatter.ISO_DATE_TIME).format(formatter)<br>}</pre><h3>마무리</h3><p>클린 아키텍처의 유지보수성과 효율성 사이에서 균형을 맞추는 것이 핵심입니다. 프로젝트 규모와 요구사항에 맞게 설계를 조정하면 불필요한 작업을 최소화할 수 있습니다.</p><ol><li><strong>비즈니스 로직에 부합하는 값만 추가</strong></li></ol><p>추가하는 값이 도메인 로직을 명확히 지원하거나, 시스템 요구사항을 충족하는지 확인합니다. 프로젝트 특성에 맞춰 DTO → Entity의 변화는 생략 될 수 있습니다.</p><p><strong>2. Mapper에서 변환 책임 분리</strong></p><p>DTO → Entity 변환 시, 값을 추가하거나 가공하는 책임을 Mapper에 분리하여 관리합니다.</p><p>Entity → View의 변환 시 Use Case를 활용 합니다.</p><p>값 추가가 단순한 변환 이상의 비즈니스 로직을 포함한다면, Use Case 계층에서 처리하도록 설계합니다.</p><p><strong>3. 추가된 값의 의미 명확히 문서화</strong></p><p>코드에 주석이나 문서를 통해, 왜 특정 값이 추가 되었는지 설명합니다.</p><p>위 세가지을 참고하여 프로젝트의 규모와 특성에 맞춰 클린아키텍처를 구성하는데 도움이 되면 좋겠습니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1fed3fc02f10" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Android 온스타일 홈탭 스크롤 속도 개선 Mission Possible]]></title>
            <link>https://medium.com/cj-onstyle/android-%ED%99%88%ED%83%AD-%EC%8A%A4%ED%81%AC%EB%A1%A4-%EC%86%8D%EB%8F%84-%EA%B0%9C%EC%84%A0-mission-posible-3fb74999792c?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/3fb74999792c</guid>
            <category><![CDATA[android-app-development]]></category>
            <category><![CDATA[android]]></category>
            <category><![CDATA[dev]]></category>
            <category><![CDATA[troubleshooting]]></category>
            <category><![CDATA[androiddev]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Tue, 20 Aug 2024 07:23:00 GMT</pubDate>
            <atom:updated>2024-09-04T01:47:38.211Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8lXX65Lv3FzCw0D3RctBtw.jpeg" /></figure><p>안녕하세요.<br>CJ ENM 커머스 부문에서 Android 앱을 개발하는 신규찬입니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*TJ5DLUfbOsqTiqluja2q4w.jpeg" /></figure><p>온스타일 앱은 4월 홈탭 개편 기점으로 많은 변화가 있었습니다. 첫 홈탭 개편 기획 리뷰 들어갔을 때, 홈 탭 개편은 많은 영상과 다양한 UI 로 구성될 예정이라고 하였습니다.</p><p>개발 리뷰 후 들었던 생각은 홈탭 개선 개발 완료 후 운영 시점에 홈탭의 메모리 부하로 고생할 수도 있을거 같다는 걱정이 있었습니다. 저는 이런 걱정을 할 때마다 항상 이슈로 다가 왔었는데 이번 프로젝트에서도 저의 걱정은 홈탭 스크롤시 약간씩 버벅인다는 이슈로 나타났습니다.</p><p>홈탭 스크롤 시 버벅임을 어떻게 해결하였는지 공유하겠습니다.</p><h3>어디서 느려진 것일까?</h3><p>홈탭 스크롤 하다보면 일부 구간에서 미세하게 덜컹(?) 되는 부분을 발견할 수 있었는데요. 이 영역 위주로 체크하니 크게 세 부분을 발견할 수 있었습니다. 하나는 영상 Prepare, Release 시점, 두번째는 Cookie의 데이터를 가져와 성인 상품 구좌 이미지를 그리는 시점, 세번째 비동기 모듈 호출 후 중간에 다량의 영역에 모듈구좌가 들어가는 시점 이었습니다.</p><h4>동영상 영역에서의 느림</h4><p>저희는 영상을 Exoplayer 라이브러리를 활용해서 사용하고 있습니다. 이 ExoPlayer는 준비(prepare)할 때, 플레이어는 버퍼나 디코더와 같은 자원을 할당하기 시작하면서 메모리 사용량이 증가하게 됩니다. 준비에서 메모리 사용하듯이 종료(release) 할 때도 디코더, 렌더러, 버퍼 등 다양한 리소스를 제거하면서 메모리를 사용하게 됩니다.</p><p>홈탭은 다양한 동영상을 사용하고 있는 구조로 리스트가 빠르게 스크롤 하다보면 많은 동영상을 Prepare와 Release 하는 경우가 생깁니다. 한 두 개의 동영상은 영향을 줄 수 없겠지만, 홈탭은 상단 헤더 영상, 가로 스크롤 영상, 배너에서 펼쳐지는 영상 등 다양한 동영상 요소가 존재하기 때문에, 이를 효과적으로 처리하기 위한 설계가 필요합니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/231/1*fTODehZ2N3El9UW1SWxVNQ.png" /><figcaption>홈탭에 존재하는 영상 예시</figcaption></figure><h4>이미지 로드의 느림</h4><p>커머스 앱에서 전시되는 상품 중 성인 상품이 등록되는 경우도 있습니다. 앱에서는 성인 상품을 표시하기 앞써 해당 사용자가 성인인지 확인을 하는데 성인 여부는 Cookie 데이터를 가져와서 판단합니다. 적은양의 Cookie 데이터를 가져오는 것은 메모리 사용에 크게 무리를 줄 수 없지만 디바이스 내 Cookie가 많은 경우 Cookie 가져오는 것으로도 메모리를 어느정도 사용하게 됩니다.</p><p>홈탭은 다수의 상품이 꽂혀있는 상품 구좌가 존재하는데 이 탭에서 빠르게 스크롤을 내리게 되면 많은 상품의 Cookie를 한번에 가져오면서 메모리에 영향을 줄 수 있게 됩니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/611/1*FfBVDtErUVAbFuvJJSE1bQ.png" /><figcaption>홈탭에 사용하는 이미지가 성인 상품인지 확인하는 로직 예시</figcaption></figure><h4>비동기 화면 증가 로직</h4><p>탭의 모든 상품구좌의 데이터를 다 가져오면 좋지만 개인화 데이터, 랭킹 데이터, 라이브 방송 데이터와 같은 준 실시간 데이터에 대해서는 비동기로 제공하는게 일반적으로 사용하는 비즈니스 로직 입니다.</p><p>온스타일도 비동기 통신 시 로딩뷰를 보여주고 비동기 API 완료 후 로딩뷰를 제거하며 해당 구좌를 표시하게 됩니다. 탭내 스크롤로 하단에 있는 상품 구좌로 이동 중 비동기 통신하는 상품 구좌를 만날 경우 로딩뷰를 보여주게 될 것이고, 비동기 통신 완료 후에 상품구좌를 보여줄 것입니다.</p><p>만약 표시할 상품 구좌가 로딩뷰보다 긴 경우 상품 구좌가 스크롤의 위치를 조정하면서 스크롤에 영향을 주게 됩니다. 