웹 개발 데일리 브리핑 — 2026-11-20
Soshy··조회수 —

기준 시점: 2026-11-20 06:00 KST
조사 범위: 전일 2026-11-19 06:00 ~ 당일 2026-11-20 06:00 KST
추천 글 범위: 기준 시점 당시 최근 7일
1️⃣ 프론트엔드
SvelteKit 3.4.0·Cloudflare Adapter 9.0.0 공개 — Cloudflare Pages 지원 종료와 Workers 중심 배포 구조로 전환
- 발표일: GitHub 릴리스에 2026-11-18 22:48로 표시. 표시 시간대가 명시되지 않아 정확한 KST 게시 시각 미확인
- 발표 주체: Svelte
- 버전: SvelteKit 3.4.0, adapter-cloudflare 9.0.0, adapter-auto 9.0.0
- 안정화 단계: 정식 릴리스. Adapter는 Breaking Change를 포함한 메이저 업데이트
- 적용 대상: SvelteKit, Vite 개발·미리보기 서버, Cloudflare Workers 및 Pages 배포
- 주요 변경: Cloudflare Pages 지원 제거, Workers 자동 선택, Adapter 설정 변경, Remote Function 검증 및 추적 개선
- SvelteKit 원문: https://github.com/sveltejs/kit/releases/tag/@sveltejs%2Fkit@3.4.0
- Cloudflare Adapter 원문: https://github.com/sveltejs/kit/releases/tag/@sveltejs%2Fadapter-cloudflare@9.0.0
- Auto Adapter 원문: https://github.com/sveltejs/kit/releases/tag/@sveltejs%2Fadapter-auto@9.0.0
SvelteKit이 3.4.0을 공개하면서 여러 공식 Adapter도 함께 업데이트했다.
이번 릴리스에서 가장 큰 변화는 Cloudflare 배포 방식이다.
공식 Cloudflare Adapter 9.0.0에서 Cloudflare Pages 지원이 제거되고, Cloudflare Workers를 중심으로 배포 구조가 변경됐다.
따라서 기존 Cloudflare Pages 기반 SvelteKit 프로젝트가 새로운 Adapter로 업데이트하는 경우에는 배포 설정의 호환성을 확인해야 한다.
또한 SvelteKit 자체에서는 Adapter의 Preview Server를 교체할 수 있는 기능과 Remote Function의 추적 및 요청 검증이 개선됐다.
Cloudflare Pages에서 Workers로 전환
SvelteKit에서는 Adapter가 빌드 결과물을 실제 배포 플랫폼에 맞는 형식으로 변환한다.
예를 들어 다음 환경이 존재할 수 있다.
- Node.js 서버
- Vercel
- Cloudflare Pages
- Cloudflare Workers
기존에는 Cloudflare Pages를 대상으로 SvelteKit을 배포할 수 있었다.
하지만 새로운 @sveltejs/adapter-cloudflare 9.0.0에서는 Pages 지원이 제거됐다.
또한 @sveltejs/adapter-auto 9.0.0은 Cloudflare 환경을 인식했을 때 Workers를 자동 배포 대상으로 선택하도록 변경됐다.
따라서 실제 배포 대상이 기존 Pages라고 가정한 프로젝트에서는 빌드 결과물과 설정을 확인해야 한다.
이러한 변경은 단순한 Adapter 내부 리팩터링이 아니다.
기존에 지원하던 배포 플랫폼을 제거하는 Breaking Change다.
worker 옵션
새로운 Cloudflare Adapter에서는 Worker 빌드 여부를 다음 옵션으로 제어한다.
worker
이 설정은 실제 Worker를 빌드할지 결정하는 데 사용된다.
예를 들어 정적 파일만 제공하는 구성과 서버 실행 코드가 필요한 구성에서는 필요한 빌드 결과가 달라질 수 있다.
개발자는 프로젝트의 배포 구조에 맞춰 해당 옵션을 설정할 수 있다.
다만 이 옵션을 사용한다는 사실만으로 기존 Cloudflare Pages 배포가 계속 지원되는 것은 아니다.
실제 새로운 Adapter의 지원 대상은 Workers다.
Wrangler 설정 자동 처리
이번 Adapter는 Wrangler의 다음 설정을 자동으로 관리하도록 변경됐다.
main
main은 실제 Worker의 진입점과 관련된다.
기존에는 개발자가 해당 값을 직접 관리해야 하는 상황이 존재할 수 있었다.
새로운 Adapter에서는 생성한 Worker의 진입점을 바탕으로 관련 설정을 구성하도록 변경됐다.
따라서 기존에 수동으로 main을 지정한 프로젝트에서는 Adapter가 생성한 설정과 충돌하지 않는지 확인할 필요가 있다.
fallback 옵션 제거
기존 Cloudflare Adapter의 다음 옵션도 제거됐다.
fallback
이후에는 Wrangler의 다음 설정을 사용해야 한다.
assets.not_found_handling
이 설정은 요청한 정적 파일이 존재하지 않을 때 실제 응답을 어떻게 처리할지 결정하는 데 사용된다.
예를 들어 SPA에서 클라이언트 라우팅을 사용한다고 가정해 보자.
사용자는 다음 경로에 직접 접근할 수 있다.
/dashboard/settings
하지만 실제 Storage에는 해당 경로와 같은 이름의 HTML 파일이 존재하지 않을 수 있다.
이때 요청을 어떤 방식으로 처리할지 결정해야 한다.
새로운 Adapter에서는 해당 동작을 Wrangler의 자산 처리 설정과 연결한다.
따라서 이전 Adapter의 fallback 옵션을 그대로 유지하면 새로운 버전에서는 오류가 발생할 수 있다.
paths.assets 제한
이번 버전에서는 다음 SvelteKit 설정도 제한한다.
paths.assets
공식 릴리스는 해당 설정을 사용할 경우 오류를 발생시키도록 변경했다고 설명한다.
이유는 Cloudflare의 workerd 기반 Preview에서 해당 자산 경로를 올바르게 제공할 수 없기 때문이다.
따라서 기존에 정적 자산의 Base URL을 별도로 지정해 사용하던 프로젝트에서는 영향을 받을 수 있다.
새로운 배포 환경에서는 실제 자산을 어떻게 제공할지 다시 구성해야 할 수 있다.
Unbundled Deployment
Cloudflare Adapter 9.0.0에서는 Unbundled Deployment도 지원한다.
이는 모든 실행 코드를 하나의 Bundle로 결합하는 방식과 구분된다.
다만 Unbundled Deployment를 사용한다는 사실만으로 모든 프로젝트의 빌드 시간이 줄어드는 것은 아니다.
실제 Module Graph와 배포 플랫폼의 처리 방식에 따라 결과가 달라질 수 있다.
이번 릴리스에는 Unbundled Deployment의 성능을 수치로 비교한 Benchmark가 포함되지 않았다.
SvelteKit 3.4.0의 Preview Server 설정
SvelteKit 자체에도 새로운 기능이 추가됐다.
대표적인 설정은 다음과 같다.
vite.customPreview: true
이 옵션은 Adapter가 자체 Preview 구현을 제공할 때 사용할 수 있다.
기존에는 SvelteKit의 Node 기반 Preview Server가 실행될 수 있었다.
하지만 Cloudflare Workers처럼 다른 Runtime을 사용하는 환경에서는 실제 운영 환경과 로컬 Preview의 실행 조건이 다를 수 있다.
Adapter가 자체 Preview Server를 제공하는 경우에는 SvelteKit의 기본 Node Preview Server를 사용하지 않도록 설정할 수 있다.
이러한 방식은 실제 배포 환경에 가까운 Preview를 구성하는 데 도움이 될 수 있다.
하지만 모든 Adapter에서 해당 옵션을 활성화해야 한다는 의미는 아니다.
실제로 자체 Preview 구현을 제공하는 Adapter에서 필요한 기능이다.
Remote Function의 추적 정보
이번 SvelteKit 릴리스에서는 Remote Function의 추적 정보도 확대됐다.
새롭게 제공하는 Span Attribute는 다음과 같다.
sveltekit.remote.call.file
Remote Function은 클라이언트와 서버 사이의 함수 호출을 연결하는 기능이다.
예를 들어 클라이언트에서 특정 서버 함수를 호출한다고 가정해 보자.
서버는 해당 함수의 실행과 데이터 처리를 담당한다.
하지만 실제 서비스에서는 어떤 파일의 Remote Function이 호출됐는지 추적해야 할 수 있다.
새로운 Attribute는 해당 함수의 소스 파일 정보를 Trace에 포함하도록 한다.
따라서 여러 Remote Function이 존재하는 서비스에서 실행 경로를 분석하는 데 도움이 될 수 있다.
다만 Attribute가 추가됐다는 사실만으로 실제 응답 시간이 감소하는 것은 아니다.
이는 Observability의 개선이다.
잘못된 HTTP Method 거부
이번 패치에는 보안 및 요청 처리의 정확성과 관련된 수정도 포함됐다.
대표적인 변경은 다음과 같다.
reject remote function requests that use the wrong HTTP method
Remote Function은 특정한 HTTP 요청 방식과 연결될 수 있다.
하지만 실제 클라이언트가 다른 HTTP Method로 요청할 가능성이 존재한다.
이번 변경에서는 기대한 Method와 일치하지 않는 Remote Function 요청을 거부하도록 수정했다.
이렇게 하면 해당 함수의 실행 조건을 더 명확하게 적용할 수 있다.
다만 이번 수정이 모든 종류의 CSRF와 인증 및 인가 문제를 자동으로 해결한다는 의미는 아니다.
실제 사용자 권한 검증은 여전히 애플리케이션에서 수행해야 한다.
TypeScript 7과 개발 환경 수정
추가로 다음 문제가 수정됐다.
- TypeScript 7에서 필요한 Compiler API가 없을 때 명확한 오류 출력
- URL의 Query String 또는 Fragment와 Route Group의 처리 오류
- 개발 서버에서 비ASCII 문자 오류 메시지 표시
NO_COLOR와FORCE_COLOR환경 변수 적용
특히 TypeScript 7 관련 변경은 호환성 안내를 개선한 것이다.
이번 수정만으로 SvelteKit의 모든 TypeScript Compiler API 의존성이 사라졌다고 해석해서는 안 된다.
적용 범위와 한계
이번 릴리스의 주요 변경은 다음과 같다.
| 구성요소 | 주요 변경 |
|---|---|
| SvelteKit 3.4.0 | Custom Preview, Remote Function 추적 및 요청 검증 |
| adapter-cloudflare 9.0.0 | Pages 지원 제거, Workers 중심 배포 |
| adapter-auto 9.0.0 | Cloudflare 자동 배포 대상을 Workers로 변경 |
| adapter-node 6.0.5 | 공통 adapter-server 기반으로 내부 구조 변경 |
이번 발표에는 빌드 시간이나 서버 응답 속도, 메모리 사용량에 관한 독립적인 Benchmark가 포함되지 않았다.
새로운 버전의 가장 중요한 변화는 성능 수치보다 배포 환경의 호환성이다.
특히 기존 Cloudflare Pages 기반 SvelteKit 프로젝트에서는 Adapter의 메이저 버전 변경을 일반적인 패치 업데이트처럼 취급해서는 안 된다.
이번 조사 범위에서 React, Next.js, Vercel의 프레임워크 기능, Vue, Nuxt, Angular, Astro, Remix의 이외에 포함할 만한 주요 신규 안정 버전은 확인하지 못했습니다.
React와 Next.js의 개발 브랜치 및 Canary 변경은 실제 안정 기능의 출시와 구분했다.
이전 브리핑에서 다룬 Next.js 16.5 계열의 Turbopack Garbage Collection과 Manifest 압축, Angular 22.3 RC, Astro 7.4 계열 패치도 반복하지 않았다.
2️⃣ 웹 플랫폼·브라우저
이번 조사 범위에서 포함할 만한 주요 신규 발표를 확인하지 못했습니다.
W3C, WHATWG, TC39, MDN, Chrome·Chromium, Firefox·Mozilla, WebKit·Safari의 공식 자료와 JavaScript·TypeScript·CSS, 웹 성능 및 접근성 관련 발표를 확인했다.
이번 기간에 새로운 주요 웹 표준이 정식 채택됐거나 주요 브라우저의 안정 버전에서 새로운 API가 기본 제공되기 시작했다는 중요한 발표는 확인하지 못했다.
Safari Technology Preview 257의 공식 릴리스도 확인했다.
- 공식 게시일: 2026-11-18
- 원문: https://webkit.org/blog/18652/release-notes-for-safari-technology-preview-257/
이번 Preview에는 @scope와 CSS Animation, View Transition, Form Control 관련 수정이 포함됐다.
대표적으로 다음 문제가 수정됐다.
insertRule()로@scope규칙을 추가할 때 동작하지 않던 문제content-visibility: hidden과 View Transition의 상호작용 문제ViewTimeline변경 이후 Animation이 갱신되지 않던 문제backdrop-filter관련 Animation 오류
하지만 공식 게시 날짜는 11월 18일이며 정확한 시각을 확인하지 못했다.
또한 Technology Preview는 일반 Safari 안정 버전과 다른 배포 채널이다.
따라서 이번 기간의 중요한 신규 안정 기능으로 선정하지 않았다.
지난 브리핑에서 소개한 Firefox 160의 WebTransport 변경과 WebKit Global Privacy Control API도 반복하지 않았다.
3️⃣ 백엔드·인프라
Google BigQuery AI Index Preview 공개 — Embedding을 직접 관리하지 않고 SQL로 의미 검색
- 발표일: 2026-11-19 — 정확한 게시 시각 미확인
- 발표 주체: Google Cloud
- 안정화 단계: Preview
- 적용 대상: BigQuery Standard Table, AI.SEARCH
- 신규 기능: CREATE AI INDEX, AUTO COLUMNS, 자동 Index 유지보수
- 최대 Index Column: 50개
- 공식 발표: https://docs.cloud.google.com/release-notes/
- 상세 공식 문서: https://docs.cloud.google.com/bigquery/docs/ai-index
Google Cloud가 BigQuery에서 AI Index를 생성하는 기능을 Preview로 공개했다.
