아프니까 개발자다 아프니까 개발자다

터미널 기반 AI 코딩 에이전트를 자율 루프로 실행할 때 가장 큰 엔지니어링 장벽 중 하나는 제한된 맥락 창(Context Window, 모델이 한 번에 기억할 수 있는 메모리 용량)의 관리다. 에이전트가 소스코드를 분석하고, 린트 검사를 하고, 테스트 빌드를 수행할 때마다 터미널에는 수만 줄의 로그가 쌓인다. 이 방대한 원시 데이터를 여과 없이 LLM에 넘겨주면 금세 맥락 창이 고갈되거나 추론 비용이 폭증한다.이 글에서는 로컬 vLLM(대규모 언어 모델의 추론 및 서빙 속도를 극대화하는 오픈소스 라이브러리) 환경에서 구동하는 오픈소스 에이전트 프로젝트인 OpenCode가 어떻게 작업 공간을 관찰하고, 토큰(Token, 모델이 텍스트를 처리하는 기본 의미 단위) 소모를 절감하기 위해 맥락을 최적화하는지 ..

자율 코딩 루프의 핵심은 결국 외부 CLI 한 줄 호출 이다. opencode run --model X -f file1 -f file2 -- "" 라는 한 줄. 그런데 이 한 줄에 세 가지 함정 이 숨어있어 ralph-loop 를 짜면서 모두 한 번씩 부딪혔다. 함정마다 한 번씩 사고를 겪고 한 줄씩 추가해서 — 이제는 안전한 호출이 됐다.이 글은 그 한 줄의 진화를 따라간다. (1) yargs 의 -f array 가 prompt 를 삼키는 함정, (2) vLLM 응답 hang 시 무한 대기를 끊는 timeout, (3) opencode 호출 직후 vLLM 죽음 감지하는 헬스체크. 시리즈 5편이고, 1~4편은 컨텍스트 3축, 부팅·셧다운, vLLM 헬스 보장, prompt 다층 메시지를 다뤘다.최종 형태..