그리고 로딩뷰와 상품 구좌의 배경색이 반전으로 구성되어 있으면 깜박임 또는 버벅임처럼 느껴질 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/547/1*SbzkN_3WsfBm1OyfHqrOVA.png" /></figure><h3>어떻게 해결할 것인가?</h3><blockquote><strong><em>“문제를 정확하게 정의하면 해결의 50%는 이미 달성된 것”<br></em></strong><em>(</em>“The ability to ask the right question is more than half the battle of finding the answer.”)<br><em>Thomas J. Watso(IBM의 창립자)</em></blockquote><p>Thomas J.Watso 의 말을 인용하자면 모든 문제를 해결하는데 문제에 대한 정확하게 정의하면 50% 이상은 해결할 수 있다고 합니다.</p><p>50% 이상의 성공 확률이라는 믿음을 갖고 스크롤 버벅임 문제를 해결하기 위해 분석 하였고, 그 결과 여러 가지 해결 시나리오를 도출했습니다. 이제, 각 문제 해결 과정을 하나씩 살펴보겠습니다.</p><h3>비디오 영역 해결방안</h3><h4>Lazy Prepare Video</h4><p>동영상 영역에서의 느림은 Exoplyer 의 Prepare 하는 과정 중 메모리를 사용하는데 영향이 있음을 확인 하였습니다. 빠른 스크롤 하는 사용자는 탭의 존재하는 영상을 보는 것 보다 원하는 상품이 있는 구좌로 이동하는 목적을 갖고 행동합니다. 그렇기에 빠른 스크롤 중 지나치는 동영상의 prepare는 ‘SKIP’ 해도 될거라고 생각하였습니다.</p><p>간단히 비즈니스 로직을 설명 드리면, 스크롤이 이뤄질 경우 Recycler View의 Scroll Listener 가 호출되는데요. 이 때 호출되는 Scroll Lister로 전달되는 이동 픽셀값을 기반으로 Scroll Speed 을 저장하여 평균을 구합니다. 스크롤 도중 Video Prepare 을 시도 시 저장된 Scroll Speed의 평균 값이 임계치를 초과한 상태인지 확인 하고 임계치를 초과할 경우 Video Prepare는 ‘SKIP’하는 로직을 구성하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/442/1*V6cbE4TxKr92ctpi9mAApA.png" /><figcaption>Lazy Prepare Video 예시</figcaption></figure><h4>Lazy Video Release</h4><p>Lazy Prepare Video의 비즈니스 로직과 비슷한 방식으로 Video Release 의 비즈니스 로직을 구성하였습니다. 이전에는 Exoplayer Release를 View 가onDetachedFromWindow() 가 호출 시점에 처리하였습니다. 이렇게 구성된 탭에서는 동영상 영역을 빠르게 지나갈 때마다 동영상 Release를 처리하게 됩니다. 이런 비즈니스 로직은 동영상 해제를 통한 메모리 사용으로 빠르게 상품 구좌로 이동하려는 사용자의 행동에 방해를 줍니다. 그래서 고안한 방식이 지연 비디오 해제(Lazy Video Release) 입니다.</p><p>지연 비디오 해제(Lazy Video Release) 비즈니스 로직을 간단히 공유드리면, 동영상 해제 시도 시 Video Release Pool Manager 에 보관하고 있다가 스크롤이 정지되었을 경우 한번에 Video Release 처리합니다. 만약 사용자의 스크롤이 연속으로 이어져 많은 동영상이 Video Release Pool에 저장될 경우, Video Release Pool 에서 저장할 최대 갯수를 지정하여 최대치를 넘어갈 경우 선입선출(FIFO:First In First Out) 방식으로 가장 먼저 Video Release Pool 에 저장한Video 를 Release 처리합니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/508/1*womSJi3haAkh9ESOWMpxdA.png" /><figcaption>Lazy release Video 예시</figcaption></figure><h3>이미지 영역 해결방안</h3><h4>이미지 로드 시 쿠키 사용 방지</h4><p>이미지 표시 하는 방식 중 성인 상품에 대한 체크로직을 담당하는 이미지 뷰를 별도로 존재합니다. 여기서 성인 여부에 대한 값을 Cookie 값을 바라 본 것을 SharedPreference 의 저장된 값을 기준으로 성인 여부를 체크하였습니다.</p><p>Cookie의 데이터를 가져온 다는 것은 Cookie 의 양이 비대해 질 경우 속도 저하가 되는 부분을 가져올 수 있습니다. 그래서 Cookie 의 데이터를 가져오는 로직에서 SharedPreference 을 통해서 성인 여부 값을 가져오도록 수정하여 메모리 사용을 최소화 할 수 있습니다. 만약 SharedPreference 도 변경 하였지만 여전히 느리다면 성인 여부 값을 Application 의 Global Value로 구성하여 해당 데이터를 메모리에 올려 놓고 성인 이미지 표시 여부를 판단할 때 사용할 예정입니다.</p><p>현재는 SharedPreference 을 활용하는 것으로도 속도 향상을 경험하여 이 방식을 유지하고 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/611/1*-9GDKRhX2ASkNZQKDRFJWA.png" /></figure><h3>비동기 화면 해결 방안</h3><h4>Preload Async API</h4><p>비동기 통신을 한번에 호출하는 것은 API 비용 문제에 영향을 줄 수 있습니다. 하지만 이런 API 호출 문제는 비동기 통신에 대한 캐시 정책으로 해결할 수 있는 방안입니다. 이런 비용 문제를 떠나서 홈 화면의 쾌적한 스크롤을 우선순위를 두고 대응한다면 비동기 API를 상품 구좌가 보였을 때 호출하는 것이 아니라 홈 화면이 노출 시점에 비동기 API를 사전에 호출 하여 UI 구성 한다면, 스크롤 중간에 UI 튀는 현상을 최소화 할 수 있습니다.</p><p>한 탭에서 한번에 많은 비동기 API 을 호출하다보면 모듈의 INSERT, DELETE가 동시에 이뤄질 수 있습니다. 이렇게 동시에 INSERT, DELETE가 발생하면 INDEX 가 꼬이는 현상이 발생하여 예상과 다른 결과를 맞이할 수 있습니다. 이런 현상을 방어하기 위해서 모든 동작을 TASK로 구분하여 Queue 에 담았습니다. 이렇게 담은 TASK는 Queue에서 하나씩 꺼내서 UI 처리하도록 구성하여 동시에 요청하는 INSERT, DELETE 에 대한 index 틀어짐에 대한 대비할 수 있었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/426/1*Na4PwB-aaQlq1LunozZtfQ.png" /><figcaption>동시에 Api 호출로 인한 Insert, Delete Task Queue 활용 예시</figcaption></figure><h3>속도 개선 결과는?</h3><p>홈 탭 속도 개선을 위해서 여러 시나리오는 갖고 진행하였습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YD5HCaPwqhzqCJXfXLuG_Q.png" /><figcaption>속도 개선을 위한 시나리오 리스트</figcaption></figure><p>여러 시나리오를 넣고 테스트 한 결과 앞써 소개한 해결방안인 Lazy Prepare Video, Lazy Release Video, Preload Dynaic API 을 적용했을 때 이전 버전에 비해 홈 탭 스크롤 시 UI 렌더딩 지연 현상(버벅임)이 확연히 줄여들었던 것을 확인하였습니다.