AI2 오픈 코딩 에이전트 SERA, 내 코드베이스에 붙이는 법

코딩 에이전트는 지난 1년 사이 “자동완성 도구”를 넘어, 이슈를 읽고 코드를 찾아가며 수정하고 테스트까지 도는 ‘미니 개발자’에 가까워졌습니다. 문제는 대부분의 에이전트가 닫혀 있고(속을 모름), 비싸고(학습·운영 비용), 우리 회사/우리 팀 코드베이스에는 잘 적응하지 못한다는 점이었죠.

AI2가 공개한 오픈 코딩 에이전트(Open Coding Agents)는 이 3가지 장벽을 낮추는 쪽에 초점을 맞춥니다. 그 첫 모델인 SERA(Soft-verified Efficient Repository Agents)는 공개 모델·코드·배포 방식까지 통째로 열어두고, “내 레포지토리 전용 코딩 에이전트”를 비교적 적은 비용으로 만들 수 있게 설계됐습니다.¹ 이번 글에서는 SERA가 왜 주목받는지, ‘soft-verified’가 무슨 의미인지, 그리고 소규모 팀이 어디에 써먹으면 좋은지까지 쉽게 풀어보겠습니다.

오픈 코딩 에이전트가 해결하려는 3가지 벽

첫 번째 벽은 락인(lock-in)입니다. 요즘 코딩 에이전트는 터미널과 에디터까지 들어오면서 개발 흐름 자체를 바꿉니다. 그런데 특정 벤더의 모델·가격·정책에 묶이면, 개발 문화도 함께 묶입니다. 그래서 커뮤니티에서는 “모델을 바꿔 끼울 수 있는 오픈 에이전트”가 계속 등장해왔고, 터미널 기반으로 어떤 모델이든 연결해 쓰려는 시도도 활발합니다. (OpenCode 같은 흐름이 대표적이죠.)²

두 번째 벽은 학습 비용입니다. 최첨단 에이전트를 만든다고 하면 보통 ‘수백 장 GPU + 복잡한 강화학습 파이프라인’부터 떠올립니다. 개인 개발자나 작은 연구실 입장에서는 시작 버튼조차 누르기 어렵습니다.

세 번째 벽은 코드베이스 적응입니다. 일반 모델이 아무리 똑똑해도, 여러분의 사내 규칙(폴더 구조, 유틸 함수, 네이밍, 배포 방식)을 “경험으로 체화”하긴 힘듭니다. 결국 사람이 “우리 프로젝트에서는 이렇게 해”를 매번 설명해야 하고요.

AI2의 오픈 코딩 에이전트는 이 세 벽을 한 번에 낮추는 방향으로 설계되었습니다. 특히 ‘내 레포지토리에 맞춘 작은 모델’로 비용과 성능을 동시에 잡겠다는 메시지가 강합니다.

SERA란? “레포지토리 전용”으로 싸고 강하게

SERA는 오픈 코딩 에이전트 패밀리의 첫 공개 모델로, SWE-Bench Verified 같은 코딩 에이전트 벤치마크에서 공개 모델 기준으로 상당히 강한 성능을 보였다고 알려졌습니다.¹ 핵심은 “거대 범용 모델” 한 방이 아니라, 레포지토리(저장소) 단위로 특화된 에이전트를 만드는 레시피에 있습니다.

여기서 재미있는 포인트가 하나 있습니다. SERA는 단순히 파라미터 큰 모델을 가져다 쓰는 접근이 아니라, 특정 레포지토리에 대해 합성 궤적(synthetic trajectories) 형태의 학습 데이터를 만들어 쌓고, 그걸로 맞춤형 에이전트를 훈련하는 쪽에 가깝습니다.¹ 쉽게 말해 “우리 코드베이스에서 자주 하는 디버깅/수정/리뷰 루틴을 AI가 반복 연습하게 만드는 방식”입니다.

AI2가 공개한 구성에 따르면 SERA는 32B와 8B 두 가지 버전으로 제공되며, 사용 목적과 자원에 맞춰 선택할 수 있습니다.¹ 독립 개발자나 소규모 팀이라면 ‘일단 작은 모델로 붙여서 효과를 보는’ 전략이 현실적이겠죠.

Soft-verified의 의미: “완전 정답” 대신 “현실 검증”에 가까이

SERA 이름에 붙은 Soft-verified는 말 그대로 “검증이 아주 딱딱하게(hard) 닫혀 있는” 방식만 고집하지 않는다는 뉘앙스로 이해하면 좋습니다.