이번 기능은 이미 존재하던 AI.SEARCH()를 확장한다.
기존에도 BigQuery에서 자연어 기반 검색을 구현할 수 있었지만, 데이터에 대한 Embedding 생성과 Index 구성을 직접 관리해야 하는 경우가 있었다.
새로운 AI Index는 이러한 작업 가운데 일부를 BigQuery가 자동으로 수행하도록 한다.
특히 기존 관계형 데이터에 자연어 검색을 추가하는 서비스에서 활용할 수 있다.
기존 Keyword Search의 한계
예를 들어 다음 상품 데이터가 있다고 가정해 보자.
| id | name | description |
|---|---|---|
| 1 | 트레일 러닝화 | 방수 소재와 미끄럼 방지 밑창 |
| 2 | 일반 운동화 | 가벼운 일상용 운동화 |
사용자가 다음과 같이 검색한다.
비 오는 날 산에서 신기 좋은 신발
실제 상품 설명에는 정확히 같은 문장이 존재하지 않는다.
하지만 첫 번째 상품이 의미상 더 관련돼 있다.
일반적인 SQL 문자열 검색에서는 LIKE 등의 조건을 사용할 수 있다.
하지만 단어가 정확히 일치하지 않는 경우 관련 데이터를 찾기 어려울 수 있다.
의미 검색에서는 문장 전체의 의미적 유사성을 고려할 수 있다.
CREATE AI INDEX
이번 기능에서는 다음 SQL을 사용할 수 있다.
CREATE AI INDEX products_ai_index
ON mydataset.products(AUTO COLUMNS);
AUTO COLUMNS는 BigQuery가 Index를 생성할 Column을 자동으로 선택하도록 한다.
따라서 개발자가 모든 Column의 Embedding을 직접 생성할 필요가 줄어든다.
BigQuery는 해당 Table의 Schema를 분석한다.
이후 Index에 사용할 수 있는 Column을 선택한다.
하지만 모든 데이터 타입이 지원되는 것은 아니다.
현재는 최상위 수준의 반복되지 않는 STRING Column만 지원한다.
예를 들어 다음 타입은 직접 Index 대상으로 사용할 수 없다.
- ARRAY
- STRUCT
- JSON
- 중첩 필드
- 숫자형 Column
따라서 데이터베이스의 모든 정보를 자동으로 의미 검색할 수 있다고 판단해서는 안 된다.
AUTO COLUMNS의 동작
BigQuery는 최대 50개의 Column을 Index에 포함할 수 있다.
예를 들어 상품 Table에 다음 정보가 있다고 가정해 보자.
- name
- description
- category
- review
- seller_name
AUTO COLUMNS를 사용하면 해당 Column 가운데 적합한 값을 선택할 수 있다.
하지만 실제로 어떤 Column이 선택됐는지는 확인해야 한다.
대표적인 View는 다음과 같다.
INFORMATION_SCHEMA.AI_INDEX_COLUMNS
이를 이용하면 실제 Index에 포함된 Column을 확인할 수 있다.
또한 AUTO COLUMNS는 Index 생성 시점에 Column을 선택한다.
이후 새로운 Column이 Table에 추가되더라도 자동으로 Index에 포함되지 않는다.
새로운 Column을 포함하려면 기존 Index를 삭제하고 다시 생성해야 한다.
AI.SEARCH와 연결
Index를 생성한 뒤에는 다음 함수를 사용할 수 있다.
AI.SEARCH()
대표적인 형태는 다음과 같다.
SELECT
base.id,
base.name,
distance
FROM AI.SEARCH(
TABLE mydataset.products,
'비 오는 날 신을 수 있는 신발',
top_k => 5
)
ORDER BY distance;
이 Query는 자연어 질문과 관련된 상품을 찾는다.
중요한 점은 개발자가 Embedding Model과 Vector Index를 직접 연결하지 않아도 된다는 사실이다.
BigQuery가 Index의 생성과 유지보수 일부를 처리한다.
하지만 모든 Query에서 항상 Index를 사용하고, 완전한 최신 데이터를 반환한다고 보장되는 것은 아니다.
Index 생성과 최신성
이번 기능에는 중요한 제한사항이 존재한다.
AI.SEARCH는 AI Index가 실제로 처리한 행만 검색한다.
예를 들어 새로운 상품을 Table에 추가했다고 가정해 보자.
해당 상품은 BigQuery Table에 존재한다.
하지만 아직 AI Index의 갱신이 완료되지 않았다.
이 경우 실제 자연어 검색 결과에는 해당 상품이 포함되지 않을 수 있다.
따라서 다음 View에서 Index의 진행 상태를 확인해야 한다.
INFORMATION_SCHEMA.AI_INDEXES
대표적인 필드는 다음과 같다.
- coverage_percentage
- unindexed_row_count
- total_logical_bytes
예를 들어 coverage_percentage가 80이라면 전체 데이터 가운데 일부가 아직 Index에 포함되지 않았을 수 있다.
따라서 실시간으로 완전한 데이터가 필요한 작업에서는 이러한 지연을 고려해야 한다.
Index 생성 제한
공식 문서의 주요 제한은 다음과 같다.
| 항목 | 제한 |
|---|---|
| Column | 최대 50개 |
| Table | 일반 BigQuery Table만 지원 |
| On-demand 프로젝트 | 생성 시 최대 100만 행 |
| BACKGROUND Reservation | 생성 시 최대 1억 행 |
| Table당 AI Index | 최대 1개 |
| 기존 Vector Index | 같은 Table에서 공존 불가 |
또한 다음 대상에는 AI Index를 생성할 수 없다.
- View
- Materialized View
- External Table
- BigLake Table
- Apache Iceberg Table
- Table Snapshot
따라서 이미 Vector Index를 사용하는 Table에 AI Index를 단순히 추가할 수 있는 것은 아니다.
두 방식을 비교한 뒤 실제 검색 구조를 선택해야 한다.
보안과 비용
AI Index를 생성하려면 적절한 BigQuery 권한이 필요하다.
대표적으로 다음 역할이 사용된다.
- BigQuery Data Owner
- BigQuery Data Viewer
- BigQuery Job User
또한 AI Index는 백그라운드 작업으로 생성되고 유지된다.
따라서 실제 Index 생성과 유지보수에 계산 비용이 발생할 수 있다.
공식 문서에서는 관련 작업의 비용을 INFORMATION_SCHEMA.JOBS에서 확인하는 방법을 제공한다.
이번 기능에는 다음 Benchmark가 포함되지 않았다.
- 일반 Vector Search 대비 검색 정확도
- Index 생성 시간
- 실제 검색 지연 시간
- Column 수에 따른 비용 변화
따라서 AI Index가 기존의 모든 Vector Search 방식보다 빠르거나 정확하다고 단정할 수 없다.
Embedding 생성과 Index 관리의 일부를 BigQuery에 맡기면서 기존 SQL 기반 애플리케이션에 자연어 검색을 추가할 수 있도록 한 Preview 기능이다.
AWS AppConfig, AI 모델 호출 설정과 Prompt를 코드 배포 없이 변경하도록 정식 지원
- 발표일: 2026-11-19 — 정확한 게시 시각 미확인
- 발표 주체: AWS
- 안정화 단계: 정식 기능
- 적용 대상: AWS AppConfig, 생성형 AI 애플리케이션 및 백엔드 서비스
- 신규 Configuration Profile: AI Model Invocation, AI Prompt
- 주요 기능: 모델 설정과 Prompt의 독립적인 버전 관리, 단계적 배포, 자동 Rollback
- 원문: https://aws.amazon.com/about-aws/whats-new/2026/11/aws-appconfig-native-ai-model-invocation-prompt-configurations/
AWS가 AppConfig에서 AI 애플리케이션의 모델 호출 설정과 Prompt를 직접 관리할 수 있도록 두 가지 Configuration Profile을 추가했다.
이번 변경은 새로운 AI 모델을 출시한 것이 아니다.
이미 존재하는 AI 애플리케이션에서 모델의 종류와 호출 옵션, Prompt를 배포 코드와 분리하도록 하는 기능이다.
특히 AI 기능을 포함한 웹서비스에서 운영 설정을 변경하는 방법에 영향을 줄 수 있다.
기존 모델 설정의 문제
예를 들어 고객지원 AI 챗봇을 운영한다고 가정해 보자.
서버에는 다음 설정이 존재한다.
- 모델 ID
- Temperature
- 최대 출력 Token
- System Prompt
- 예시 대화
개발자는 새로운 Prompt가 더 정확한 답변을 생성하는지 확인하고 싶다.
하지만 실제 Prompt가 소스코드에 포함돼 있다면 다음 작업이 필요할 수 있다.
- Prompt 수정
- Git Commit
- CI 실행
- 애플리케이션 배포
- 결과 확인
이러한 방식에서는 Prompt의 작은 변경도 전체 애플리케이션 배포와 연결될 수 있다.
또한 문제가 발생하면 이전 버전의 코드를 다시 배포해야 할 수 있다.
이번 기능은 모델 호출 설정을 코드와 분리해 관리하도록 한다.
AI Model Invocation Configuration
첫 번째 Profile은 모델 호출에 필요한 설정을 저장한다.
대표적인 정보는 다음과 같다.
- Model Identifier
- Temperature
- Maximum Tokens
- System Prompt
- 대화 예시
- Provider별 추가 옵션
예를 들어 기존 모델의 Temperature가 0.7이라고 가정해 보자.
개발자는 이를 0.3으로 변경할 수 있다.
이후 실제 애플리케이션 코드를 다시 배포하지 않고 새로운 설정을 적용할 수 있다.
하지만 Temperature를 낮췄다는 사실만으로 실제 모든 응답이 더 정확해지는 것은 아니다.
모델의 종류와 작업의 성격에 따라 결과가 달라질 수 있다.
또한 모델 제공업체마다 지원하는 설정이 다르다.
AWS는 Provider별 설정을 Custom Parameter로 관리하도록 한다.
따라서 공통 Schema를 사용하면서도 각 모델의 차이를 표현할 수 있다.
AI Prompt Configuration
두 번째 Profile은 Prompt를 별도의 버전으로 관리한다.
예를 들어 다음 System Prompt가 존재한다고 가정해 보자.
고객의 문의를 결제, 계정, 기술지원으로 분류하세요.
이후 새로운 분류 기준을 추가하고 싶을 수 있다.
기존 모델 호출 설정 전체를 변경하지 않고 Prompt만 새 버전으로 배포할 수 있다.
이러한 방식은 다음 두 변경을 구분하도록 한다.
- 모델 및 추론 옵션 변경
- Prompt의 내용 변경
따라서 문제가 발생했을 때 원인을 분석하기 쉬워질 수 있다.
하지만 Prompt를 별도로 관리한다는 사실만으로 모델의 출력이 항상 일정해지는 것은 아니다.
모델의 버전과 입력 데이터, 실행 설정에도 영향을 받는다.
단계적 배포
AWS AppConfig는 새로운 설정을 단계적으로 배포할 수 있다.
예를 들어 다음 비율을 사용할 수 있다.
- 10%
- 20%
- 30%
이러한 방식에서는 모든 애플리케이션에 새로운 Prompt를 한 번에 적용하지 않는다.
먼저 일부 대상에 적용한다.
이후 실제 오류율과 응답 시간, Token 사용량을 관찰할 수 있다.
문제가 없다면 적용 범위를 확대한다.
다만 실제 10%의 사용자에게 정확하게 같은 비율로 새 Prompt가 전달된다는 의미로 단순화해서는 안 된다.
배포 대상과 설정의 적용 방식은 실제 AppConfig의 Deployment 구조에 따라 달라질 수 있다.
자동 Rollback
이번 기능은 AppConfig의 기존 자동 Rollback 기능과 연결된다.
대표적인 모니터링 시스템은 다음과 같다.
- Amazon CloudWatch
- Datadog
- New Relic
예를 들어 새로운 Prompt를 적용한 뒤 오류율이 증가했다고 가정해 보자.
설정한 Alarm이 발생하면 AppConfig는 이전 설정으로 Rollback할 수 있다.
이렇게 하면 새로운 Prompt를 되돌리기 위해 전체 애플리케이션 코드를 다시 배포할 필요가 줄어든다.
하지만 중요한 한계가 존재한다.
모니터링 지표가 Prompt의 실제 품질을 완벽하게 나타내는 것은 아니다.
예를 들어 응답 시간과 오류율은 정상일 수 있다.
하지만 실제 고객지원 답변의 정확성이 낮아졌을 가능성이 있다.
따라서 자동 Rollback에는 적절한 운영 Metric과 별도의 품질 평가가 필요하다.
적용 범위와 한계
이번 기능은 AWS AppConfig가 제공되는 리전에서 사용할 수 있다.
AWS는 새로운 Profile 자체에 별도의 추가 요금이 없다고 설명한다.
하지만 실제 AppConfig 사용량과 모델 추론 비용은 별도로 발생할 수 있다.
또한 이번 발표에는 다음 정량적인 Benchmark가 포함되지 않았다.
- Prompt 변경 이후 응답 정확도
- AppConfig 설정 반영 시간
- Token 사용량 감소율
- 장애 복구 시간
이번 업데이트는 AI 모델의 호출 설정과 Prompt를 버전 관리하고 단계적으로 배포하며 운영 Metric에 따라 되돌릴 수 있도록 AppConfig의 Configuration 관리 범위를 확대한 기능이다.
Cloudflare Browser Run, 하나의 Snapshot에서 PDF·링크·구조화 데이터 동시 추출 지원
- 발표일: 2026-11-19 — 정확한 게시 시각 미확인
- 발표 주체: Cloudflare
- 안정화 단계: 정식 API 기능 확장
- 적용 대상: Browser Run, /snapshot, Workers Browser Binding
- 신규 출력 형식: pdf, links, scrape, json
- 주요 변경: 하나의 페이지 로딩으로 여러 종류의 결과 생성
- 원문: https://developers.cloudflare.com/changelog/post/2026-11-19-snapshot-all-formats/
Cloudflare가 Browser Run의 /snapshot API에서 지원하는 출력 형식을 확대했다.