</p><p>이 해결 방안이 맞는지 검증하기 위해 온스타일 탭 중 홈 탭이 아닌 다른 탭인 ‘특가&#39; 탭에도 적용 하였는데, 홈 탭과 같이 특가 탭도 이전에 비해 비해 빨려졌다는 긍정적인 평가를 받았습니다.</p><p>홈탭 스크롤 속도 개선에 대한 객관적인 증표로 수치를 뽑으려고 하였으나, 아쉽게도 스크롤 빨라졌다는 것에 대한 기록에 대한 아이디어 부족으로 실패하였습니다. 홈탭 스크롤 속도 변화에 대한 수치화 실패한 아쉬운 마음을 AS-IS 와 TO-BE 영상 비교 영상을 준비했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1018/1*cHVlgaDlFKZM01cx-5MGPw.gif" /></figure><p>AS-IS 영상에는 스크롤 도중 ‘틱.. 틱&#39; 끊기는 현상을 발견할 수 있으며, TO-BE 에서는 AS-IS 영상의 버벅임이 개선됨을 확인할 수 있습니다.</p><h3>마무리</h3><p>이 속도 개선 프로젝트는 메모리의 활용을 줄이는 방식을 초점을 두고 문제해결에 접근 하였습니다. 이런 스크롤 버벅임은 모든 개발자가 맞이 할 수 있는 문제이고 RecyclerView의 스크롤에 대한 UI 처리에 대해서는 많은 고민이 필요합니다.</p><blockquote><strong><em>“나는 내가 아무것도 모른다는 것을 안다. “<br>(“I know that I know nothing.”) </em></strong><em><br>소크라테스 (Socrates)</em></blockquote><p>소크라테스의 명언처럼 사람은 완벽한 결과물을 만들어 낼 수 없듯이 홈탭 스크롤 개선에 대해서 현재 해결 방식이 완벽한 방식이 아닐 수 있습니다. 하지만 해당 방식을 공유 드린 이유는 이 해결한 방식에서 INSIGHT를 얻어 더 좋은 해결방안이 나올 수 있기 때문에 저와 같은 스크롤 이슈를 맞이한 개발자 분들에게 도움이 되었으면 좋겠습니다.</p><p>개발자는 개발의 완성이 없다는 생각을 갖고 개발에 임해야한다고 생각합니다. 이런 점에서 홈 탭 속도 개선은 앞으로 다른 버전으로 계속 이뤄질 것이고, 앞으로 개발되는 모든 탭에서 속도 개선을 위한 고뇌가 이어질 것입니다.</p><h3>같이 보면 좋은 글</h3><ul><li><a href="https://medium.com/cj-onstyle/android-%EC%98%A8%EC%8A%A4%ED%83%80%EC%9D%BC-%EA%B0%9C%ED%8E%B8-%EC%8A%A4%ED%86%A0%EB%A6%AC-%EB%A0%88%EA%B1%B0%EC%8B%9C-%EC%BD%94%EB%93%9C%EC%97%90-%ED%81%B4%EB%A6%B0%EC%95%84%ED%82%A4%ED%85%8D%EC%B2%98-%EB%8F%84%EC%9E%85-%ED%8E%B8-f071ca1b7a0e">Android 온스타일 레거시 코드에 클린 아키텍처 도입기 | 온스타일 기술 블로그</a></li><li><a href="https://medium.com/cj-onstyle/android-%EB%B2%84%ED%8B%B0%EC%BB%AC-%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8%EC%9D%98-%ED%81%B4%EB%A6%B0-%EC%95%84%ED%82%A4%ED%85%8D%EC%B2%98-%EB%8F%84%EC%9E%85-a26d833e103c">왜 Android 신규 프로젝트는 클린 아키텍처를 도입하였는가? | 온스타일 기술 블로그</a></li><li><a href="https://medium.com/cj-onstyle/android-%EC%85%80%EB%A0%99%EC%83%B5-%EC%95%B1-%EB%AA%A8%EB%93%88-dagger-hilt-%EC%97%B0%EA%B2%B0%EA%B3%BC-%EB%AA%A8%EB%93%88-%ED%85%8C%EC%8A%A4%ED%8C%85-f93efda284cc">Android 셀렙샵 앱 모듈 Dagger Hilt 연결과 모듈 테스팅 | 온스타일 기술 블로그</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3fb74999792c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cj-onstyle/android-%ED%99%88%ED%83%AD-%EC%8A%A4%ED%81%AC%EB%A1%A4-%EC%86%8D%EB%8F%84-%EA%B0%9C%EC%84%A0-mission-posible-3fb74999792c">Android 온스타일 홈탭 스크롤 속도 개선 Mission Possible</a> was originally published in <a href="https://medium.com/cj-onstyle">CJ 온스타일 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Android Dynamic JSON 직렬화 시키기]]></title>
            <link>https://medium.com/@kyuchan.developer/moshi%EC%99%80-retrofit%EC%9D%84-%ED%99%9C%EC%9A%A9%ED%95%9C-%EB%8F%99%EC%A0%81-json-%EC%97%AD%EC%A7%81%EB%A0%AC%ED%99%94-af94acafee4d?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/af94acafee4d</guid>
            <category><![CDATA[moshi]]></category>
            <category><![CDATA[retrofit]]></category>
            <category><![CDATA[안드로이드]]></category>
            <category><![CDATA[android]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Thu, 16 May 2024 16:13:05 GMT</pubDate>
            <atom:updated>2024-08-28T14:48:50.596Z</atom:updated>
            <content:encoded><![CDATA[<h3>Dynamic JSON deserialization with Moshi &amp; Retrofit</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*1i_rtDhN_ldn_yiwhKVhow.png" /></figure><p>최근에는 대부분 API 응답이 JSON 형식으로 다양한 데이터를 전달합니다. Rest API 통신 Data로 다양한 형태를 받을 수 있습니다. 하나의 예시를 들어보겠습니다. 만약, API 응답이 다음과 같은 형태로 주어진다면 이를 어떻게 처리할 수 있을까요?</p><pre>[<br>    {<br>       &quot;type&quot;: &quot;TRUCK&quot;,<br>       &quot;waterCannon&quot;: true<br>    },<br>    {<br>       &quot;type&quot;: &quot;PLANE&quot;,<br>       &quot;wingsSpanInMeters&quot;: 20<br>    }<br> ]</pre><p>Response Dto 를 다음과 같이 구성해서 받을 준비는 하고 있지 않은지 묻고 싶습니다.