현실의 버그 수정은, 수학 문제처럼 정답이 한 줄로 떨어지지 않습니다. 테스트가 부족한 레포도 있고, 재현 스크립트가 없어서 이슈 설명만 믿고 추리해야 할 때도 많습니다. SERA가 강조하는 지점은 이런 애매함을 무시하지 않고, “툴 호출, 탐색, 수정, 확인”의 흐름을 반복하며 실제 개발에 가까운 방식으로 성능을 끌어올리려는 접근입니다. 관련 개발기는 SERA가 여러 시행착오 끝에 이런 방식으로 수렴했다고 설명합니다.³

결국 soft-verified는 “완벽한 자동 증명”이 아니라, 우리가 평소 하는 것처럼 그럴듯한 가설을 세우고, 코드를 뒤지고, 실행/테스트로 확인하면서 수습하는 개발자식 검증에 더 가깝습니다.

비용이 왜 화제인가: 400달러의 ‘현실적인 출발점’

이번 발표에서 가장 많은 사람을 멈춰 세운 숫자는 약 400달러입니다. AI2는 상용 클라우드 하드웨어 기준으로 주요 결과를 재현하는 비용이 대략 그 정도라고 언급했습니다.¹ 코딩 에이전트 학습이 “돈 태우는 실험”으로 인식되던 상황을 생각하면, 이건 연구실과 소규모 팀에게 꽤 상징적인 가격표입니다.

물론 “최고의 산업 모델 수준과 경쟁”까지 욕심내면 더 큰 비용이 들 수 있고, 모든 팀이 같은 효율을 얻는 것도 아닙니다. 하지만 중요한 건 출발점입니다. 이제는 ‘일단 만들어 보고, 우리 레포에서 진짜 도움이 되는지’ 검증할 수 있는 문턱이 내려갔다는 뜻이니까요.

배포와 프로덕션: Claude Code 연동과 NVIDIA 최적화

현장에서는 성능만큼 중요한 게 “붙이기 쉬움”입니다. SERA는 모델과 코드가 공개되어 있고, 개발자가 빠르게 실행할 수 있도록 배포 동선도 단순화한 것으로 소개됐습니다.¹

또 하나의 포인트는 Claude Code 환경과의 통합입니다. 이미 터미널형 에이전트 경험에 익숙한 개발자라면, 새로운 UI를 배우는 부담 없이 SERA를 실험할 수 있습니다.¹ 여기에 NVIDIA와의 협력을 통한 추론 최적화까지 언급되면서, “연구 데모가 아니라 프로덕션도 노린다”는 인상이 더해졌고요.

정리하면, SERA는 ‘모델 공개’에서 끝나는 게 아니라, 실제 개발자가 도구로 쓰는 마지막 단계까지 신경 쓴 쪽에 가깝습니다.

소규모 팀이 SERA를 쓰면 가장 이득 보는 장면 3가지

첫째, 레거시 프로젝트 유지보수입니다. 문서가 부실하고 사람이 바뀐 코드에서 가장 비싼 건 ‘맥락 복원’인데, 레포 특화 에이전트는 이 비용을 줄이는 방향으로 맞아떨어집니다. “이 이슈가 어느 파일의 어떤 함수와 엮일 확률이 높은지”를 빠르게 좁혀주기만 해도 체감이 큽니다.

둘째, 코드리뷰 보조입니다. 팀의 코딩 규칙(예: 예외 처리 스타일, 로깅 포맷, 디렉터리 구조)을 학습한 에이전트는 단순 린트 이상의 지적을 할 수 있습니다. “이 프로젝트에서는 이런 유틸을 이미 쓰니까 새로 만들지 말자” 같은, 레포 지식 기반의 리뷰가 가능해지죠.

셋째, 테스트/재현 스크립트 자동화입니다. 개발기에서 강조되듯 코딩 에이전트는 결국 ‘사람처럼’ 재현→수정→확인의 루틴을 밟을 때 강해집니다.³ 작은 팀이 가장 자주 건너뛰는 게 재현 스크립트 작성인데, 여기를 에이전트에게 맡기면 품질 루프가 빨라집니다.

시사점: “거대 모델”보다 “내 코드에 익숙한 작은 에이전트”가 실용적일 때가 많습니다. SERA가 던진 메시지는 단순합니다. 코딩 에이전트 경쟁은 이제 모델 크기 싸움만이 아니라, 어떤 팀이 더 빨리 ‘우리 레포 전용 에이전트’를 만들어 개발 루프에 녹이느냐의 싸움이 될 수 있습니다.

당장 실용적으로는 이렇게 권하고 싶습니다. 먼저 작은 사이드 프로젝트나 모듈 하나를 정해서, “이슈 10개를 에이전트로 처리해보기” 같은 미니 실험을 해보세요. 비용보다 중요한 건, 여러분 팀의 개발 프로세스에 에이전트가 어디까지 들어와도 되는지(권한, 테스트, 리뷰 책임)를 정하는 일입니다. 도구가 강해질수록, 운영 규칙이 성능을 이깁니다.

참고

¹Ai2 launches family of open-source AI developer agents that adapt to any codebase - SiliconANGLE

²OpenCode - The Open Source AI Coding Agent That Works With Any Model | YUV.AI Blog

³My Journey Towards Coding Agents: Building SERA — Tim Dettmers