기존에는 다음 결과를 하나의 Snapshot으로 가져올 수 있었다.
- HTML
- Screenshot
- Markdown
- Accessibility Tree
하지만 같은 페이지에서 PDF나 모든 링크, 특정 요소의 데이터까지 필요하다면 별도의 API 호출이 필요할 수 있었다.
이번 변경은 이러한 작업을 하나의 Snapshot 요청으로 처리하도록 한다.
기존 여러 번의 페이지 로딩
예를 들어 AI 에이전트가 기술 문서를 분석한다고 가정해 보자.
에이전트는 다음 데이터가 필요하다.
- 페이지의 PDF
- 페이지에 존재하는 링크
- 특정 문단의 텍스트
- 구조화된 요약 데이터
기존에는 관련 API를 각각 호출해야 할 수 있었다.
그러면 같은 URL을 여러 번 열어야 한다.
특히 JavaScript가 많은 웹사이트에서는 페이지의 로딩과 실행 비용이 커질 수 있다.
이번 기능에서는 하나의 페이지 로딩을 재사용해 여러 결과를 생성할 수 있다.
새로운 출력 형식
새롭게 추가된 형식은 다음과 같다.
| 형식 | 반환 데이터 |
|---|---|
| 페이지의 인쇄 결과 | |
| links | 페이지의 링크 목록 |
| scrape | 특정 Selector와 일치하는 요소 |
| json | Workers AI가 추출한 구조화 데이터 |
예를 들어 다음 API를 사용할 수 있다.
quickAction("snapshot", options)
Options에는 필요한 출력 형식 목록을 지정한다.
대표적인 설정은 다음과 같다.
formats: ["pdf", "links", "scrape"]
특정 요소를 추출하려면 다음 설정도 전달한다.
elements: [{ selector: "p" }]
이렇게 하면 실제 페이지의 문단 요소와 링크, PDF를 하나의 요청에서 생성할 수 있다.
단일 형식과 다중 형식의 구분
이번 기능에는 중요한 제한사항이 있다.
Snapshot은 서로 다른 형식을 최소 두 개 이상 요청해야 한다.
예를 들어 PDF만 필요한 경우에는 /snapshot을 사용할 필요가 없다.
대신 기존 /pdf API를 사용해야 한다.
같은 방식으로 링크만 필요한 경우에는 /links API를 사용할 수 있다.
따라서 모든 브라우저 자동화 API를 /snapshot 하나로 통합한 것은 아니다.
여러 결과가 필요한 경우에 사용할 수 있는 통합 API다.
JSON 추출
새로운 json 형식은 Workers AI를 이용한다.
예를 들어 쇼핑몰의 상품 페이지를 열었다고 가정해 보자.
다음 정보를 추출할 수 있다.
- 상품 이름
- 가격
- 재고 상태
개발자는 다음 설정을 사용할 수 있다.
- prompt
- response_format
- custom_ai
prompt 또는 response_format 가운데 하나 이상이 필요하다.
하지만 구조화된 JSON으로 반환됐다는 사실만으로 데이터가 정확하다는 의미는 아니다.
실제 AI 모델이 페이지를 잘못 해석할 가능성이 존재하기 때문이다.
따라서 중요한 가격이나 재고 데이터는 원본과 비교해야 할 수 있다.
또한 JSON 추출에는 Workers AI 사용량이 발생한다.
따라서 단순한 HTML 추출과 비용이 다를 수 있다.
출력 생성 순서
이번 기능에서 중요한 부분은 실제 출력 순서다.
Cloudflare는 요청의 formats 배열에 작성한 순서대로 모든 작업을 수행하지 않는다.
대신 정해진 순서로 결과를 생성한다.
특히 PDF는 마지막에 생성된다.
이유는 실제 인쇄 과정에서 페이지의 Print Handler가 실행될 수 있기 때문이다.
예를 들어 웹페이지에 다음 이벤트가 존재할 수 있다.
beforeprint
이 이벤트는 실제 인쇄 전 페이지의 Layout이나 DOM을 변경할 수 있다.
따라서 PDF를 먼저 생성하면 이후 HTML과 Link 추출 결과에도 영향을 줄 수 있다.
Cloudflare는 이를 고려해 PDF를 마지막에 처리한다.
하지만 실제 페이지는 시간이 지나면서 계속 변경될 수 있다.
따라서 같은 Snapshot 요청에서 생성한 여러 결과가 항상 완전히 동일한 순간의 DOM을 표현한다고 보장할 수는 없다.
일부 형식이 실패한 경우
이번 API는 여러 결과를 독립적인 성공 결과로 반환하지 않는다.
요청한 형식 가운데 하나라도 실패하면 전체 Snapshot 요청이 실패한다.
예를 들어 HTML과 PDF, JSON을 요청했다고 가정해 보자.
HTML과 PDF는 정상적으로 생성됐다.
하지만 JSON 추출이 실패했다.
이 경우 전체 Snapshot 요청은 실패할 수 있다.
따라서 실제 운영에서는 일부 결과만 필요하더라도 전체 요청을 다시 실행해야 할 가능성이 존재한다.
이러한 방식은 여러 결과를 같은 작업 단위로 관리하기 쉽지만, 개별 작업 실패에 영향을 받는다는 제한이 있다.
Timeout
JSON Snapshot에서는 하나의 Timeout Budget이 전체 작업에 적용된다.
기본값은 다음과 같다.
60초
최대값은 다음과 같다.
120초
이 시간에는 다음 작업이 포함된다.
- Navigation
- 페이지 Capture
- 재시도
- AI 추출
따라서 AI 추출에 120초를 전부 사용할 수 있는 것은 아니다.
실제 페이지를 로딩하는 데 오래 걸리면 AI 처리에 사용할 수 있는 시간이 줄어든다.
적용 범위와 한계
이번 발표에는 여러 API를 개별 호출하는 방식과 Snapshot을 비교한 정량적인 Benchmark가 포함되지 않았다.
따라서 실제 네트워크 요청 수나 실행 시간이 반드시 특정 비율만큼 감소한다고 단정할 수 없다.
특히 페이지의 상태가 자주 변경되는 환경에서는 여러 형식의 결과가 정확히 같은 상태를 표현하는지 확인해야 한다.
이번 업데이트는 브라우저 기반 문서 수집과 데이터 추출 작업에서 하나의 페이지 로딩을 이용해 여러 결과 형식을 생성하도록 API를 확장한 기능이다.
Cloudflare Workers·Pages, 과거 배포 버전의 기본 보관 기간 30일로 변경
- 발표일: 2026-11-19 — 정확한 게시 시각 미확인
- 발표 주체: Cloudflare
- 안정화 단계: 정식 플랫폼 보관 정책 변경
- 적용 대상: Cloudflare Workers Version, Cloudflare Pages Deployment
- 새 보관 기간: 30일
- 예외: 최근 100개 버전과 현재 배포 중인 버전 유지
- 원문: https://developers.cloudflare.com/changelog/post/2026-11-19-workers-pages-version-retention/
Cloudflare가 Workers와 Pages의 과거 배포 버전 보관 정책을 변경했다.
이번 업데이트는 새로운 배포 기능의 출시가 아니다.
실제로 사용하지 않는 과거 배포 버전을 언제 삭제할지 결정하는 정책의 변경이다.
특히 Preview URL을 장기간 유지하는 프로젝트와 이전 버전으로 Rollback하는 배포 프로세스에 영향을 줄 수 있다.
기존 과거 배포 버전
일반적인 웹 애플리케이션에서는 새로운 코드를 자주 배포한다.
예를 들어 다음 과정을 생각할 수 있다.
- 첫 번째 버전 배포
- 새로운 기능 추가
- 두 번째 버전 배포
- 오류 수정
- 세 번째 버전 배포
Cloudflare는 각 버전의 배포 정보를 관리한다.
따라서 실제 운영 중인 버전뿐 아니라 이전 버전의 정보를 확인할 수 있다.
하지만 배포 버전이 계속 증가하면 오래된 결과물이 많이 쌓일 수 있다.
이번 정책은 해당 버전의 보관 기간을 제한한다.
30일 보관 정책
새로운 기본 보관 기간은 다음과 같다.
30일
30일이 지난 배포 버전과 결과물은 삭제 대상이 된다.
하지만 모든 오래된 버전이 삭제되는 것은 아니다.
다음 두 조건은 예외다.
- 최근 100개 버전
- 현재 배포 중인 버전
따라서 예를 들어 하나의 Worker를 1년 동안 10번만 배포했다고 가정해 보자.
해당 10개 버전은 최근 100개에 포함된다.
따라서 단순히 30일이 지났다는 이유로 전부 삭제되는 것은 아니다.
반면 하루에 여러 번 배포하는 프로젝트에서는 오래된 버전이 최근 100개 범위를 벗어날 수 있다.
이 경우 30일이 지난 버전은 삭제될 수 있다.
현재 운영 서비스는 유지
이번 발표에서 가장 중요한 예외는 현재 배포 중인 버전이다.
Cloudflare는 다음 항목이 유지된다고 명시했다.
- 현재 실행 중인 Worker Version
- 현재 Pages Production Deployment
따라서 현재 운영 중인 버전이 30일보다 오래됐더라도 자동으로 삭제되지 않는다.
이는 중요한 차이다.
과거 배포 기록의 보관 기간이 30일이라는 사실과 실제 운영 중인 애플리케이션의 수명이 30일이라는 사실은 다르다.
이번 변경으로 운영 중인 Worker가 30일마다 자동 종료되는 것은 아니다.
과거 Preview URL의 만료
이번 정책에서는 실제 Preview URL에도 영향이 발생한다.
삭제된 Worker Version의 Version URL은 더 이상 작동하지 않는다.
여기에는 다음 옵션으로 지정한 Alias도 포함된다.
--preview-alias
Pages에서도 삭제된 Deployment의 Preview URL은 작동하지 않는다.
예를 들어 디자인 검토용 Preview URL을 외부 문서에 기록했다고 가정해 보자.
해당 URL이 오래된 배포 버전에 연결돼 있다면 향후 접근할 수 없게 될 수 있다.
따라서 오래 유지해야 하는 링크와 일시적인 배포 Preview를 구분해야 한다.
Worker Preview와 Version URL의 차이
Cloudflare는 다음 두 URL의 차이를 설명한다.
첫 번째는 Worker Preview URL이다.
이 URL은 해당 Preview의 최신 배포 결과를 제공한다.
두 번째는 특정 Worker Version URL이다.
이 URL은 특정 버전의 실행 결과와 연결된다.
중요한 점은 특정 Version URL이 실제 운영 Binding을 사용한다는 사실이다.
따라서 단순히 특정 과거 버전을 테스트하려고 Version URL을 사용하면 실제 운영 리소스에 접근할 가능성이 있다.
Cloudflare는 Branch와 Pull Request의 Preview에는 Worker Preview를 사용하도록 안내한다.
Rollback
이번 정책 변경 이후에도 이전 버전으로 Rollback할 수 있다.
하지만 Rollback 대상은 보관 중인 버전이어야 한다.
Workers는 최근 100개 버전으로 돌아갈 수 있다.
Pages는 삭제되지 않은 Production Deployment로 Rollback할 수 있다.
따라서 모든 과거 버전으로 무제한 Rollback할 수 있다는 의미는 아니다.
실제 배포 프로세스에서는 얼마나 오래된 버전까지 복구해야 하는지 고려해야 한다.
적용 범위와 한계
이번 변경은 배포 파일의 저장 정책과 버전 관리에 관한 것이다.
실제 Worker 요청의 실행 시간이나 Pages의 응답 속도를 개선하는 기능은 아니다.
공식 발표에는 Storage 비용 절감량이나 삭제 처리 시간의 Benchmark가 포함되지 않았다.
이번 업데이트는 오래된 배포 버전의 보관 범위를 제한하면서 현재 운영 중인 서비스와 최근 버전의 Rollback 가능성은 유지하도록 한 플랫폼 정책 변경이다.
Google Cloud Load Balancing, DENY_BY_DEFAULT 인가 정책 정식 출시
- 발표일: 2026-11-19 — 정확한 게시 시각 미확인
- 발표 주체: Google Cloud
- 안정화 단계: Generally Available
- 적용 대상: Regional External·Regional Internal·Cross-region Internal Application Load Balancer
- 신규 정책: DENY_BY_DEFAULT
- 공식 발표: https://docs.cloud.google.com/release-notes/
- 설정 문서: https://docs.cloud.google.com/load-balancing/docs/auth-policy/set-up-auth-policy-app-lb
Google Cloud가 Application Load Balancer의 Authorization Policy에서 DENY_BY_DEFAULT 동작을 정식 제공한다고 발표했다.
이번 기능은 일반적인 Firewall Rule을 하나 추가하는 업데이트와 다르다.
Load Balancer의 요청 인가 정책을 명시적으로 허용한 요청만 통과시키는 구조로 구성할 수 있도록 한다.
기본 허용과 기본 거부
예를 들어 내부 API가 있다고 가정해 보자.
해당 API에는 다음 경로가 존재한다.
- /health
- /users
- /admin
일부 경로는 특정 사용자나 서비스만 접근할 수 있어야 한다.
하지만 실제 인가 규칙을 작성하는 과정에서 특정 경로의 조건을 빠뜨릴 수 있다.
이 경우 명시적으로 차단하지 않은 요청이 허용될 가능성이 있다.
DENY_BY_DEFAULT는 반대 방식으로 동작한다.
기본적으로 모든 요청을 거부한다.
그리고 별도의 정책에서 명시적으로 허용한 요청만 통과시킨다.
ALLOW와 CUSTOM
이번 기능에서는 다음 정책을 함께 사용할 수 있다.
- ALLOW
- CUSTOM
예를 들어 특정 내부 서비스에서 발생한 요청만 허용하고 싶다고 가정해 보자.
관리자는 해당 조건을 ALLOW Policy로 구성할 수 있다.