</p><pre>class Veichle {<br>	type : String<br>	waterCannon : Boolean<br>	wingsSpanInMeters : Int<br>}</pre><p>예시로 TRUCK 과 PLANE 을 두었는데요. 만약 BIKE, TAXI 와 같이 계속 증가한다면 Veichle class의 값들은 많아지고 Veichle의 역할은 모호해지게 됩니다. 어떻게 하면 다형성을 유지하면서 Single Json Response 을 받을 수 있을까요?</p><p>이 고민을 풀어줄 3th part libray 인 Moshi 를 제공하고 있습니다. 이번 시간은 Moshi 라이브러리에 대해서 간단히 알아보겠습니다.</p><h3>Moshi Library 맛보기</h3><p>Moshi 는 Signle Json Response 에서 다형성을 유지하도록 도와주는 3th part Library 입니다.</p><p>Moshi를 사용하기 위해 app.bundle 에 dependencies Moshi 를 등록해보겠습니다.</p><pre>dependencies{<br>    // Moshi<br>    implementation &#39;com.squareup.moshi:moshi:1.14.0&#39;<br>    implementation &#39;com.squareup.moshi:moshi-adapters:1.14.0&#39;<br>    implementation &#39;com.squareup.moshi:moshi-kotlin:1.12.0&#39;<br>    implementation &#39;com.squareup.retrofit2:converter-moshi:2.9.0&#39;<br>}</pre><p>Dependencies 구성이 완료 되었으면, Vehicle의 JSON 데이터를 Moshi를 사용하여 가져오기 위한 DataContainer 설정 방법을 설명드리겠습니다.</p><p>먼저, VehicleType enum class 를 선언하여 TRUCK 과 PLANE 을 설정합니다. 이렇게 하면 Mosh에서 VehicleType 을 활용해서 타입을 구분 할 수 있습니다.</p><p>그 다음 JSON 파싱을 위한 Data class 을 생성합니다. 여기서 주의할 점은 @JsonClass(generateAdpater) 인 Annotation을 선언하는 것입니다. 또한, 각 JSON 필드는 @JSON Annotation 을 선언하여 파싱할 수 있도록 합니다.</p><p>지금까지 설명한 DataContainer 는 다음과 같습니다.</p><pre>/***<br> *  Vehicle<br> */<br>enum class VehicleType {<br>  TRUCK,<br>  PLANE<br>}<br><br>interface Vehicle {<br>    val type: VehicleType<br>}<br><br>@JsonClass(generateAdapter = true)<br>data class Truck(<br>    @Json(name = &quot;waterCannon&quot;) val waterCannon: Boolean<br>) : Vehicle {<br>    override val type = VehicleType.TRUCK<br>}<br><br>@JsonClass(generateAdapter = true)<br>data class Plane(<br>    @Json(name = &quot;wingsSpanInMeters&quot;) val wingsSpanInMeters: Int<br>) : Vehicle {<br>    override val type = VehicleType.PLANE<br>}<br><br>inline fun &lt;reified T&gt; Moshi.parseList(jsonString: String): List&lt;T&gt;? {<br>    return adapter&lt;List&lt;T&gt;&gt;(Types.newParameterizedType(List::class.java, T::class.java)).fromJson(jsonString)<br>}</pre><p>이제 데이터 파싱을 위한 Moshi 설정 방법을 설명하겠습니다. Moshi 는 다형성을 지원하기 위해 <strong>PolymorphicJsonAdapterFacotry</strong> 를 사용할 수 있습니다. 이를 통해 JSON 데이터의 특정 필드 값을 기준으로 여러 타입의 객체를 구분할 수 있습니다.</p><p><strong>Vehicle</strong> 클래스를 설정하고, <strong>type</strong> 필드를 구분자로 사용하여 <strong>waterCannon</strong>과 <strong>wingsSpanInMeters</strong> 설정할 수 있습니다.</p><pre>val vehicleFactory = PolymorphicJsonAdapterFactory.of(Vehicle::class.java, &quot;type&quot;)<br>            .withSubtype(Truck::class.java, VehicleType.TRUCK.name)<br>            .withSubtype(Plane::class.java, VehicleType.PLANE.name)<br>val moshi = Moshi.Builder()<br>    .add(vehicleFactory)<br>    .add(KotlinJsonAdapterFactory())<br>    .build()<br><br>val response = &quot;[\n&quot; +<br>        &quot;    {\n&quot; +<br>        &quot;       \&quot;type\&quot;: \&quot;TRUCK\&quot;,\n&quot; +<br>        &quot;       \&quot;waterCannon\&quot;: true\n&quot; +<br>        &quot;    },\n&quot; +<br>        &quot;    {\n&quot; +<br>        &quot;       \&quot;type\&quot;: \&quot;PLANE\&quot;,\n&quot; +<br>        &quot;       \&quot;wingsSpanInMeters\&quot;: 20\n&quot; +<br>        &quot;    }\n&quot; +<br>        &quot; ]&quot;<br><br>val vehicleList = moshi.parseList&lt;Vehicle&gt;(response) ?: kotlin.run {<br>    print(&quot;Error Null&quot;)<br>    return<br>}<br><br>for ((index, vehicle) in vehicleList.withIndex()) {<br>    when (vehicle.type) {<br>        VehicleType.PLANE -&gt; {<br>            val wingsSpanInMeters = (vehicle as Plane).wingsSpanInMeters<br>            Log.d(&quot;@@@ VehicleTest @@@&quot;, &quot;inedx = $index, wingsSpanInMeters = $wingsSpanInMeters&quot;)<br>        }<br>        VehicleType.TRUCK -&gt; {<br>            val waterCannon = (vehicle as Truck).waterCannon<br>            Log.d(&quot;@@@ VehicleTest @@@&quot;, &quot;inedx = $index, waterCannon = $waterCannon&quot;)<br>        }<br>    }<br>}</pre><blockquote><strong><em>Q. key 로 선언 한 값이 없는 경우 어떻게 동작하나요?