AWS Labs가 만든 "AI-Driven Development Life Cycle" 메서드론. Kiro·Amazon Q·Cursor·Cline·Claude Code·GitHub Copilot·Codex 7개 코딩 에이전트에 같은 워크플로우를 강제한다. Inception → Construction → Operations 3단계 + Adaptive 분기. 코드가 거의 없는데 트렌딩 9위까지 올라온 이유.
코드 한 줄 없는 레포가 어떻게 개발을 바꾸나.
AI-DLC는 코드 라이브러리도, 도구도 아니다. 마크다운 파일 한 묶음이다. 그런데 그 파일들을 — Cursor·Claude Code·GitHub Copilot 같은 AI 코딩 에이전트의 "프로젝트 룰" 위치에 놓으면, 그 에이전트가 갑자기 다르게 일한다.
구체적으로 — 평소엔 "이 기능 만들어 줘" 라고 하면 바로 코드를 쓰던 AI가, AI-DLC 룰을 받은 뒤로는 — "먼저 요구사항을 명확히 합시다. 다음 4가지 중 어느 시나리오가 맞나요?"부터 묻는다. 그 다음 디자인 단계, 그 다음 리스크 평가, 그 다음 코드. 사람을 매 단계마다 끼워 넣어 승인을 받는다.
한마디로 AI-DLC는 "AI 코딩 에이전트가 따라야 할 표준 운영 절차(SOP)"다. AWS가 자기 내부에서 굴리던 베스트 프랙티스를 오픈소스로 푼 셈.
.cursor/rules/, Claude Code는 CLAUDE.md, GitHub Copilot은 .github/copilot-instructions.md, Codex는 AGENTS.md, Amazon Q는 .amazonq/rules/. AI-DLC는 한 마크다운 파일을 7개 위치 중 적절한 곳에 복사하면 적용된다..kiro/steering/에 마크다운으로 두면 자동 로드. Cursor의 Rules, Claude Code의 CLAUDE.md와 본질적으로 같은 개념인데 — 코딩 에이전트마다 부르는 이름이 다르다.전체 글의 핵심 메시지.
좋은 코드를 한 번 잘 짜는 것보다, 요구사항을 명확히 → 디자인을 검증 → 단계별로 사람 승인 → 그 다음 코드의 절차를 따르게 만드는 게 결과 품질을 훨씬 끌어올린다. AWS의 사내 프랙티스를 마크다운 한 묶음으로 응축한 결과가 AI-DLC.
그리고 7개 코딩 에이전트(Kiro·Q·Cursor·Cline·Claude Code·Copilot·Codex)에 같은 룰을 적용해서, 팀이 어떤 도구를 쓰든 같은 산출물·같은 품질을 얻을 수 있게 만든다.
AWS Labs 레포가 트렌딩에 오른 이유.
2025~2026년 AI 코딩 에이전트가 폭증했다. 그런데 채택의 가장 큰 장애물은 — "AI가 자유롭게 코드를 짜면 품질·일관성이 떨어진다"는 두려움이다. 특히 큰 조직일수록 이 우려가 크다. AI-DLC는 그 답으로 등장.
아무 지침 없이 AI에게 "이 기능 만들어 줘" 하면 — 매번 다른 디자인, 다른 코딩 스타일, 다른 테스트 전략이 나온다. 코드베이스가 빠르게 누더기가 된다.
모든 작업이 Inception(요구사항) → Construction(구현) → Operations(운영) 단계를 거치도록 강제. 각 단계의 산출물 형식·승인 절차가 정해져 있어서, 어떤 작업이든 비교 가능한 형태로 끝난다.
팀에서 누구는 Cursor, 누구는 Claude Code, 누구는 Copilot을 쓴다. 각자 자기 도구의 룰만 알고 있어서 — 산출물·작업 방식이 사람마다 다르다.
Kiro·Amazon Q·Cursor·Cline·Claude Code·GitHub Copilot·Codex 7개에 같은 core-workflow.md 마크다운 파일을 복사해 두기만 하면 끝. 도구가 달라도 결과는 같다.
SDLC를 빡빡하게 적용하면 — 단순한 typo 수정에도 요구사항 분석·디자인 문서·리스크 평가를 요구한다. 개발 속도가 죽는다.
AI가 작업 복잡도를 먼저 평가해서 — 단순 작업은 Inception 짧게 + Construction 바로, 복잡한 작업은 모든 단계 + 추가 검증. "적응형(Adaptive)"이 이름에 들어간 이유.
코드가 없는 레포의 "스택" 보는 법.
AI-DLC의 본체는 마크다운 파일 한 묶음이다. 그래도 그 마크다운이 어떻게 구성됐는지 — 그게 이 레포의 "스택"이다.