그 밖의 요청은 기본적으로 거부된다.
또는 별도의 외부 인가 시스템과 연결하는 CUSTOM Policy를 사용할 수 있다.
하지만 모든 요청을 거부하는 정책을 먼저 추가한 뒤 허용 규칙을 올바르게 구성하지 않으면 정상적인 서비스 요청도 차단될 수 있다.
따라서 실제 정책 적용 과정에서는 정상 및 비정상 요청을 함께 검증해야 한다.
Forwarding Rule에 연결
새로운 정책은 Load Balancer의 Forwarding Rule에 연결한다.
따라서 요청이 실제 Backend에 도달하기 전에 인가 정책이 적용될 수 있다.
이는 애플리케이션 내부의 개별 API에서만 접근을 검증하는 방식과 다른 보안 계층을 제공한다.
하지만 Load Balancer의 정책이 존재한다는 사실만으로 애플리케이션의 모든 사용자 권한 검증이 필요 없어지는 것은 아니다.
예를 들어 같은 서비스에 접근할 수 있는 두 사용자가 있다고 가정해 보자.
사용자 A는 자신의 주문만 조회할 수 있다.
사용자 B도 자신의 주문만 조회할 수 있다.
이러한 데이터별 접근 권한은 실제 애플리케이션의 비즈니스 로직에서 검증해야 한다.
지원 범위
이번 기능은 다음 환경에서 정식 제공된다.
- Regional External Application Load Balancer
- Regional Internal Application Load Balancer
- Cross-region Internal Application Load Balancer
모든 Load Balancer 제품과 모든 네트워크 프로토콜에 동일하게 적용되는 기능은 아니다.
실제 지원하는 Policy 종류와 연결 위치를 확인해야 한다.
이번 발표에는 인가 정책을 적용한 뒤 요청 지연이 얼마나 증가하는지에 관한 Benchmark가 포함되지 않았다.
명시적으로 허용하지 않은 요청을 기본적으로 거부하도록 Application Load Balancer의 보안 정책을 구성할 수 있게 한 정식 기능이다.
4️⃣ 개발 도구 및 보안
Google Cloud Dataform·BigQuery Studio·Colab Enterprise의 Critical 취약점 공개 — CVE-2026-126054
- 보안 권고 공개일: 2026-11-19 — 정확한 게시 시각 미확인
- 실제 수정일: 2026-10-10
- 발표 주체: Google Cloud
- 보안 권고: GCP-2026-084
- 취약점: CVE-2026-126054
- 심각도: Critical
- 적용 대상: Dataform, BigQuery Studio, Colab Enterprise
- 원문: https://docs.cloud.google.com/bigquery/docs/security-bulletins
Google Cloud가 Dataform과 BigQuery Studio, Colab Enterprise에서 발견된 중요한 취약점을 공개했다.
이번 발표에서는 실제 보안 권고의 게시일과 수정일을 구분해야 한다.
보안 권고는 11월 19일 공개됐지만, Google Cloud는 이미 10월 10일에 해당 취약점을 수정했다고 명시했다.
따라서 이번 발표를 11월 19일에 처음 패치가 배포된 것으로 소개해서는 안 된다.
취약점의 발생 위치
공식 권고에 따르면 문제는 다음 영역에서 발견됐다.
- Workspace Directory 처리
- Git Integration
Dataform과 BigQuery Studio에서는 SQL Script와 관련 파일을 관리할 수 있다.
일부 기능은 Git Repository와 연결된다.
예를 들어 여러 개발자가 데이터 분석 코드를 협업한다고 가정해 보자.
개발자는 Workspace에 파일을 생성한다.
이후 Git Repository에 변경 사항을 저장한다.
이 과정에서는 사용자가 요청한 파일 경로가 실제 허용된 Directory 안에 존재하는지 검증해야 한다.
문제는 해당 경로의 처리 방식에 있었다.
Path Traversal
이번 취약점의 종류는 Path Traversal이다.
Path Traversal은 사용자가 전달한 경로를 처리하는 과정에서 원래 허용된 Directory 밖에 접근할 수 있는 문제다.
예를 들어 프로그램이 다음 Directory 안의 파일만 접근하도록 설계됐다고 가정해 보자.
/workspace/project-a
하지만 실제 입력 경로를 검증하지 못하면 다른 Directory의 파일에 접근할 가능성이 있다.
이러한 문제는 단순히 잘못된 파일 이름을 읽는 수준에서 끝나지 않을 수 있다.
실제 파일을 생성하거나 변경할 수 있는 권한이 연결돼 있다면 영향이 커진다.
실제 영향
Google Cloud의 보안 권고는 인증된 원격 공격자가 다음 작업을 수행할 가능성이 있었다고 설명한다.
- Private File 읽기
- 다른 Tenant Repository에 임의 파일 생성
특히 두 번째 영향은 중요하다.
단순히 자신의 Workspace에 존재하는 파일을 변경하는 문제가 아니다.
Tenant 사이의 격리 경계를 넘어 파일을 생성할 가능성이 있었다.
따라서 실제 데이터의 기밀성과 무결성에 영향을 줄 수 있는 취약점이다.
인증 조건
공식 권고는 공격자가 인증된 상태여야 한다고 설명한다.
따라서 인증되지 않은 모든 외부 사용자가 같은 방식으로 공격할 수 있다고 단정해서는 안 된다.
하지만 인증이 필요하다는 사실만으로 영향이 작다고 판단할 수는 없다.
실제 공격자가 낮은 권한의 계정을 확보한 뒤 다른 Tenant의 데이터에 접근할 가능성이 존재하기 때문이다.
수정 상태
Google Cloud는 다음 날짜에 취약점을 수정했다고 명시했다.
2026-10-10
또한 공식 권고에서는 다음과 같이 안내한다.
No customer action is required.
따라서 현재 Google Cloud가 제공하는 해당 관리형 서비스에 대해 별도의 고객 측 패치 작업은 필요하지 않다고 설명한다.
이는 고객이 직접 서버에 설치한 소프트웨어의 취약점 수정과 다르다.
관리형 서비스의 수정은 서비스 제공업체가 수행할 수 있다.
다만 이번 권고에서 실제 취약점이 어떤 기간 동안 악용됐는지에 관한 정보는 확인되지 않았다.
적용 범위와 한계
이번 공개 자료에는 다음 정보가 포함되지 않았다.
- 실제 공격 코드
- 취약점의 상세 재현 절차
- 악용된 고객 수
- 실제 데이터 유출 발생 여부
- 공격 탐지율
따라서 Critical이라는 분류만으로 실제 악용이 확인됐다고 단정할 수 없다.
이번 발표는 관리형 데이터 개발 환경에서 발생할 수 있었던 Tenant 간 파일 접근 취약점에 관한 보안 권고를 공개하고, 이미 적용한 수정 사항을 확인한 것이다.
GitHub Actions, RHEL 9·10 Runner Image 정식 출시 — 운영 환경과 같은 OS에서 CI 실행
- 발표일: 2026-11-19 — 정확한 게시 시각 미확인
- 발표 주체: GitHub
- 안정화 단계: Generally Available
- 적용 대상: GitHub-hosted Larger Runner
- 지원 이미지: Red Hat Enterprise Linux 9, 10
- 지원 요금제: GitHub Team, GitHub Enterprise Cloud
- 원문: https://github.blog/changelog/2026-11-19-red-hat-enterprise-linux-runner-images-now-generally-available/
GitHub가 RHEL 9와 RHEL 10 기반 Runner Image를 정식 제공한다고 발표했다.
이번 기능은 2026년 6월 Public Preview로 처음 공개됐다.
11월 19일은 해당 기능의 정식 안정화 날짜다.
따라서 이번 발표를 RHEL Runner의 최초 도입으로 취급해서는 안 된다.
실제 운영 환경과 CI의 차이
예를 들어 백엔드 서비스가 있다고 가정해 보자.
개발자는 GitHub Actions에서 다음 환경을 사용한다.
ubuntu-latest
하지만 실제 운영 서버는 RHEL 9를 사용한다.
이 경우 CI와 운영 환경은 서로 다른 Linux Distribution을 사용한다.
따라서 다음 요소가 달라질 수 있다.
- 시스템 라이브러리
- 패키지 버전
- OpenSSL
- 기본 설정
- 운영체제별 의존성
이러한 차이는 실제 배포 이후에만 발생하는 오류를 만들 수 있다.
예를 들어 특정 Native Module이 CI에서는 정상적으로 빌드됐지만 실제 운영 서버에서는 로딩되지 않을 수 있다.
RHEL Runner를 사용하면 CI에서 실제 운영 환경과 같은 OS 계열을 사용할 수 있다.
하지만 같은 OS를 사용한다는 사실만으로 모든 Runtime과 Library의 버전이 완전히 같아지는 것은 아니다.
실제 이미지의 구성과 설치한 의존성도 확인해야 한다.
Larger Runner에서 사용
이번 이미지는 GitHub-hosted Larger Runner에서 제공된다.
개발자는 새로운 Linux x64 Larger Runner를 생성한다.
이후 Partner Image에서 RHEL 9 또는 RHEL 10을 선택할 수 있다.
따라서 일반적인 모든 GitHub Actions Runner에 새로운 RHEL Label이 자동으로 추가된 것은 아니다.
실제 Larger Runner를 사용할 수 있는 요금제와 계정 권한이 필요하다.
Custom Image의 기반
이번 이미지들은 Custom Runner Image의 기반으로도 사용할 수 있다.
예를 들어 다음 의존성을 포함한 이미지를 만들 수 있다.
- 특정 Node.js 버전
- 시스템 라이브러리
- 데이터베이스 Client
- 테스트 도구
이렇게 하면 CI 실행마다 같은 패키지를 반복해서 설치하는 작업을 줄일 수 있다.
하지만 Custom Image를 사용한다면 이후 보안 패치와 패키지 버전 관리를 직접 고려해야 한다.
실제로 오래된 Custom Image를 계속 사용하면 보안 수정이 반영되지 않을 수 있다.
Preview 사용자의 호환성
기존 Public Preview에서 RHEL Runner를 사용하던 프로젝트는 별도의 마이그레이션이 필요하지 않다.
GitHub는 기존 Runner와 Workflow가 그대로 동작한다고 설명한다.
따라서 이번 GA 발표 때문에 기존 Workflow를 반드시 변경해야 하는 것은 아니다.
적용 범위와 한계
이번 기능은 GitHub Team과 Enterprise Cloud에서 사용할 수 있다.
또한 x64 Larger Runner에 한정된다.
공식 발표에는 RHEL Runner와 Ubuntu Runner의 빌드 시간이나 실행 비용을 비교한 Benchmark가 포함되지 않았다.
따라서 같은 OS를 사용하면 모든 CI 작업이 더 빨라진다고 판단해서는 안 된다.
이번 업데이트는 운영 환경과 CI 환경의 운영체제 차이를 줄이기 위해 RHEL 기반 Runner Image를 정식 지원한 GitHub Actions 기능이다.
GitHub Enterprise, Azure DevOps에서 작업을 중단하지 않고 Repository를 이전하는 Live Migration 정식 출시
- 발표일: 2026-11-19 — 정확한 게시 시각 미확인
- 발표 주체: GitHub
- 안정화 단계: Generally Available
- 적용 대상: Azure DevOps Services → GitHub Enterprise Cloud with Data Residency
- 주요 기능: 지속적인 변경 동기화, PR 이력 이전, Branch Policy 변환, 최종 Cutover
- 원문: https://github.blog/changelog/2026-11-19-enterprise-live-migrations-from-azure-devops-generally-available/
GitHub가 Azure DevOps Services에서 GitHub Enterprise Cloud로 Repository를 이전하는 Enterprise Live Migrations를 정식 출시했다.
기존 Repository 이전은 실제 개발을 일정 기간 중단해야 하는 경우가 있었다.
예를 들어 기존 Azure DevOps Repository를 복사한 뒤 개발자가 계속 Commit을 Push하면 새로운 GitHub Repository에는 해당 변경이 반영되지 않을 수 있다.
따라서 실제 이전 시점에 개발 작업을 중단하거나 이후 변경을 별도로 이전해야 할 수 있었다.
이번 Live Migration은 이러한 작업을 줄이기 위해 지속적인 동기화 구조를 제공한다.
지속적인 동기화
새로운 방식에서는 다음 순서로 이전할 수 있다.
- 기존 Azure DevOps Repository 확인
- GitHub로 초기 데이터 복사
- 이후 변경된 내용 지속 동기화
- 마이그레이션 상태 검증
- 실제 전환 시점 선택
- 최종 Cutover
중요한 점은 초기 복사가 완료된 이후에도 개발자가 Azure DevOps에서 계속 작업할 수 있다는 것이다.
GitHub는 관련 변경을 계속 동기화한다.
따라서 최종 전환 이전에 개발 작업을 장기간 중단할 필요를 줄일 수 있다.
하지만 최종 Cutover 과정에서도 별도의 전환 절차가 필요하다.
완전히 중단 시간이 없는 마이그레이션이라고 보장하는 것은 아니다.
이전하는 데이터
GitHub는 다음 이력을 동기화한다고 설명한다.
- Git Commit History
- Branch
- Tag
- Pull Request
- PR 제목과 설명
- Comment
- 사용자 이력
따라서 단순히 Git Repository의 최신 파일만 복사하는 작업과 다르다.
기존 개발 과정의 일부 Context도 함께 이전한다.
하지만 모든 Azure DevOps 서비스의 모든 데이터가 GitHub로 이동하는 것은 아니다.
Branch Policy의 변환
기존 Azure DevOps의 Branch Policy는 GitHub Ruleset으로 이전할 수 있다.
예를 들어 다음 정책을 생각할 수 있다.
- 특정 Branch에 직접 Push 제한
- Pull Request Review 요구
- CI 통과 요구
이러한 정책은 새로운 GitHub Repository에서도 유지해야 할 수 있다.
Live Migration은 일부 정책을 대응하는 GitHub Ruleset으로 변환한다.
하지만 두 플랫폼의 모든 정책이 완전히 같은 개념으로 표현된다는 의미는 아니다.