</em></strong><em> <br>A. Moshi 를 사용 했을 때 API Response 에서 key 가 존재하지 않으면 Exception 발생하게됩니다. <br>만약 Retrofit 을 활용하여 Moshi 를 구현 하였을 경우는 API Fail 처리 됩니다.</em></blockquote><h3>Retrofit 을 활용한 Moshi 구성 : Step-by-Step</h3><p>Retrofit 에서 Moshi 을 활용해서 Data 의 다형성을 지원하는 환경 구성할 수 있습니다.</p><h4>1. 의존성 추가</h4><p>먼저, Moshi 라이브러리와 함께 Retrofit를 프로젝트에 추가해야 합니다. <strong>build.gradle</strong> 파일에 다음과 같이 추가합니다.</p><pre>dependencies{<br>    implementation &quot;com.squareup.moshi:moshi:1.14.0&quot;<br>    implementation &#39;com.squareup.moshi:moshi-adapters:1.14.0&#39;<br>    implementation(&quot;com.squareup.moshi:moshi-kotlin:1.12.0&quot;)<br>    // Retrofit2, Gson converter, Gson<br>    implementation &#39;com.squareup.retrofit2:retrofit:2.9.<br>    implementation &#39;com.squareup.retrofit2:converter-moshi:2.9.0&#39;<br>}</pre><h4>2. Moshi 설정</h4><p>Moshi를 설정합니다. 다형성을 지원하기 위해 <strong>PolymorphicJsonAdapterFactory</strong>를 사용할 수 있습니다.</p><pre>import com.squareup.moshi.Moshi<br>import com.squareup.moshi.kotlin.reflect.KotlinJsonAdapterFactory<br>import com.squareup.moshi.adapters.PolymorphicJsonAdapterFactory<br><br>val moshi = Moshi.Builder()<br>     .add(<br>           PolymorphicJsonAdapterFactory.of(Vehicle::class.java, &quot;type&quot;)<br>          .withSubtype(Truck::class.java, VehicleType.TRUCK.name)<br>	  .withSubtype(Plane::class.java, VehicleType.PLANE.name)<br>	 )<br>     .add(KotlinJsonAdapterFactory())<br>     .build()</pre><h4>3. Retrofit 설정</h4><p>Retrofit을 설정하여 Moshi를 JSON 변환기로 사용합니다.</p><pre>import retrofit2.Retrofit<br>import retrofit2.converter.moshi.MoshiConverterFactory<br><br>val retrofit: Retrofit = Retrofit.Builder()<br>        .baseUrl(&quot;&lt;https://api.example.com/&gt;&quot;) // API의 기본 URL<br>        .addConverterFactory(MoshiConverterFactory.create(moshi))<br>        .build()</pre><h4>4. API 인터페이스 정의</h4><p>API 엔드포인트를 정의하는 인터페이스를 작성합니다. Retrofit의 애노테이션을 사용하여 HTTP 메서드와 엔드포인트를 지정합니다.</p><pre>interface ApiService {<br>    @GET(&quot;REST API PATH&quot;)<br>    suspend fun getVehicles(): Response&lt;List&lt;Vehicle&gt;&gt;?<br>}</pre><h4>5. API 호출</h4><p>Retrofit 인스턴스에서 API 인터페이스의 구현을 생성하고 API를 호출합니다.</p><pre>class MainViewModel : ViewModel(){<br>    fun startRestAPI(){<br>			viewModelScope.launch {<br>				val apiService: ApiService = retrofit.create(ApiService::class.java)<br>			  val model = apiService.getVehicles()<br>	    }<br>	  }<br>}</pre><p>이렇게 구성하면 Moshi와 Retrofit을 사용하여 API 클라이언트를 구성하고 API를 호출할 수 있게 됩니다. 이로써Moshi의 다형성 지원 기능을 활용하여 다양한 타입의 JSON 데이터를 쉽게 파싱할 수 있습니다.</p><h3>마무리</h3><p>Moshi 를 활용하면 다양한 타입의 JSON 을 파싱 할 수 있습니다. 특히, 다형성 JSON 데이터를 다룰 때 <strong>PolymorphicJsonAdapterFactory</strong>를 사용하여 쉽게 처리할 수 있습니다. API 구성 시 type을 통한 데이터 구성이 많을 경우 Moshi의 도입은 생각해 볼 필요가 있습니다. Moshi는 직관적인 설정과 강력한 기능 제공으로 복잡한 JSON 구조도 간단하게 파싱할 수 있도록 도와줍니다.</p><p>Retrofit 에서도 Moshi의 활용은 고려해볼 필요가 있습니다. Moshi의 어댑터를 통해 다양한 JSON 형식을 유연하게 처리할 수 있으며, Moshi는 Kotlin 지원도 뛰어나므로 Kotlin 프로젝트에서 자연스럽게 통합하여 사용 할 수 있습니다.</p><p>API 설계나 유지보수 시 다양한 타입의 JSON을 다뤄야하다면, Moshi 도입은 고려하는 것을 추천드립니다. 그로 인해 코드의 가독성 및 유지보수성이 높이고, 더 나은 데이터 파싱 경험을 할 수 있을것으로 생각됩니다.</p><h3>참고</h3><p><a href="https://github.com/square/moshi">moshi GitHub</a></p><p><a href="https://proandroiddev.com/dynamic-json-deserialization-moshi-retrofit-d4a28645b022">dynamic-json-deserialization-moshi-retrofit Blog Post</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=af94acafee4d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Android 온스타일 레거시 코드에 클린아키텍처 도입기]]></title>