Inception/Construction/Operations 3단계와 각 단계의 절차를 정의한 마크다운 한 장. 이게 코딩 에이전트의 두뇌에 직접 로드되는 핵심 파일. 도구가 무엇이든 — 이 한 파일이 같은 방식으로 동작한다.
core-workflow.md가 그때그때 필요할 때만 부르는 상세 규칙. common/(공통), inception/(요구사항 단계), construction/(구현 단계), extensions/(확장), operations/(운영) 5개 하위 폴더로 분리. Progressive Disclosure 패턴 — 메인 룰은 짧게, 깊은 디테일은 따로.
핵심 워크플로우 위에 얹는 추가 규칙. 예: security/baseline/security-baseline.md(보안 베이스라인), testing/property-based/property-based-testing.md(속성 기반 테스트), resiliency/baseline/(탄력성 베이스라인). 각 확장에는 .opt-in.md 파일이 함께 있어 — Requirements Analysis 단계에서 사용자에게 "이 확장 켜겠습니까?"를 물어본다.
각 에이전트마다 룰 파일의 위치 + 포맷이 약간씩 다르지만 — 본질은 같은 마크다운 파일을 다른 이름으로 복사하는 것뿐. README의 50% 이상이 7개 에이전트별 "어디에 복사하라"는 설명이다.
AI-DLC 워크플로우 변경의 자동 테스트·평가 프레임워크. Golden test cases + Semantic 평가(AI 기반 정확성 평가) + Code 평가(린팅·보안·중복) + NFR 평가(토큰·실행시간)까지 자동화. AI-DLC 자체를 개선할 때 회귀 테스트로 사용. Python + uv 기반.
AWS Bedrock의 Claude 모델로 디자인 산출물을 자동 리뷰. 3개 전문 에이전트(Critique, Alternatives, Gap Analysis)가 각자 다른 관점으로 평가 + 가중 심각도 점수. CLI 모드(CI/CD 통합) 또는 Claude Code Hook(개발 중 실시간) 모드.
이 5대 원칙이 AI-DLC의 정체성을 만든다. "AWS가 만들었지만 AWS 종속이 없는, 도구 무관한 방법론"이라는 포지셔닝이 채택을 끌어올린다.
전체 그림과 각 단계의 역할.
핵심 — "각 Phase 사이에 사람 승인 체크포인트"가 강제로 들어간다. AI가 알아서 끝까지 가지 않는다.
AI가 첫 단계에 작업의 복잡도를 평가한다. 단순한 작업(타이포·간단 리팩토링)은 짧은 경로, 복잡한 작업(새 API·아키텍처 변경)은 전체 단계 + 확장 적용. 모든 작업에 같은 무거운 절차를 강제하지 않아 개발 속도 보존.
요구사항 분석 단계에서 — 자유 텍스트 질문이 아니라 "다음 4가지 중 어느 것에 해당하나요?" 형식의 객관식 질문을 한다. 채팅이 아니라 파일에 결과를 남기게 해서 — 의사결정이 문서로 추적된다.
모든 산출물(요구사항·디자인·테스트 계획·구현 노트)이 aidlc-docs/라는 정해진 위치에 정해진 형식으로 떨어진다. 다른 사람이 프로젝트를 받았을 때도 같은 위치에서 같은 형식의 산출물을 찾을 수 있다. 팀 일관성.
핵심 워크플로우 위에 추가 룰을 얹을 수 있다. .opt-in.md 파일이 있으면 — 요구사항 분석 단계에서 "이 확장 켤까요?" 객관식 질문. 사용자가 켜면 그 확장의 규칙이 모든 다음 단계에 강제 적용. 보안·컴플라이언스·테스트 같은 횡단 관심사에 적합.
확장 룰은 blocking constraint로 작동. 각 단계에서 AI가 자기 산출물이 룰을 통과하는지 검증 → 통과 못 하면 그 단계가 진행되지 않는다. 린팅보다 강한 강제력. 보안 베이스라인 확장의 예 — "이 코드에 secret이 하드코딩됐는지", "입력 검증이 있는지" 같은 항목들이 자동 체크.
실제 파일 트리.
레포의 심장. 이 한 파일이 7개 에이전트의 룰 위치에 복사된다. Inception/Construction/Operations 3단계 + Adaptive 분기 + 사람 승인 체크포인트 모두 여기 적혀 있다.
common/(공통 룰), inception/(요구사항·디자인 규칙), construction/(코드·테스트 규칙), extensions/(보안·테스팅 확장), operations/(배포·모니터링 — 미래). core-workflow.md가 필요할 때만 부른다.
AI-DLC 자체를 자동 평가하는 프레임워크. "룰을 바꿨을 때 결과가 더 좋아졌는가?"를 회귀 테스트로 검증. 메타 레벨 도구 — AI-DLC를 개선하는 사람들이 쓴다.
AWS Bedrock의 Claude 모델로 디자인 산출물을 자동 리뷰하는 도구. Critique/Alternatives/Gap Analysis 3개 에이전트 동시 실행 후 통합 리포트. 실험적이지만 흥미로운 패턴.
