Render-time Context Resolution을 통한 AI 세션 초기화 속도 23,000배 향상

Context

AI 코딩 어시스턴트가 현재 브랜치, 서비스 상태 등 환경 정보를 파악하기 위해 매 세션 반복하는 Orientation 과정의 오버헤드 발생. 기존 MCP 기반 Runtime Tool Call 방식은 단일 정보 획득마다 1회의 Round-trip이 필요하여 토큰 소모와 지연 시간이 증가하는 구조적 한계 존재.

Technical Solution

• Runtime Discovery 대신 Render-time Resolution 방식을 채택하여 LLM 입력 전 모든 상태 값을 미리 확정하는 설계
• @query, @services 등 20여 가지 Directive를 통해 셸 명령 및 환경 변수 값을 실시간 Markdown으로 변환하는 전처리 파이프라인 구축
• Filesystem-based Atomic Lock을 활용한 Agora Coordination Layer 설계로 120개 에이전트의 동시 쓰기 충돌 방지
• Static한 AGENTS.md에 Live State를 주입하는 Compose 구조를 통해 정적 지침과 동적 상태 정보의 결합 최적화
• MCP Server 기능을 내장하여 Render-time과 Runtime-discovery 모델을 선택적으로 활용 가능한 하이브리드 인터페이스 제공