            <link>https://medium.com/cj-onstyle/android-%EC%98%A8%EC%8A%A4%ED%83%80%EC%9D%BC-%EA%B0%9C%ED%8E%B8-%EC%8A%A4%ED%86%A0%EB%A6%AC-%EB%A0%88%EA%B1%B0%EC%8B%9C-%EC%BD%94%EB%93%9C%EC%97%90-%ED%81%B4%EB%A6%B0%EC%95%84%ED%82%A4%ED%85%8D%EC%B2%98-%EB%8F%84%EC%9E%85-%ED%8E%B8-f071ca1b7a0e?source=rss-76b54858467c------2</link>
            <guid isPermaLink="false">https://medium.com/p/f071ca1b7a0e</guid>
            <category><![CDATA[dev]]></category>
            <category><![CDATA[clean-architecture]]></category>
            <category><![CDATA[android-app-development]]></category>
            <category><![CDATA[android]]></category>
            <category><![CDATA[androiddev]]></category>
            <dc:creator><![CDATA[신규찬]]></dc:creator>
            <pubDate>Sun, 05 May 2024 12:12:31 GMT</pubDate>
            <atom:updated>2024-08-27T00:00:43.518Z</atom:updated>
            <content:encoded><![CDATA[<h3>Android 온스타일 레거시 코드에 클린 아키텍처 도입기</h3><h4><strong>부제 : Mapper의 재발견</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/903/1*RI3y2P-vGufF0Npkis_V6w.gif" /></figure><p>안녕하세요.<br>CJ ENM 커머스 부문에서 Android 앱을 개발하는 신규찬입니다.</p><blockquote>CJ온스타일의 홈 탭을 개편하며 기존의 레거시 코드를 개선하고 클린 아키텍처를 도입하는 과정을 통해 많은 변화와 발전을 이뤄냈습니다. 특히, 이번 프로젝트에서 두드러진 성과 중 하나는 Mapper 기능 도입입니다. 이 글에서는 이러한 개선 과정과 Mapper 기능의 역할 및 그로 인한 효과를 소개 드립니다.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*0TATneOloFrhpMoaQIHJJA.png" /></figure><p>대규모 시스템에서 클린 아키텍처를 적용하는 것은 어려운 과제일 수 있습니다. 온스타일도 마찬가지였습니다. 깊은 레거시 코드가 존재하는 상황에서 클린 아키텍처를 도입하려는 과정에 많은 고민이 있었습니다.</p><p>그러던 중에 온스타일은 홈탭 개편 프로젝트를 진행하게 되었습니다. 이는 기존 시스템의 중요한 부분을 대대적으로 수정하고자 하는 대규모 프로젝트였습니다. 우리는 이를 통해 클린 아키텍처를 적용할 수 있다면, 충분한 테스트를 거친 뒤 안정적으로 프로젝트를 오픈할 수 있을 것으로 기대했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*09vfPuAxooaGwtHRbZ7FeA.gif" /><figcaption>새로워진 온스타일 홈탭</figcaption></figure><h3>클린 아키텍처 적용 전 고려사항</h3><p>온스타일 레거시 코드에 클린아키텍처를 적용할 때 주요 고려사항은 아래와 같습니다.</p><ol><li><strong>분석과 계획: </strong>우선적으로 레거시 코드의 현 상태를 분석하고, 클린 아키텍처를 어떻게 적용할지 계획을 세웠습니다. 어떤 부분을 수정해야 할지, 어떤 모듈을 우선적으로 개선해야 할지를 결정하는 데 많은 시간을 할애했습니다.</li><li><strong>모듈화와 리팩토링</strong>: 레거시 코드를 모듈화하고, 이를 클린 아키텍처의 원칙에 맞게 리팩토링했습니다. 각 모듈은 단일한 책임을 가지도록 분리되었고, 각 모듈 간의 의존성을 최소화하고자 했습니다.</li><li><strong>테스트와 검증</strong>: 클린 아키텍처를 적용한 후에는 충분한 테스트를 진행하여 안정성을 확보했습니다. 내부 테스트와 QA 테스트를 반복하여 신뢰할 수 있는 시스템을 만들기 위해 노력했습니다.</li></ol><p>이렇게 온스타일은 홈탭 개편 프로젝트를 통해 레거시 코드에 클린 아키텍처를 성공적으로 적용하였습니다. 이는 대규모 프로젝트에서도 클린 아키텍처를 적용할 수 있는 가능성을 보여주었습니다.</p><h3>레거시코드에 클린 아키텍처 놓이기</h3><p>레거시 코드로 작성된 Tab Fragment는 UI, API, 그리고 비즈니스 로직이 한 곳에 집중되어 깊은 의존성을 가지고 있었습니다. 이번 홈탭 개편 작업에서는 기존의 비즈니스 로직을 유지하면서, API와 UI는 새롭게 변경해야 하는 과제가 주어졌습니다.</p><h4><strong>통신 부분의 분리</strong></h4><p>레거시 코드에서 통신 부분을 분리하는 가장 간단한 방법은 상속을 통한 통신 부분의 분리입니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Sg0Us-HmxQQDb8GqGmm03g.png" /><figcaption>레거시 코드 상속을 통한 클린 아키텍처 구성 UML</figcaption></figure><p>홈 탭의 API 호출을 담당하는 함수를 오버라이드하여 클린 아키텍처 구조에 맞게 통신을 진행했습니다. 이를 통해 기존 구조가 RxJava를 사용하여 비동기적으로 데이터 통신 값을 가져와 UI에 직접 입력하던 방식에서, 코루틴을 활용하여 데이터를 가져오는 코드로 변경할 수 있었습니다.</p><p>홈 탭의 구조상 API에서 받은 데이터를 특정 상품 규격에 맞게 변경해야 했습니다. 이전에는 Tab Fragment에서 데이터 파싱 작업과 데이터 구성을 담당했으며, 이로 인해 비즈니스 로직이 복잡해지고 소스 코드의 양이 증가하여 가독성이 저하되었습니다. 이번 개선 작업에서는 데이터 파싱 및 비즈니스 로직 작업을 클린 아키텍처 구조의 도메인 데이터 레이어를 통해 API 통신과 비즈니스 로직을 처리하는 형태로 진행했습니다. 이 구조를 통해 다양한 데이터 구조를 매퍼(Mapper)를 사용하여 파싱할 수 있었고, 필터를 통해 비즈니스 로직을 적용할 수 있었습니다.</p><h4><strong>Mapper 의 기능 활성화</strong></h4><p>이번 프로젝트에서 가장 큰 성과는 Mapper의 도입입니다.</p><p>Mapper는 API 에서 내려준 DTO(<strong>Data Transfer Object</strong>)를 UI에 적합한 Entity로 변경하는 기능을 담당하는데, 이번 홈탭 개편에서의 Mapper는 다양한 역할을 하였습니다.</p><h4><strong>다양한 데이터 구조 파싱</strong></h4><p>홈 탭은 개인화, 상품, 랭킹 등 다양한 데이터를 제공하며, 이 데이터를 상품 특성에 맞춰 파싱하고 리스트로 표현하는 작업은 개발자의 몫입니다. 