팀에 AI 에이전트를 도입하는 방법론.
좋은 모델·좋은 도구도 중요하지만 — 팀에서 같은 룰 파일을 공유하면 누가 어떤 도구를 쓰든 결과가 비슷해진다. "우리 팀 룰 파일"이 팀의 코딩 표준만큼 중요한 자산. AI-DLC를 출발점 삼아 자기 팀 버전을 만들어 운영.
SDLC가 외면받았던 이유는 모든 작업에 같은 무게를 강제했기 때문. AI-DLC는 첫 단계에서 복잡도 평가 → 가벼운 작업은 가볍게, 무거운 작업은 무겁게. 이 패턴은 다른 워크플로우 설계에도 그대로 적용 가능.
요구사항 정리 시 "어떻게 만들고 싶으세요?" 같은 자유 텍스트는 사용자가 답하기 어렵고 결과도 들쭉날쭉. 4지선다 객관식 + 파일에 답 저장이 결과 품질과 추적성을 모두 잡는다.
핵심 워크플로우는 가볍게 유지하고, 횡단 관심사(보안·테스트·컴플라이언스)는 옵트인 확장으로. .opt-in.md 파일 패턴은 — 자기 팀 룰에도 그대로 적용 가능. "필수 규칙은 짧게, 선택 규칙은 풍부하게".
aidlc-evaluator의 발상이 보석. "AI 코딩 룰을 개선할 때 새 룰이 옛 룰보다 좋아졌는지 자동 검증". 자기 팀 룰을 운영할 때도 골든 케이스 + 자동 평가를 도입하면, 룰 개선이 추측이 아니라 측정 기반이 된다.
설치할 게 거의 없다.
Kiro(IDE/CLI 모드 통합), Amazon Q Developer, Cursor IDE, Cline VS Code Extension, Claude Code CLI, GitHub Copilot, OpenAI Codex 중 하나. README에 각 도구별 설치 링크.
총 5분. 별도 패키지·런타임 설치 없음.
Python + uv 필요. cd scripts/aidlc-evaluator && uv sync && uv run python run.py test로 골든 테스트 실행. AI-DLC를 개선·커스터마이즈할 때만 필요.
난이도 ★~★★★★★.
자기 메인 코딩 에이전트(Cursor·Claude Code·Copilot 중 하나)에 AI-DLC 설치. 작은 작업(예: "User 모델에 created_at 컬럼 추가")을 "Using AI-DLC, ..."로 시작. 일반 AI 응답과 비교해서 어떻게 다르게 일하는지 체험.
같은 작업을 — security baseline 확장 OFF, ON 두 번 돌려 본다. 산출물 차이가 어떻게 나는지 본다. 입력 검증, secret 처리, 권한 체크 같은 항목이 자동으로 들어가는지 확인.
자기 팀의 특수 규칙(예: "모든 API에 audit log 남기기", "모든 함수에 doc string", "DB 변경은 마이그레이션 파일로만")을 — AI-DLC extension 포맷에 맞춰 마크다운 파일 작성. extensions/에 놓고 .opt-in.md도 함께. 다음 작업부터 그 규칙이 자동 적용되는지 확인.
AWS Bedrock 자격증명 설정 후 design-reviewer --aidlc-docs /path/to/docs로 자기 디자인 산출물을 자동 리뷰. 3개 에이전트가 무엇을 잡아내는지 확인. "멀티 에이전트 자동 리뷰" 패턴의 실전 적용.
AI-DLC를 fork해서 — 자기 팀 도메인(예: 핀테크, 헬스케어, e-커머스)에 맞춘 메서드론 룰 파일을 만들고 사내 사용. evaluator로 골든 테스트 케이스를 만들어 — 룰 변경 시 회귀 검증. "우리 팀만의 코딩 표준"을 AI 시대에 새로 만드는 작업.
4주 코스.
core-workflow.md 정독. 3-Phase 흐름·복잡도 평가·Question-Driven 패턴을 실전 사용으로 익히기. AWS의 메서드론 정의 페이퍼와 블로그도.
같은 시기 트렌딩에 올라온 다른 룰셋 레포들(luongnv89/claude-howto, shanraisshan/claude-code-best-practice, awesome-claude-code 등)과 AI-DLC를 비교. 각각의 디자인 트레이드오프 파악.
자기 도메인의 횡단 관심사(보안·테스트·로깅·모니터링)를 AI-DLC extension 포맷으로 작성. 동료에게 리뷰 요청. 실전 작업에 적용해서 효과 측정.
자기 룰셋의 골든 테스트 케이스 5~10개 작성. evaluator로 자동 평가 파이프라인 구성. "우리 룰이 좋아지고 있는가"를 측정 가능한 지표로 만들기가 마지막 단계.
짧은 정의 모음.
레포·논문·블로그.