실제 이전한 Ruleset이 기존 접근 정책과 같은 수준의 제한을 제공하는지 확인해야 한다.
Azure Boards와 Pipelines
이번 기능에서 중요한 제한사항은 다음과 같다.
Azure Boards와 Azure Pipelines의 실제 데이터 및 정의는 Azure DevOps에 남는다.
Live Migration은 관련 연결을 새 GitHub Repository에 맞게 변경할 수 있다.
예를 들어 다음 구성을 생각할 수 있다.
- GitHub: 소스코드
- Azure Boards: 작업 관리
- Azure Pipelines: CI/CD
이러한 혼합 구조를 유지할 수 있다.
하지만 실제 Pipeline의 연결과 인증 정보, Trigger가 정상적으로 동작하는지 검증해야 한다.
적용 범위와 한계
이번 기능은 GitHub Enterprise Cloud with Data Residency를 대상으로 한다.
모든 개인 GitHub 계정이나 모든 Azure DevOps Server 설치 환경에 동일하게 제공되는 기능은 아니다.
공식 발표에는 실제 마이그레이션 시간이나 데이터 동기화 지연에 관한 Benchmark가 포함되지 않았다.
따라서 모든 Repository를 일정한 시간 안에 이전할 수 있다고 보장할 수 없다.
실제 Repository의 크기와 PR 이력, 네트워크 및 권한 설정에 따라 달라질 수 있다.
이번 업데이트는 Azure DevOps에서 GitHub로 이전하는 동안 기존 개발 작업을 계속 유지하면서 최종 전환 시점을 선택할 수 있도록 한 Enterprise 마이그레이션 기능의 정식 출시다.
Vercel Billing CLI 공개 — 청구서·예상 비용·Budget을 터미널에서 조회
- 발표일: 2026-11-19 — 정확한 게시 시각 미확인
- 발표 주체: Vercel
- 안정화 단계: 정식 CLI 기능
- 적용 대상: Vercel CLI, Billing 및 Usage 관리
- 필요 버전: 상세 청구 정보는 CLI 65.17.0 이상
- 주요 기능: 청구 정보 확인, Invoice 다운로드, 다음 청구액 추정, JSON 출력
- 원문: https://vercel.com/changelog/vercel-billing-cli-is-now-available
Vercel이 기존 Dashboard에서 관리하던 Billing 정보를 CLI에서도 조회할 수 있도록 기능을 확대했다.
이번 변경은 새로운 과금 정책의 도입이 아니다.
기존 청구 정보와 사용량 관리 기능을 명령줄 인터페이스로 통합한 것이다.
특히 여러 프로젝트를 관리하는 개발자와 자동화 Script에서 활용할 수 있다.
Billing Overview
새로운 명령은 다음과 같다.
vercel billing overview
이 명령으로 다음 정보를 확인할 수 있다.
- 현재 요금제
- Billing 상태
- 결제 주기
- 미결제 금액
- 기한이 지난 Invoice
특정 Team의 정보를 조회하려면 다음 옵션을 사용할 수 있다.
--scope
CLI 65.17.0 이상에서는 설정된 청구 주소와 세금 ID, Purchase Order 정보도 확인할 수 있다.
하지만 실제 조회할 수 있는 정보는 해당 계정의 Billing 권한에 영향을 받는다.
Invoice 조회
이번 기능에서는 다음 명령을 사용할 수 있다.
vercel billing invoices listvercel billing invoices inspectvercel billing invoices downloadvercel billing invoices upcoming
예를 들어 최근 세 개의 청구서를 조회할 수 있다.
vercel billing invoices list --limit 3
이후 특정 Invoice의 상세 정보를 확인하거나 PDF를 다운로드할 수 있다.
또한 다음 명령으로 다음 청구액을 확인할 수 있다.
vercel billing invoices upcoming
하지만 여기에는 중요한 제한사항이 있다.
Upcoming Invoice는 실제 확정 청구액이 아니라 예상 금액이다.
따라서 결제 기간이 종료되기 전까지 실제 사용량에 따라 변경될 수 있다.
또한 다음 청구액 추정 기능은 유효한 유료 구독이 필요하다.
JSON 출력
이번 기능은 CLI를 다른 프로그램과 연결하는 데 사용할 수 있다.
대표적인 옵션은 다음과 같다.
--json
예를 들어 다음 명령을 사용할 수 있다.
vercel billing overview --json
이렇게 하면 실제 Billing 정보를 구조화된 JSON으로 가져올 수 있다.
따라서 자동화 Script에서 필요한 값을 추출할 수 있다.
예를 들어 다음 작업을 생각할 수 있다.
- Billing 정보 조회
- JSON Parsing
- Budget과 사용량 비교
- 내부 모니터링에 결과 표시
다만 CLI가 JSON 출력을 제공한다는 사실만으로 실제 비용을 자동으로 차단하는 기능이 포함되는 것은 아니다.
실제 Budget 정책과 사용 중단 기능은 별도로 구성해야 한다.
기존 명령의 이름 변경
기존 명령도 billing 아래로 정리됐다.
| 기존 명령 | 새로운 명령 |
|---|---|
| vercel usage | vercel billing usage |
| vercel contract | vercel billing contract |
| vercel budgets | vercel billing budgets |
하지만 기존 명령은 Alias로 계속 동작한다.
따라서 이번 변경 때문에 기존 Script를 모두 즉시 수정해야 하는 것은 아니다.
적용 범위와 한계
Billing Overview와 과거 Invoice는 모든 요금제에서 접근할 수 있다.
다만 실제 Team의 Billing 권한이 필요하다.
Upcoming Invoice 추정은 유료 구독에 한정된다.
이번 발표에는 CLI 실행 속도나 비용 계산의 정확성에 관한 Benchmark가 포함되지 않았다.
이번 업데이트는 Vercel의 청구 및 사용량 정보를 Dashboard뿐 아니라 터미널과 자동화 Script에서도 확인할 수 있도록 관리 인터페이스를 확장한 기능이다.
이번 조사 범위에서 Node.js, Deno, Bun, Vite, webpack, Rollup, esbuild, Babel, Biome, ESLint, Prettier, npm, pnpm, Yarn, GitLab의 이외에 포함할 만한 주요 신규 안정 버전은 확인하지 못했습니다.
OWASP와 주요 공급망 보안 권고도 조사했다.
기존에 공개된 취약점이 데이터베이스에 새롭게 등록됐다는 사실만으로 새로운 보안 패치의 출시라고 판단하지 않았다.
또한 다음 항목은 이전 브리핑에서 이미 다뤘으므로 반복하지 않았다.
- Node.js 11월 보안 릴리스
- Vite 8.3.8
- Biome 2.6.8
- NGINX HTTP/2의 CVE-2026-123007
- Java4Shell 관련 Cloudflare WAF 규칙
- GitHub AI Scan의 일괄 실행 기능
- GitHub CLI의 Event Streams 지원
📚 추천 글
Why TypeScript 7 Made Angular Rethink Its Compiler — Angular가 TypeScript Compiler에 직접 의존하던 구조를 분리한 이유
- 저자: Shlomi Levi
- 매체: DEV Community
- 게시일: 2026-11-18
- 기술: Angular, TypeScript 7, Rust, Oxc, AST, Compiler Architecture
- 원문: https://dev.to/wizardnet972/why-typescript-7-made-angular-rethink-its-compiler-41ni
TypeScript 7의 Compiler 구현 변화가 Angular의 컴파일 구조에 어떤 영향을 주는지 분석한 기술 글이다.
이번 글은 Angular의 새로운 정식 컴파일러 출시 발표가 아니다.
현재 개발 중인 Angular Preprocessor의 구조를 분석하면서 기존 Angular Compiler와 어떤 차이가 있는지 설명한다.
특히 TypeScript 7의 Go 기반 Compiler가 기존 JavaScript Transformer API를 제공하지 않으면서 Angular가 기존 컴파일 방식을 그대로 유지하기 어려워졌다는 점을 자세히 다룬다.
기존 Angular Compiler
Angular의 기존 Compiler는 TypeScript Compiler API에 깊게 의존한다.
대표적인 처리 과정은 다음과 같다.
- TypeScript Source 분석
- Angular Decorator 확인
- Component Metadata 해석
- Template 분석
- Template Type Checking
- JavaScript 생성
예를 들어 다음 Angular Component가 있다고 가정해 보자.
@Component({
selector: 'app-user',
template: '<p>Hello {{ name }}</p>'
})
export class User {
name = 'Ada';
}
Angular는 @Component Decorator를 분석한다.
그리고 실제 Runtime에서 사용할 수 있는 정적 Component Definition으로 변환한다.
대표적인 내부 정보는 다음과 같다.
ɵcmp
이 정보는 실제 Component의 DOM 생성과 업데이트 방법을 설명한다.
기존 Angular Compiler는 TypeScript의 AST와 Transformer API를 이용해 이러한 작업을 수행했다.
TypeScript 7의 문제
TypeScript 7에서는 새로운 Go 기반 Compiler가 도입됐다.
하지만 기존 JavaScript 기반 TypeScript Compiler의 모든 API를 동일하게 제공하지 않는다.
특히 Angular가 사용하던 다음 API가 중요하다.
ts.Transformer
Angular는 기존 컴파일 과정에서 TypeScript의 Transform Pipeline에 직접 참여했다.
그러나 새로운 Compiler에서는 해당 Pipeline을 이전과 같은 방식으로 사용할 수 없다.
따라서 Angular는 기존 구조를 그대로 유지하기 어려워졌다.
문제는 단순히 Compiler가 JavaScript에서 Go로 변경됐다는 사실이 아니다.
Angular가 TypeScript의 내부 코드 생성 과정에 직접 의존하고 있었다는 사실이다.
새로운 ngp 구조
Angular는 새로운 Preprocessor인 ngp를 개발하고 있다.
이번 구조에서는 두 단계가 중요하다.
첫 번째는 Rust Frontend다.
두 번째는 TypeScript Backend다.
Rust Frontend는 Oxc를 사용한다.
Oxc는 JavaScript와 TypeScript를 Parsing하고 AST를 분석할 수 있는 Rust 기반 도구다.
하지만 Oxc가 Angular의 Template을 직접 컴파일하는 것은 아니다.
Oxc는 실제 코드를 분석하기 위한 일반적인 도구 역할을 수행한다.
Angular의 Template과 Directive, Dependency를 해석하는 책임은 Angular에 남아 있다.
Rust Frontend
새로운 Frontend는 다음 작업을 수행한다.
- TypeScript Parsing
- AST 분석
- Decorator 식별
- Symbol Binding 확인
- Angular Metadata 분석을 위한 작업 생성
예를 들어 다음 Import가 있다고 가정해 보자.
import { Component as Cmp } from '@angular/core';
@Cmp({
selector: 'app-user',
template: '...'
})
export class User {}
단순히 코드에서 Component라는 문자열만 검색하면 해당 Decorator를 발견하지 못할 수 있다.
실제 이름은 Cmp이기 때문이다.
반대로 이름이 Component인 다른 함수가 존재할 수도 있다.
따라서 실제 Symbol이 어떤 Module에서 Import됐는지 확인해야 한다.
Oxc의 Semantic Analysis는 이러한 관계를 분석하는 데 사용할 수 있다.
하지만 해당 Symbol이 실제 Angular Component Decorator인지 판단하는 것은 Angular의 책임이다.
기존 Template Compiler 유지
새로운 구조에서 중요한 점은 다음과 같다.
Angular의 Template Compiler를 모두 Rust로 다시 작성하는 것은 아니다.
Template Compiler는 여전히 TypeScript로 구현돼 있다.
Rust Frontend가 분석한 결과를 바탕으로 Angular의 기존 Template Compiler가 실제 Runtime 코드를 생성한다.
따라서 Angular의 Template Compiler가 가진 기존 기능과 지식을 재사용할 수 있다.
저자는 이를 완전한 Rust Compiler가 아니라 Hybrid Architecture라고 설명한다.
출력 파일의 분리
새로운 구조에서는 컴파일 결과를 별도의 TypeScript 파일로 생성할 수 있다.
대표적으로 다음과 같다.
- user.ng.ts
- user.ngtypecheck.ts
첫 번째 파일은 실제 Runtime에서 사용할 코드를 포함한다.
두 번째 파일은 Template의 타입 검사를 위한 코드를 포함한다.
예를 들어 Template에 다음 표현이 있다고 가정해 보자.
{{ name.toFixed(2) }}
하지만 name은 String이다.
String에는 Number의 toFixed() 메서드가 존재하지 않는다.
Angular는 Template Type Checking을 위한 TypeScript 코드를 생성한다.
이후 TypeScript Checker는 해당 오류를 발견할 수 있다.
즉 실제 Runtime 코드를 생성하는 작업과 Template의 타입을 확인하는 작업을 분리한다.
Type Check Block
Angular에서는 이미 Type Check Block이라는 개념을 사용하고 있었다.
이를 TCB라고 한다.
TCB는 Template의 표현식을 TypeScript가 검사할 수 있는 코드로 변환하는 방식이다.
따라서 이번 구조에서 TCB라는 개념이 처음 등장한 것은 아니다.
변경되는 것은 실제 TCB를 어디에서 생성하고 다른 도구에 어떻게 전달하는지다.
기존 ngc에서는 TypeScript Program 안에서 관련 코드를 관리했다.
반면 새로운 ngp에서는 독립적인 출력 파일을 생성할 수 있다.
이렇게 하면 외부 TypeScript Checker가 해당 파일을 검사할 수 있다.
Toolchain의 분리
새로운 구조에서는 각 도구의 책임이 명확해진다.
| 구성요소 | 역할 |
|---|---|
| Oxc | Parsing과 Semantic Analysis |
| Angular ng-analyze | Angular Metadata 분석 |
| Angular Template Compiler | Runtime 코드 생성 |
| TypeScript Checker | 타입 검사 |
| esbuild·Rolldown | JavaScript 생성과 Bundling |
이렇게 하면 TypeScript의 특정 Compiler 내부 API에 대한 의존성을 줄일 수 있다.