레거시 코드에서는 이러한 파싱 작업이 주로 어댑터나 프래그먼트에서 이루어졌으며, 비즈니스 로직과 UI 로직이 혼재되어 코드 양이 많고 가독성이 낮았습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/661/1*FHiJadPfLh6Wq01JbkRevA.png" /><figcaption>Json 을 Mapper 를 통한 상품 List 구성</figcaption></figure><p>이번 홈 탭 개편에서는 클린 아키텍처의 매퍼 기능을 도입하여 다양한 데이터의 파싱 작업을 처리했습니다. <strong>각 상품 유형에 맞춘 매퍼 구성을 통해 프레젠테이션, 도메인, 데이터 레이어 간의 역할 분리를 명확히 하여 코드의 가독성을 높였습니다. </strong>이러한 구조적 개선은 데이터 처리의 효율성을 향상시키고, 유지보수를 용이하게 만듭니다.</p><pre>class ItemListMapper(val parameter: Parameter?) : BaseMapper&lt;IteListDto, ItemListEntity&gt;() {<br>    override fun convert(from: IteListDto): ItemListEntity {<br>       val itemList = java.util.ArrayList&lt;Item&gt;()<br>        ...<br>        <br>        val jsonArray = from.itemList as? JSONArray<br>        jsonArray?.let {<br>            itemList.addAll(parseItem(jsonArray))<br>        }<br><br>        ...<br>    }<br><br>    fun parseItem(itemArray: JSONArray): ArrayList&lt;Item&gt; {<br>        val itemList = java.util.ArrayList&lt;Item&gt;()<br><br>        val length: Int = itemArray.length()<br>        for (index in 0 until length) {<br>            try {<br>               ...<br><br>               // 비즈니스 로직<br>               // 조건에 만족하지 않았을 경우 skip<br>               val expires = itemArray.getString.getString(&quot;expires&quot;)<br>               val itemTypeCode = itemArray.getString.getString(&quot;itemTypeCode&quot;)<br>               if(!checkValid(expires)) continue<br>           <br>                when (itemTypeCode) {<br>                    ItemTypeConstants.ITEM_TYPE_A.tpCd -&gt; ItemTypeAMapper()<br>                    ItemTypeConstants.ITEM_TYPE_B.tpCd -&gt; ItemTypeBMapper()<br>                    ItemTypeConstants.ITEM_TYPE_C.tpCd -&gt; ItemTypeCMapper()<br>                    ItemTypeConstants.ITEM_TYPE_D.tpCd -&gt; ItemTypeDMapper()<br>                    ItemTypeConstants.ITEM_TYPE_E.tpCd -&gt; ItemTypeEMapper() <br>                    else -&gt; null<br>                }?.let {<br>                   ...<br>                }<br>            } catch (e: Exception) {<br>                e.printStackTrace()<br>                //에러 나기 전까지의 데이터를 넘겨준다.<br>                return itemList<br>            }<br>        }<br><br>        return itemList<br>    }</pre><h4><strong>Mock Data 환경 구성</strong></h4><p>모든 개발 프로젝트에서 디자인과 API가 완성된 후 앱 개발이 순차적으로 이루어지기를 기대하는 것은 현실적으로 어렵습니다. 개발 기간이 정해져 있고, 디자인과 API가 완성되기를 기다리는 것에는 한계가 있습니다. 일반적으로 개발 회사들은 초기 단계에서 Mock API를 제공하고, 이후에 실제 API 개발이 완료되면 이를 통합하는 2 Step 접근법을 사용합니다.</p><p>이번 홈탭 프로젝트도 Mock API를 먼저 제공받아 개발을 시작했습니다. 보통 Mock 데이터의 일부만 변경하고자 할 때, 모든 Mock 데이터에서 필요한 부분을 찾아 수정해야 하는데, 이는 JSON 오타를 유발할 수 있으며, 많은 데이터 중 원하는 특정 상품의 데이터만 변경하는 것은 어려움이 있습니다.</p><p>그러나 이번 홈탭에서는 매퍼를 통한 파싱 작업이 있어, 각 상품 유형별로 파싱을 할 수 있는 구조를 마련했습니다. 따라서 변경을 원하는 상품 유형의 JSON만 수정하여 원하는 Mock 데이터를 설정할 수 있었습니다.<strong> 이 구조 덕분에 변경하는 위치가 중간이든 맨 끝이든 상관 없이 오류 없이 빠르게 Mock 데이터를 수정할 수 있었습니다.</strong></p><pre>class ItemTypeAMapper : ItemMapper&lt;String, ArrayList&lt;ItemTypeAContentEntity&gt;, ArrayList&lt;Item&gt;?&gt;() {<br><br>    override fun convert(json: String?): ArrayList&lt;Item&gt;? {<br>        ...<br><br>        // Mock Data 넣어줌<br>        val jsonStr = mock()<br>        val arrayList = ArrayList&lt;Item&gt;()<br>        arrayList.add(ItemTypeAEntity().apply {<br>            contentList = Gson().fromJson&lt;ArrayList&lt;ItemTypeAContentEntity&gt;&gt;(jsonStr, object : TypeToken&lt;ArrayList&lt;ItemTypeAEntity&gt;&gt;() {}.type)<br>        })<br>        return arrayList<br>    }<br><br>  /**<br>   * Mock Json 을 넣어 API 통신 없이 데이터 구성<br>   */<br> private fun mock(): String {<br>   return &quot;[\n&quot; +<br>           &quot;    {\n&quot; +<br>           &quot;        \&quot;id\&quot;: 1,\n&quot; +<br>           &quot;        \&quot;name\&quot;: \&quot;테스트 상품 \&quot;,\n&quot; +<br>           &quot;        \&quot;dpStrDtm\&quot;: \&quot;2024-05-01T00:00:00\&quot;,\n&quot; +<br>           &quot;        \&quot;dpEndDtm\&quot;: \&quot;2024-05-31T23:59:59\&quot;,\n&quot; +<br>           &quot;        \&quot;price\&quot;: 100000\n&quot; +<br>           &quot;    }\n&quot; +<br>           &quot;]&quot;<br>    }</pre><h4><strong>디버깅 환경 구성</strong></h4><p>과거에는 특정 상품 유형만 디버깅하기 위해 RecyclerView 어댑터에서 해당 유형을 제외하기 위해서 주석 처리하거나, 적절한 Mock 데이터를 준비하는 등의 어려움이 있었습니다. 