SWE-bench 87.6% 달성과 MCP/A2A 표준 기반 Agentic Workflow의 전환

Context

기존 AI 코딩 도구는 단순 채팅 인터페이스에 의존하여 컨텍스트 충돌 및 세션 휘발성 문제로 인해 대규모 리팩토링 수행에 한계가 있었음. 또한 프레임워크 간 파편화로 인해 멀티 에이전트 시스템 구축 시 상호 운용성 확보가 어려웠던 상황임.

Technical Solution

• Git Worktree 기반의 격리된 샌드박스를 도입하여 병렬 에이전트 실행 시 발생하는 컨텍스트 충돌 제거
• Local IDE와 Cloud Execution 환경을 분리한 Offload 아키텍처를 통해 장기 실행 태스크의 지속성 확보
• MCP(Model Context Protocol) 및 A2A 표준 프로토콜 채택으로 도구 접근 및 에이전트 간 통신 계층의 표준화 구현
• LangGraph의 SQLite Checkpointing을 활용한 상태 저장 및 결정론적 제어 흐름 설계를 통한 워크플로우 신뢰성 강화
• 고해상도 UI 스크린샷(3.75MP) 처리 및 1M-token 컨텍스트 윈도우 확장을 통한 시각적 코드 이해도 및 분석 범위 확대

Impact

• Claude Code Opus 4.7의 SWE-bench Verified 성능 80.8%에서 87.6%로 향상
• Gemini 3.5 Flash 도입으로 기존 프런티어 모델 대비 출력 생성 속도 4배 개선

Key Takeaway

AI 에이전트 설계의 핵심은 단순한 모델 성능 향상이 아닌, 격리된 실행 환경(Sandboxing), 상태 유지(Persistence), 그리고 상호 운용 가능한 표준 프로토콜(MCP/A2A)의 결합에 있음.