하지만 여러 도구 사이에 전달하는 중간 파일과 Metadata를 관리해야 한다는 새로운 비용도 발생한다.
따라서 Compiler를 분리하는 방식이 항상 더 단순하다고 판단할 수는 없다.
성능과 안정화 단계
새로운 Rust Frontend는 여러 파일을 병렬로 분석할 수 있다.
따라서 대규모 Angular 프로젝트에서 분석 속도를 개선할 가능성이 있다.
일부 초기 개발 자료에서는 기존 Compiler 대비 수 배의 개선을 언급한다.
하지만 이번 글에서 동일한 환경으로 수행한 독립적인 Benchmark는 제공되지 않았다.
또한 ngp는 기존 Angular Compiler 전체를 대체한 정식 안정 기능으로 취급해서는 안 된다.
현재 개발 중인 구조와 기존 컴파일러의 차이를 분석하는 자료다.
설계상의 트레이드오프
이번 구조의 가장 큰 장점은 Compiler의 책임을 분리한다는 점이다.
TypeScript의 Compiler 구현이 변경되더라도 Angular의 Template Compiler 전체를 같은 방식으로 변경하지 않아도 될 가능성이 있다.
하지만 다음 비용도 존재한다.
- Rust와 TypeScript 사이의 데이터 전달
- Compiler 중간 결과 관리
- Native Binary 배포
- WebAssembly Fallback
- 여러 Type Checker와의 호환성
따라서 실제 개발 경험과 유지보수 비용은 이후 구현의 안정화에 따라 달라질 수 있다.
이번 글은 대규모 프레임워크가 특정 Compiler의 내부 API에 깊게 의존할 때 새로운 언어 구현과 Compiler 아키텍처의 변화가 어떻게 프레임워크 전체의 구조 변경으로 이어지는지 설명하는 심층 자료다.
Build a Claude Code Harness with Hooks and Tests — AI 코딩 에이전트의 작업 완료를 문서가 아니라 실행 가능한 검증으로 판단
- 저자: Muhammed Ali
- 매체: LogRocket Blog
- 게시일: 2026-11-19
- 기술: Next.js, React, TypeScript, Claude Code, Agent Harness, Hooks, CI, 접근성 및 다국어 테스트
- 원문: https://blog.logrocket.com/build-claude-code-harness-hooks-and-tests/
AI 코딩 에이전트가 장기간 개발 작업을 수행할 때 필요한 작업 계획과 지침, 자동 검사 및 최종 승인 절차를 하나의 Harness로 구성하는 방법을 설명한 글이다.
이번 자료는 단순히 CLAUDE.md를 잘 작성하는 방법을 소개하지 않는다.
실제로 Agent Hook과 테스트 Script를 작성해 에이전트가 작업을 완료했다고 보고하기 전에 필요한 조건을 검증하도록 만드는 구조를 설명한다.
특히 Next.js와 TypeScript로 작성한 다국어 Dashboard를 예제로 사용한다.
예제 프로젝트
저자가 가정한 프로젝트는 다음과 같다.
- Next.js
- TypeScript
- Tailwind CSS
- 약 30개 Route
- 약 120개 Component
- 네 개 Locale
지원하는 언어는 다음과 같다.
- 영어
- 독일어
- 프랑스어
- 아랍어
이러한 프로젝트에서는 다음 문제가 발생할 수 있다.
- 일부 UI 문자열이 번역되지 않음
- 특정 Route의 Locale 경로 누락
- 아랍어 RTL Layout 오류
- Toast에 Hardcoded English 남음
- Metadata의 번역 누락
문제는 실제 컴파일이 성공하더라도 이러한 오류가 존재할 수 있다는 점이다.
따라서 TypeScript Build만으로 전체 작업의 완료를 판단하기 어렵다.
일곱 계층의 Harness
저자는 다음 일곱 계층을 정의한다.
| 계층 | 역할 |
|---|---|
| Plan | 작업 요구사항과 단계 기록 |
| Context | 에이전트의 작업 범위와 규칙 |
| Formatting | 코드 변경 이후 자동 정리 |
| Edit Control | 보호해야 하는 파일의 변경 제한 |
| Verification | 단계별 테스트 |
| Review | 작업 종료 전 검사 |
| Acceptance | 사람의 최종 검토와 CI |
중요한 점은 일곱 계층이 모두 같은 역할을 수행하지 않는다는 것이다.
예를 들어 작업 지침은 모델에게 어떤 행동을 해야 하는지 설명한다.
하지만 자동 테스트는 실제 결과가 조건을 만족하는지 확인한다.
따라서 문서와 검증 Script를 분리한다.
Plan과 Progress
저자는 다음 파일을 사용한다.
harness/plan.md
이 파일에는 실제 작업의 목표와 Milestone을 기록한다.
예를 들어 다음 세 단계가 존재할 수 있다.
- M1: 번역 데이터와 구조
- M2: Component의 다국어 처리
- M3: 전체 Route 및 접근성 검증
그리고 실제 진행 상태를 별도 파일에 기록한다.
이렇게 하면 AI 에이전트의 대화 Context가 변경되더라도 프로젝트의 현재 진행 상태를 확인할 수 있다.
하지만 단순히 Plan 파일이 존재한다는 사실만으로 실제 작업이 해당 순서대로 수행된다고 보장할 수는 없다.
따라서 각 단계의 완료 조건을 별도로 정의해야 한다.
CLAUDE.md
이번 구조에서는 CLAUDE.md에 프로젝트의 공통 지침을 작성한다.
대표적으로 다음과 같다.
- 파일 구조
- 코딩 컨벤션
- 실행 명령
- 금지된 작업
- Locale 처리 규칙
하지만 저자는 모든 세부 검증을 자연어 지침에만 의존하지 않는다.
예를 들어 다음 규칙을 생각할 수 있다.
모든 사용자에게 표시되는 문자열은 번역 함수를 사용해야 합니다.
에이전트가 이 규칙을 읽었다고 해도 실제 코드에서 하나의 Hardcoded String을 놓칠 수 있다.
따라서 별도의 정적 검사와 브라우저 테스트를 구성한다.
PreToolUse Hook
저자는 다음 Hook을 사용한다.
PreToolUse
이 Hook은 에이전트가 실제 도구를 실행하기 전에 호출할 수 있다.
예를 들어 파일을 수정하려고 한다고 가정해 보자.
에이전트는 Edit 또는 Write를 실행한다.
하지만 해당 파일이 보호된 경로에 존재할 수 있다.
Hook은 실제 도구 호출을 검사한다.
그리고 허용되지 않은 경로라면 작업을 차단할 수 있다.
대표적인 파일은 다음과 같다.
.claude/hooks/guard.mjs
하지만 중요한 제한사항이 존재한다.
이러한 Hook은 특정 도구의 실행 경로를 검사하는 기능이다.
모든 파일 접근과 모든 외부 명령을 완전히 격리하는 Sandbox는 아니다.
예를 들어 에이전트가 다른 Shell 명령을 통해 파일을 변경할 수 있다면 같은 검사를 우회할 가능성이 있다.
따라서 실제 운영 Secret과 배포 권한은 별도의 Sandbox 및 권한 정책으로 보호해야 한다.
PostToolUse Hook
두 번째는 다음 Hook이다.
PostToolUse
이 Hook은 도구 실행 이후 호출된다.
예를 들어 에이전트가 TypeScript 파일을 수정했다고 가정해 보자.
Hook은 해당 파일에 Formatter를 실행할 수 있다.
또한 관련 Lint 오류를 확인할 수 있다.
따라서 에이전트가 코드를 수정할 때마다 같은 기본 검사를 반복할 수 있다.
이러한 방식은 작업이 끝난 뒤 한꺼번에 오류를 확인하는 것보다 문제가 발생한 시점을 좁히는 데 도움이 될 수 있다.
하지만 모든 파일 수정 이후 전체 프로젝트 Build를 실행하는 것은 비용이 클 수 있다.
따라서 실제 검사 범위와 실행 빈도를 선택해야 한다.
단계별 Verification
저자는 다음 파일에 검증 조건을 기록한다.
harness/checks.md
각 검증에는 실제 명령이 포함된다.
예를 들어 다음과 같다.
- 번역 Key 검사
- TypeScript Build
- Route 검사
- 브라우저 테스트
- RTL Layout 테스트
이후 다음 Script를 실행한다.
scripts/run-checks.mjs
이 Script는 해당 Milestone에서 필요한 검증만 실행한다.
예를 들어 M1 단계에서는 전체 End-to-end 테스트가 필요하지 않을 수 있다.
반면 최종 M3에서는 모든 Route와 UI 상태를 확인해야 할 수 있다.
이러한 방식은 초기 작업 단계의 불필요한 테스트 비용을 줄일 수 있다.
하지만 실제 검증을 누락하지 않으려면 각 단계에 포함할 테스트 목록을 정확하게 관리해야 한다.
Pseudo-locale
이번 글에서는 다국어 UI의 검증에 Pseudo-locale를 활용한다.
대표적인 Locale은 다음과 같다.
en-XA
Pseudo-locale는 실제 번역 언어가 아니라 테스트를 위한 가상의 Locale다.
예를 들어 다음 문자열이 있다고 가정해 보자.
Save changes
Pseudo-locale에서는 이 문자열을 길게 변형하거나 특수한 형태로 표시할 수 있다.
이렇게 하면 다음 문제를 발견하기 쉬워진다.
- 고정 Width 때문에 텍스트 잘림
- 번역 누락
- Hardcoded English
- 버튼 크기의 부족
하지만 Pseudo-locale 테스트가 실제 독일어와 프랑스어, 아랍어의 자연스러운 번역 품질을 검증하는 것은 아니다.
실제 언어의 의미와 문화적인 표현은 사람이 검토해야 한다.
Stop Hook
이번 글에서 중요한 부분은 작업 종료 시점이다.
저자는 다음 파일을 작성한다.
.claude/hooks/stop-gate.mjs
에이전트가 작업을 완료하려고 하면 Stop Hook이 실행된다.
그리고 현재 Milestone의 검사를 수행한다.
검사가 실패하면 에이전트에게 오류를 전달한다.
이후 수정하도록 요청할 수 있다.
하지만 저자는 재시도를 무제한 반복하지 않는다.
검사가 계속 실패하면 실제 작업을 needs-review 상태로 기록한다.
따라서 실패한 검사를 억지로 통과한 것처럼 표시하지 않는다.
이러한 방식은 다음 두 상태를 구분한다.
- 검사가 통과한 작업
- 검사가 완료되지 않아 사람의 검토가 필요한 작업
CI와 사람의 승인
Stop Hook이 통과했다고 해서 실제 작업을 최종 완료로 판단하지 않는다.
저자는 다음 단계를 별도로 유지한다.
- Git Diff 검토
- CI 실행
- 실제 요구사항 검증
- 사람의 승인
예를 들어 AI 에이전트가 모든 번역 Key를 채웠다고 가정해 보자.
정적 검사는 통과할 수 있다.
하지만 실제 번역 문장이 자연스럽지 않을 수 있다.
또는 아랍어의 UI가 시각적으로 잘못 정렬됐을 수 있다.
따라서 자동 검사는 반복 가능한 조건을 확인한다.
실제 사용 경험과 의미의 정확성은 사람이 확인한다.
성능과 적용 범위의 한계
이번 글은 구체적인 Hook과 Script 구현을 제공한다.
하지만 다음 정보를 독립적인 Benchmark로 제시하지는 않았다.
- 에이전트의 실제 오류율 감소
- 전체 개발 시간 감소율
- Token 비용 변화
- 사람의 리뷰 시간 감소량
또한 실제 Hook을 추가하면 실행해야 하는 테스트가 증가한다.
따라서 작은 수정에도 긴 검사가 반복될 수 있다.
저자는 이러한 비용을 줄이기 위해 Milestone별 검사를 구분한다.
이번 글은 AI 코딩 에이전트가 규칙을 따랐는지 추측하는 대신 실제 코드 변경과 테스트 결과, 최종 승인 상태를 검증 가능한 파일과 Hook으로 관리하는 방법을 자세하게 설명한 자료다.
A solver froze our Node server for 8 seconds in CI — 비동기 서버 안의 동기 계산 때문에 모든 API가 8초 동안 응답하지 않은 사례
- 저자: Aymane Sennoussi
- 매체: DEV Community
- 게시일: 2026-11-19
- 기술: Node.js, TypeScript, Event Loop, Playwright, CI, CPU-bound Task
- 원문: https://dev.to/aymane_sennoussi_a87d9370/a-solver-froze-our-node-server-for-8-seconds-in-ci-moving-it-off-the-request-path-nbf
Node.js 서버에서 계산량이 큰 함수를 HTTP 요청 처리 과정에 직접 실행하면서 발생한 장애를 분석한 글이다.
저자는 무료 Solitaire 게임인 VSolitaire를 운영한다.
게임에는 매일 모든 사용자가 같은 문제를 해결하는 Daily Challenge가 존재한다.
하지만 실제로 문제를 생성할 때 단순히 무작위로 카드를 배치하면 해결할 수 없는 게임이 만들어질 수 있었다.
이를 방지하기 위해 Solver를 도입했다.
그런데 새로운 Solver가 CI 환경에서 Node.js 서버 전체를 8초 이상 멈추게 했다.
이번 글은 동기적인 CPU 작업이 Node.js Event Loop에 어떤 영향을 주는지 실제 Playwright Test와 Network Trace를 이용해 분석한다.
Daily Challenge의 요구사항
저자의 게임에서는 날짜마다 같은 카드 배치를 사용한다.
즉 11월 19일의 게임은 모든 사용자에게 같아야 한다.
이를 위해 날짜를 기준으로 Seed를 생성한다.
하지만 기존에는 해당 Seed가 실제로 해결할 수 있는 문제를 생성하는지 확인하지 않았다.
저자는 다음 기능을 추가했다.
