Prompt Engineering과 모델 계층화로 AI 코드 리뷰 정확도 및 비용 최적화

Context

단순 refactor 과정에서 발생한 off-by-one error와 같은 런타임 결함의 휴먼 에러 가능성 상존. 기존 정적 분석 도구(Linter)의 시맨틱 분석 한계로 인한 비즈니스 로직 오류 탐지의 어려움 발생.

Technical Solution

• Context Gap 해소를 위한 API 문서, Use-case, System Architecture를 포함한 고밀도 Prompt Engineering 적용
• Pydantic 모델 및 서비스 레이어 함수를 동시 제공하여 비즈니스 로직 정합성 검증 구조 설계
• RAG(Retrieval-Augmented Generation) 패턴을 통한 내부 코딩 가이드라인 및 프로젝트 표준 준수 강제
• 비용과 속도 최적화를 위한 Lightweight 모델(Pre-commit 단계)과 Heavyweight 모델(PR 단계)의 계층적 운영 전략 채택
• Full Scan 비용 절감을 위한 Diff-based review 및 스캔 결과 캐싱 메커니즘 도입
• Table Schema 및 Index 정보 제공을 통한 PostgreSQL 쿼리 최적화 분석 정밀도 향상