이번 홈 탭 개발에서는 매퍼를 통해 파싱 시 <strong>원하는 상품 유형만 선택적으로 파싱할 수 있게 구성할 수 있었으며, 디버깅을 위한 Mock 데이터도 손쉽게 입력할 수 있었습니다. </strong>이러한 디버깅 환경은 매퍼에서만 처리함으로써 설정을 빠르게 완료할 수 있었습니다. 또한, 이 방법을 동료들과 공유함으로써 팀 전체의 개발 속도도 향상시킬 수 있었습니다. 이는 개발 효율성을 높이는 동시에 동료들 간의 협업을 원활하게 만드는 접근 방식이었습니다.</p><pre>class ItemListMapper(val parameter: Parameter?) : BaseMapper&lt;ItemListDto, ItemListEntity&gt;() {<br>   ...<br>   <br>   fun parseItem(itemArray: JSONArray): ArrayList&lt;Item&gt; {<br>        ...<br>        <br>        for (index in 0 until length) {<br>            try {<br>               ...<br><br>                when (itemTypeCode) {<br>                  ItemTypeConstants.ITEM_TYPE_A.tpCd -&gt; ItemTypeAMapper()<br>                  ItemTypeConstants.ITEM_TYPE_B.tpCd -&gt; ItemTypeBMapper()<br><br>                  // ==== 주석으로 해당 ItemType은 매핑 시키지 않는 테스트 진행<br>                  // ItemTypeConstants.ITEM_TYPE_C.tpCd -&gt; ItemTypeCMapper()<br>                  // ItemTypeConstants.ITEM_TYPE_D.tpCd -&gt; ItemTypeDMapper()<br>        <br>                  // === ItemTypeEMapper 을 DebugTypeEMapper 로 변경 후 테스트 진행<br>                  ItemTypeConstants.ITEM_TYPE_E.tpCd -&gt; DebugTypeEMapper() <br>                  else -&gt; null<br>                }?.let {<br>                   ...<br>                }<br>            } catch (e: Exception) {<br>               ...<br>            }<br>        }<br><br>        return itemList<br>    }</pre><h3>마무리</h3><p>홈탭 개편은 ‘온스타일’ 앱의 대문을 새롭게 디자인하는 중요한 작업으로, 많은 분들의 관심과 응원으로 개발이 진행되었습니다. 이 과정에서 레거시 코드를 현대적인 기반으로 변모시킬 수 있는 토대를 마련하였으며, 이를 성공적으로 수행하였습니다. 특히, 클린 아키텍처 구조를 도입함으로써 기존보다 더 자유롭게 테스트 환경을 구성할 수 있었고, 코드의 가독성도 크게 향상시켰습니다.</p><p>홈탭의 이번 개편과 클린 아키텍처의 도입은 단지 시작일 뿐입니다. 앞으로도 사용자들에게 더 나은 사용 경험을 제공하고, 그들을 감동시킬 수 있는 방법을 지속적으로 모색하며 ‘온스타일’을 개선해 나갈 것입니다.</p><h3>같이 보면 좋은 글</h3><ul><li><a href="https://medium.com/cj-onstyle/android-%EB%B2%84%ED%8B%B0%EC%BB%AC-%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8%EC%9D%98-%ED%81%B4%EB%A6%B0-%EC%95%84%ED%82%A4%ED%85%8D%EC%B2%98-%EB%8F%84%EC%9E%85-a26d833e103c">왜 Android 신규 프로젝트는 클린 아키텍처를 도입하였는가? | 온스타일 기술 블로그</a></li><li><a href="https://medium.com/cj-onstyle/android-%EC%85%80%EB%A0%99%EC%83%B5-%EC%95%B1-%EB%AA%A8%EB%93%88-dagger-hilt-%EC%97%B0%EA%B2%B0%EA%B3%BC-%EB%AA%A8%EB%93%88-%ED%85%8C%EC%8A%A4%ED%8C%85-f93efda284cc">Android 셀렙샵 앱 모듈 Dagger Hilt 연결과 모듈 테스팅 | 온스타일 기술 블로그</a></li><li><a href="https://medium.com/cj-onstyle/android-%ED%99%88%ED%83%AD-%EC%8A%A4%ED%81%AC%EB%A1%A4-%EC%86%8D%EB%8F%84-%EA%B0%9C%EC%84%A0-mission-posible-3fb74999792c">Android 온스타일 홈탭 스크롤 속도 개선 Mission Possible | 온스타일 기술 블로그</a></li></ul><p><a href="https://display.cjonstyle.com/m/homeTab/main?hmtabMenuId=003147&amp;rPIC=homeonstyle&amp;utm_source=medium&amp;utm_medium=blog&amp;utm_campaign=cj_tech_blog">취향공감 라이브쇼핑 - CJ ONSTYLE</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f071ca1b7a0e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/cj-onstyle/android-%EC%98%A8%EC%8A%A4%ED%83%80%EC%9D%BC-%EA%B0%9C%ED%8E%B8-%EC%8A%A4%ED%86%A0%EB%A6%AC-%EB%A0%88%EA%B1%B0%EC%8B%9C-%EC%BD%94%EB%93%9C%EC%97%90-%ED%81%B4%EB%A6%B0%EC%95%84%ED%82%A4%ED%85%8D%EC%B2%98-%EB%8F%84%EC%9E%85-%ED%8E%B8-f071ca1b7a0e">Android 온스타일 레거시 코드에 클린아키텍처 도입기</a> was originally published in <a href="https://medium.com/cj-onstyle">CJ 온스타일 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>