- 날짜로 Candidate Seed 생성
- 최대 20개 Candidate 검사
- 각 Candidate를 Solver로 평가
- 해결 가능한 첫 번째 Seed 선택
- 없으면 첫 번째 Seed 사용
중요한 점은 결과가 결정적이어야 한다는 것이다.
같은 날짜에서는 모든 서버가 같은 Seed를 선택해야 한다.
따라서 실제 처리 시간에 따라 결과를 변경하는 Timeout 기반 선택은 적합하지 않았다.
Solver의 계산 비용
저자는 Solver를 다음 조건으로 제한했다.
maxNodes: 10000
즉 탐색 노드 수를 최대 1만 개로 제한했다.
120개 날짜에서 측정한 결과는 다음과 같았다.
- 평균적인 Solver 실행: 약 35ms
- 가장 느린 실행: 약 140ms
- 해결 가능한 비율: 약 75%
이 수치는 저자가 자신의 개발 환경에서 직접 측정한 결과다.
독립적인 Benchmark는 아니다.
하지만 실제 문제가 된 것은 Solver 하나의 평균 실행 시간이 아니었다.
한 요청에서 여러 번 실행
Daily Status API에서는 여러 날짜의 게임 정보를 조회했다.
예를 들어 최근 일주일의 Challenge를 확인한다고 가정해 보자.
서버는 각 날짜의 Seed를 계산해야 한다.
하지만 각 날짜마다 최대 20개의 Solver 실행이 발생할 수 있다.
따라서 다음 계산이 가능하다.
7일 × 최대 20회 = 최대 140회 Solver 실행
각 실행이 100ms 정도 걸린다면 전체 작업이 매우 길어질 수 있다.
문제는 이러한 작업이 Node.js Event Loop에서 동기적으로 실행된다는 것이다.
Node.js Event Loop
Node.js는 일반적인 JavaScript 코드를 하나의 메인 스레드에서 실행한다.
비동기 I/O를 처리할 수 있지만 모든 JavaScript 계산이 자동으로 별도 스레드에서 실행되는 것은 아니다.
예를 들어 다음 작업을 생각할 수 있다.
HTTP 요청 수신
↓
동기 Solver 실행
↓
Solver 완료
↓
HTTP 응답 반환
Solver가 실행되는 동안 같은 프로세스의 다른 JavaScript Callback은 실행되지 못할 수 있다.
따라서 하나의 HTTP 요청에서 실행한 CPU 작업이 다른 요청에도 영향을 줄 수 있다.
이번 사례에서는 실제로 전체 API가 지연됐다.
Playwright 테스트의 실패
문제는 End-to-end 테스트에서 발견됐다.
테스트는 네 명의 플레이어가 같은 방에 참여하는 상황을 검증했다.
각 플레이어는 홈페이지를 열고 실제 게임 보드가 나타나기를 기다렸다.
테스트에서는 다음 요소를 확인했다.
.tableau-pile
기대값은 7이었다.
하지만 실제 결과는 0이었다.
테스트는 5초 동안 기다린 뒤 실패했다.
처음에는 프론트엔드의 Hydration 문제처럼 보일 수 있었다.
하지만 실제 Network Trace에서는 다른 원인이 발견됐다.
Network Trace 분석
저자는 Playwright의 Trace를 확인했다.
대표적으로 다음 파일이다.
0-trace.network
여기에서는 다음 API 요청이 모두 완료되지 않은 상태로 나타났다.
- Daily Board
- Daily Status
- Leaderboard
요청은 실제로 전송됐다.
하지만 서버가 응답하지 않았다.
저자는 여러 요청이 8초 이상 Pending 상태였다는 사실을 확인했다.
따라서 문제는 특정 프론트엔드 요소가 렌더링되지 않는 것이 아니었다.
서버의 Event Loop가 오랫동안 점유돼 다른 API 요청을 처리하지 못한 것이었다.
로컬에서는 재현되지 않은 이유
흥미로운 점은 로컬 테스트에서는 문제가 나타나지 않았다는 사실이다.
저자의 MacBook은 CI Agent보다 빠르게 Solver를 실행했다.
또한 로컬 테스트의 networkidle 대기 과정에서 일부 지연이 자연스럽게 지나갔다.
반면 CI Agent에는 CPU가 두 개만 존재했다.
따라서 Solver의 실행 시간이 길어졌다.
또한 실제 CI 환경에서는 여러 작업이 동시에 실행될 수 있었다.
결과적으로 로컬에서는 통과했지만 CI에서는 실패했다.
이러한 차이는 실제 개발자의 기기에서 테스트가 통과했다는 사실이 운영 환경의 성능을 보장하지 않는다는 점을 보여준다.
날짜에 따라 달라진 코드
이번 장애에는 또 다른 원인이 존재했다.
새로운 Daily Challenge 규칙은 특정 날짜부터 활성화되도록 작성됐다.
하지만 해당 기능을 개발한 Branch의 CI는 규칙이 활성화되기 전에 실행됐다.
따라서 새로운 Solver 경로를 실제로 실행하지 않았다.
이후 여러 Pull Request를 합친 CI가 실행됐을 때는 이미 새로운 날짜가 됐다.
그제야 해당 코드가 실행됐다.
즉 같은 코드라도 실제 날짜에 따라 테스트 결과가 달라질 수 있었다.
저자는 이러한 날짜 기반 기능의 테스트가 실제 활성화 시점 이후에도 정상적으로 동작하는지 검증해야 한다고 설명한다.
첫 번째 수정: 계산을 단계로 나누기
저자는 Solver의 탐색을 중간에 멈추고 다시 시작할 수 있도록 변경했다.
기존에는 하나의 함수가 최대 20개 Candidate를 모두 검사했다.
새로운 방식에서는 한 번에 하나의 Candidate만 검사한다.
그리고 현재까지 검사한 위치를 저장한다.
예를 들어 다음 상태를 관리할 수 있다.
searches.get(dateKey)
다음 실행에서는 이전 위치부터 다시 검사한다.
이렇게 하면 하나의 실행에서 전체 날짜의 Solver를 모두 처리하지 않아도 된다.
두 번째 수정: Warm-up
저자는 서버가 시작할 때 필요한 날짜의 Seed를 미리 계산하도록 했다.
그리고 한 번에 모든 작업을 실행하지 않는다.
대신 다음 간격으로 작업을 분리했다.
100ms
한 번의 Tick에서는 Solver를 최대 한 번만 실행한다.
이후 Event Loop가 다른 작업을 처리할 시간을 확보한다.
따라서 다음 작업이 서로 번갈아 실행될 수 있다.
- Solver 실행
- HTTP 요청 처리
- 다음 Solver 실행
- 다른 I/O Callback 실행
다만 이 방식이 Solver를 실제 별도 Worker Thread에서 실행하는 것은 아니다.
각 Solver 실행 자체는 여전히 메인 스레드를 점유한다.
따라서 하나의 Solver 실행 시간이 지나치게 길어지면 다른 요청도 지연될 수 있다.
세 번째 수정: 테스트 환경에서도 Warm-up
기존에는 다음 조건으로 Warm-up을 비활성화했다.
NODE_ENV === "test"
하지만 End-to-end 테스트에서도 실제 서버를 실행한다.
따라서 해당 환경에서 Warm-up이 비활성화돼 있었던 것이 문제였다.
저자는 조건을 변경했다.
이후 실제 E2E 서버에서는 Warm-up을 실행한다.
반면 Jest Unit Test에서는 필요한 경우에만 Warm-up을 생략한다.
이렇게 하면 실제 운영 환경과 End-to-end 테스트 환경의 차이를 줄일 수 있다.
Worker Threads의 필요성
저자는 이번 수정이 최종적인 CPU 격리는 아니라고 설명한다.
Solver의 탐색 범위가 더 커지거나 실행 시간이 증가한다면 다음 기술을 고려할 수 있다.
worker_threads
Worker Thread를 사용하면 CPU 계산을 메인 JavaScript 스레드와 분리할 수 있다.
이렇게 하면 HTTP 요청을 처리하는 Event Loop와 계산 작업을 서로 다른 스레드에서 실행하도록 구성할 수 있다.
하지만 Worker Thread를 사용한다고 해서 모든 비용이 사라지는 것은 아니다.
다음 비용을 고려해야 한다.
- Worker 생성
- 데이터 전달
- 작업 결과 수신
- 에러 처리
- Worker의 수명 관리
따라서 실제 계산량에 따라 적합한 방식을 선택해야 한다.
실제 수정 결과와 한계
저자는 세 가지 수정 이후 실패하던 CI가 통과했다고 설명한다.
그리고 11월 18일에 변경 사항을 배포했다.
하지만 전체 API의 응답 시간이 얼마나 개선됐는지에 관한 P95 또는 P99 Benchmark는 제공하지 않았다.
또한 실제 Warm-up이 완료되지 않은 날짜에 대한 요청은 여전히 동기적인 Solver를 실행할 수 있다.
따라서 모든 경우에서 Event Loop의 Block이 완전히 제거된 것은 아니다.
이번 글은 Node.js의 비동기 서버에서도 CPU 중심의 동기 함수가 전체 서비스의 응답을 지연시킬 수 있으며, 실제 장애의 원인을 UI 오류 메시지가 아니라 Network Trace와 실행 환경의 차이에서 찾아야 한다는 점을 보여주는 실제 운영 사례다.
Six Production Bugs in a WebRTC App — Durable Object·브라우저 권한·ICE 상태·서버 시계에서 발견한 여섯 가지 오류
- 저자: Chatter3
- 매체: DEV Community / Chatter3 Engineering Notes
- 게시일: 2026-11-18
- 기술: JavaScript, WebRTC, Cloudflare Durable Objects, Express Routing, Android WebView, Clock Synchronization
- 원문: https://dev.to/chatter3_lab/six-production-bugs-in-a-webrtc-app-with-the-tests-that-keep-them-fixed-25oj
- 상세 기술 기록: https://chatter3-lab.github.io/
실제 1:1 영어 회화 웹 애플리케이션에서 발생한 여섯 종류의 운영 장애와 해결 방법을 정리한 기술 글이다.
Chatter3는 두 사용자를 연결해 5분 동안 영상통화를 제공하는 서비스다.
이번 글에서 중요한 부분은 사용자가 보고한 오류 메시지와 실제 시스템에서 발생한 오류가 반드시 같은 원인을 가리키지 않는다는 점이다.
특히 WebRTC와 브라우저 권한, Durable Objects의 실행 수명, 서버의 시간 관리가 서로 다른 문제를 만든 사례를 소개한다.
첫 번째 문제: HarmonyOS 화면 정지
첫 번째 장애는 공유 버튼을 클릭할 때 발생했다.
사용자는 버튼을 눌렀다.
하지만 실제 화면이 정지했다.
원인은 HarmonyOS의 Window 처리 구조였다.
앱은 새로운 Window Controller를 요청했다.
하지만 해당 Controller와 연결된 UI Component는 실제 렌더링 트리에 존재하지 않았다.
따라서 Window 요청이 정상적으로 완료되지 못했다.
저자는 이를 해결하기 위해 요청할 Window를 별도의 Component로 구성했다.
그리고 해당 Component가 항상 렌더링 트리에 존재하도록 변경했다.
이렇게 하면 실제 Window 요청이 도착할 때 연결할 Controller가 준비된 상태가 된다.
두 번째 문제: 카메라 권한이 허용됐는데 WebView에서는 거부
두 번째 문제는 카메라와 마이크의 권한이었다.
운영체제에서는 카메라 사용을 허용했다.
하지만 실제 웹페이지에서는 카메라에 접근할 수 없었다.
원인은 권한 검증이 두 단계로 존재했기 때문이다.
첫 번째는 운영체제의 권한이다.
두 번째는 WebView가 웹페이지의 Permission Request를 처리하는 과정이다.
예를 들어 Android 기반 앱에서 WebView를 사용한다고 가정해 보자.
운영체제의 카메라 권한이 허용됐더라도 실제 WebView가 페이지의 요청을 승인하지 않을 수 있다.
저자는 실제 페이지의 요청을 처리하는 onPermissionRequest Handler를 추가했다.
그리고 운영체제에서 해당 권한이 허용된 경우에만 WebView의 요청을 승인하도록 변경했다.
따라서 단순히 모든 카메라 요청을 무조건 허용하는 방식은 아니다.
세 번째 문제: Durable Object에서 Socket 상태 손실
이번 글에서 중요한 문제 가운데 하나는 Cloudflare Durable Objects의 실행 수명이다.
예를 들어 두 사용자가 같은 영상통화에 참여한다고 가정해 보자.
서버는 각 사용자의 WebSocket 연결을 관리한다.
하지만 Durable Object는 계속 같은 메모리 상태로 실행된다고 보장되지 않는다.
실제로 Hibernation이 발생할 수 있다.
이후 객체가 다시 활성화되면 JavaScript의 일부 메모리 상태는 이전과 같지 않을 수 있다.
저자의 구현에서는 WebSocket 객체를 일반적인 Class Field에 저장하고 있었다.
하지만 Hibernation 이후 해당 Field가 사라졌다.
그 결과 실제 WebSocket 연결은 존재했지만 프로그램은 한 사용자의 연결을 찾지 못했다.
한 사용자는 메시지를 보냈다.
하지만 다른 사용자는 해당 메시지를 받지 못했다.
저자는 이를 해결하기 위해 WebSocket 연결을 일반적인 Field에만 저장하지 않도록 변경했다.
대신 Durable Object의 Hibernation API가 제공하는 연결 관리 기능을 사용했다.
이러한 구조에서는 객체의 실행이 중단됐다가 재개돼도 실제 연결을 다시 확인할 수 있다.
네 번째 문제: Express Route 충돌
네 번째 문제는 개인정보 Export API에서 발생했다.
사용자는 자신의 데이터를 다운로드하려고 했다.
하지만 실제 API는 다음 오류를 반환했다.
User not found
원인은 Express Router의 등록 순서였다.
애플리케이션에는 다음과 같은 일반적인 Route가 존재했다.
/api/user/:id
이 Route가 더 구체적인 Export Route보다 먼저 등록돼 있었다.
따라서 실제 Export 요청이 일반 사용자 조회 Route로 처리됐다.
문제는 실제 URL Pattern이 서로 겹친다는 점이다.
저자는 Route의 순서를 변경해 구체적인 경로가 먼저 처리되도록 수정했다.
이러한 사례는 실제 Router에서 Route 등록 순서가 단순한 코드 스타일 문제가 아니라 실행 결과에 영향을 줄 수 있음을 보여준다.
다섯 번째 문제: 상대방이 접속하지 않았는데 네트워크 오류로 표시
WebRTC에서는 ICE를 이용해 두 Peer 사이의 연결 경로를 찾는다.
이때 실제 네트워크 상태에 따라 연결이 실패할 수 있다.
하지만 저자의 서비스에서는 다른 문제가 존재했다.
상대방이 아예 영상통화에 참가하지 않은 경우에도 다음 메시지가 표시됐다.
Your network blocked the call
즉 사용자는 자신의 네트워크 설정을 변경해야 한다고 생각할 수 있었다.
하지만 실제 원인은 상대방이 접속하지 않은 것이었다.
저자는 이를 해결하기 위해 ICE 통계를 확인하기 전에 실제 상대방이 참가했는지 검사하도록 변경했다.
대표적인 상태는 다음과 같다.
peer_not_joined
이 상태라면 실제 네트워크 오류 분석을 수행하지 않는다.
이렇게 하면 다음 두 문제를 구분할 수 있다.
- 상대방이 접속하지 않음
- 실제 WebRTC 연결이 실패함
실제 133개 세션의 결과
저자는 운영 서버에서 수집한 첫 133개 세션을 분석했다.
그 가운데 문제가 발생한 세션의 원인은 다음과 같았다.
- 상대방 미접속: 8개
- 실제 네트워크 연결 실패: 1개
따라서 기존 오류 메시지는 실제 실패 원인을 잘못 안내하고 있었다.
하지만 133개 세션의 결과를 모든 사용자와 모든 네트워크 환경에 일반화해서는 안 된다.
실제 사용자의 지역과 기기, 네트워크에 따라 실패 원인의 비율이 달라질 수 있기 때문이다.
여섯 번째 문제: 실제 통화 전에 카운트다운 시작
마지막 문제는 통화 시간이었다.
서비스는 5분 동안 대화를 제공한다.
하지만 기존 구현에서는 두 사용자가 매칭된 순간부터 카운트다운을 시작했다.
예를 들어 다음 상황을 생각할 수 있다.
- 사용자 A가 매칭됨
- 사용자 B가 아직 접속하지 않음
- A가 20초 동안 대기
- B가 접속
- 실제 대화 시작
기존 구조에서는 A가 대기한 20초도 실제 통화 시간에 포함될 수 있었다.
따라서 실제 대화 시간이 줄어든다.
저자는 이를 해결하기 위해 두 사용자가 모두 준비된 시점을 기준으로 통화 시작 시각을 기록하도록 변경했다.
대표적인 API는 다음과 같다.
POST /api/matching/ready
서버는 다음 정보를 기록한다.
- user1_ready_at
- user2_ready_at
- call_started_at
중요한 점은 실제 두 사용자의 준비 상태와 통화 시작 시각을 하나의 원자적인 작업으로 처리한다는 사실이다.
따라서 서로 다른 클라이언트가 각자의 시계를 기준으로 시작 시간을 결정하지 않도록 한다.
Clock Skew
이번 과정에서는 시간 계산의 부호 오류도 발견됐다.
실제 두 휴대전화의 시계는 완전히 같지 않을 수 있다.
예를 들어 사용자 A의 기기 시계가 서버보다 2초 빠르다고 가정해 보자.
사용자 B의 기기는 서버보다 1초 느릴 수 있다.
실제 통화 시작 시각을 클라이언트의 시계로 계산하면 두 사용자에게 서로 다른 남은 시간이 표시될 수 있다.
저자는 서버의 시간을 기준으로 삼았다.
그리고 클라이언트와 서버 사이의 시간 차이를 계산했다.
이때 시간 차이를 더해야 하는지 빼야 하는지를 잘못 처리하면 오히려 오차가 커질 수 있다.
저자는 실제 계산의 부호를 수정해 두 사용자에게 일관된 카운트다운을 제공하도록 했다.
적용 범위와 한계
이번 글은 실제 운영 서비스에서 발생한 여섯 가지 문제를 설명한다.
일부 문제에는 실제 코드와 테스트가 공개돼 있다.
하지만 모든 브라우저와 모바일 운영체제에서 같은 오류가 발생한다고 일반화할 수는 없다.
또한 133개 세션의 분석은 작은 초기 표본이다.
따라서 해당 수치를 서비스 전체의 안정성이나 실제 WebRTC의 일반적인 실패율로 사용해서는 안 된다.
이번 글은 실시간 웹서비스에서 실제 연결 상태와 UI의 오류 메시지, 객체의 수명, HTTP Routing, 서버와 클라이언트의 시계를 명확하게 구분해야 한다는 점을 실제 장애와 수정 과정으로 설명한다.
AI Sped Up the Build: How Can Accessibility Testing Keep Up? — AI 개발 속도보다 느린 접근성 검증을 CI와 사람의 판단으로 보완
- 저자: Andrew Chung
- 매체: Smashing Magazine
- 게시일: 2026-11-17
- 기술: 웹 접근성, React, CI/CD, AI Coding Assistant, WCAG, 자동 테스트
- 자료 성격: Level Access 지원을 받은 글. 관련 설문은 Level Access의 자체 조사
- 원문: https://shop.smashingmagazine.com/2026/11/ai-sped-up-build-how-can-accessibility-testing-keep-up/
AI 코딩 도구가 실제 웹 개발 작업을 빠르게 만들고 있지만 접근성 검증과 품질 확인은 같은 속도로 개선되지 않았다는 문제를 조사 결과와 실제 개발 프로세스의 관점에서 분석한 글이다.
저자는 Level Access의 접근성 관련 제품을 담당하는 임원이다.
따라서 이번 글에는 해당 기업의 조사와 제품 관점이 포함돼 있다.
하지만 설문 결과의 제한사항을 명시하고, 실제 개발팀이 접근성 검사를 어떤 단계에 연결할 수 있는지 구체적으로 설명한다.
AI가 개선한 작업 단계
Level Access는 2,500명 이상의 전문가를 대상으로 조사했다.
응답자들이 AI로 작업 속도가 개선됐다고 보고한 비율은 다음과 같았다.
| 개발 단계 | AI에 의한 속도 개선을 보고한 비율 |
|---|---|
| 기획 | 58% |
| 디자인 | 61% |
| 개발 | 51% |
| QA 및 테스트 | 30% |
이 결과에서는 개발과 디자인의 속도 개선이 테스트보다 크게 나타났다.
즉 새로운 기능은 빠르게 만들어진다.
하지만 실제 기능이 접근성 기준을 충족하는지 검증하는 작업은 같은 비율로 빨라지지 않았다.
따라서 실제 개발팀에서는 다음 문제가 발생할 수 있다.
- AI로 새로운 UI를 빠르게 생성
- 접근성 검증은 나중에 수행
- 여러 문제 발견
- 기존 UI 구조를 다시 수정
- 수정 비용 증가
이러한 구조에서는 생성 단계에서 절약한 시간이 후속 수정 과정에서 다시 사용될 수 있다.
다만 이번 결과는 설문 응답자가 보고한 경험이다.
실제 업무 시간을 동일한 조건에서 측정한 Benchmark는 아니다.
WebAIM의 접근성 오류 증가
저자는 WebAIM의 별도 조사도 인용했다.
웹사이트 상위 100만 개 홈페이지를 분석한 결과 자동으로 탐지한 접근성 오류 수가 증가했다.
보고된 평균은 다음과 같다.
- 이전: 페이지당 51개
- 이후: 페이지당 56.1개
증가율은 약 10.1%다.
하지만 이번 증가를 모두 AI 코딩 도구 때문이라고 단정해서는 안 된다.
WebAIM은 AI 기반 개발이 가능한 원인 가운데 하나일 수 있다고 언급했다.
따라서 실제 상관관계와 인과관계를 구분해야 한다.
AI 사용량보다 중요한 요소
저자는 접근성 지표가 개선되고 있는 조직을 별도로 분석했다.
그 결과 AI 도구를 사용하는 비율 자체는 다른 조직과 큰 차이를 만들지 못했다고 설명한다.
오히려 다음 요소가 더 중요하게 나타났다.
- 팀의 접근성 교육
- 명확한 작업 책임
- 실제 검증 절차
- 공통 디자인 시스템
- 조직 내 의사소통
즉 AI 도구를 많이 사용한다는 사실보다 실제 접근성 검증의 구조가 중요했다.
하지만 이러한 결과 역시 자기 보고 설문을 기반으로 한다.
따라서 접근성 프로그램의 성숙도가 실제 품질 개선을 직접적으로 일으켰다고 확정할 수는 없다.
첫 번째 단계: Find
저자는 접근성 문제를 발견하는 작업을 개발 과정의 앞쪽에 배치하도록 설명한다.
예를 들어 디자이너가 새로운 Dialog를 설계했다고 가정해 보자.
단순히 Figma의 화면만 전달하는 것은 충분하지 않을 수 있다.
다음 정보도 필요하다.
- Focus 이동 순서
- Accessible Name
- 키보드 동작
- 오류 메시지
- 상태 변경 알림
이러한 정보를 실제 Component의 요구사항에 포함하면 개발자가 추측해야 하는 부분을 줄일 수 있다.
또한 AI 코딩 도구가 같은 요구사항을 확인하도록 설정할 수 있다.
대표적으로 다음 파일을 사용할 수 있다.
- AGENTS.md
- Cursor Rules
- Copilot Instructions
하지만 이러한 문서만으로 접근성을 자동으로 보장할 수 있는 것은 아니다.
실제로 생성한 UI를 검사해야 한다.
CI에서 접근성 검사
저자는 다음 도구를 예로 든다.
- eslint-plugin-jsx-a11y
- Pa11y
- Lighthouse CI
- QualWeb
- axe-core
예를 들어 React 컴포넌트를 작성한다고 가정해 보자.
개발자는 실제 Pull Request를 생성한다.
CI에서는 접근성 검사를 실행한다.
이후 기존 기준보다 새로운 오류가 증가했다면 해당 결과를 확인할 수 있다.
이러한 방식은 실제 기능이 배포된 이후에야 문제를 발견하는 상황을 줄일 수 있다.
하지만 자동 검사만으로 모든 접근성 문제를 발견할 수 있는 것은 아니다.
예를 들어 Dropdown의 ARIA 속성은 올바를 수 있다.
하지만 실제 키보드로 하위 메뉴에 이동할 수 없을 수 있다.
따라서 실제 사용자 조작을 검증해야 한다.
두 번째 단계: Fix
저자는 접근성 문제를 발견한 이후 해당 문제의 정보를 함께 관리하도록 설명한다.
대표적으로 다음 정보다.
- 문제가 발생한 Component
- 재현 방법
- 관련 WCAG 기준
- 수정 방향
- 관련 Pull Request
이러한 정보가 없다면 나중에 다른 개발자가 같은 문제를 다시 조사해야 할 수 있다.
AI 코딩 도구를 사용하는 경우에는 관련 정보를 Prompt나 MCP 도구로 전달할 수 있다.
하지만 실제 AI가 생성한 수정 코드를 그대로 승인하는 것은 적절하지 않을 수 있다.
예를 들어 다음 코드를 생각할 수 있다.
<div role="button">
ARIA 속성이 추가됐다고 해서 실제 버튼과 같은 키보드 동작이 자동으로 제공되는 것은 아니다.
따라서 가능한 경우 Native Button을 사용하는 편이 적합할 수 있다.
또한 실제 Focus와 키보드 조작을 확인해야 한다.
세 번째 단계: Prove
저자는 실제 접근성 문제의 수정 기록을 남기도록 설명한다.
예를 들어 다음 문제가 발생했다고 가정해 보자.
Dialog를 닫으면 Focus가 사라진다.
개발자는 해당 문제를 수정했다.
하지만 실제 문제가 다시 발생하지 않도록 테스트를 추가할 필요가 있다.
또한 Pull Request에는 다음 정보를 기록할 수 있다.
- 어떤 문제를 수정했는가?
- 어떤 테스트를 수행했는가?
- 어떤 보조 기술로 확인했는가?
- 어떤 판단을 사람이 수행했는가?
이러한 기록은 실제 문제가 다시 발생했을 때 원인을 찾는 데 도움이 된다.
또한 접근성 관련 감사와 보고서를 작성할 때 근거로 사용할 수 있다.
자동 검사의 한계
이번 글에서 중요한 부분은 자동화의 한계를 인정한다는 점이다.
예를 들어 버튼에 Accessible Name이 존재하는지 검사할 수 있다.
하지만 해당 이름이 실제 사용자에게 의미 있는지는 자동으로 완전히 판단하기 어렵다.
비슷하게 이미지에 Alt Text가 존재할 수 있다.
하지만 실제 이미지를 잘못 설명할 수 있다.
따라서 다음 두 검증을 구분해야 한다.
- 기계적으로 확인할 수 있는 규칙
- 사용자의 실제 경험에 관한 판단
특히 키보드와 Screen Reader를 사용하는 실제 사용자 흐름은 사람이 검토할 필요가 있다.
조사 수치의 제한사항
이번 자료는 Level Access가 지원한 글이다.
일부 수치는 해당 기업의 자체 설문과 내부 제품 사례에서 가져왔다.
따라서 모든 결과를 독립적으로 검증된 산업 표준 Benchmark로 취급해서는 안 된다.
또한 AI를 사용한 조직의 접근성 문제가 증가했다는 사실을 이번 설문만으로 직접 증명할 수는 없다.
이번 글은 AI 코딩 도구로 기능을 빠르게 생성하는 환경에서 접근성 검증을 개발 완료 이후의 별도 작업으로 남겨두지 않고 디자인, 코드 리뷰, CI 및 실제 사용자 테스트에 분산시키는 방법을 설명하는 자료다.