서론

Devin (Cognition AI 제공)은 소프트웨어 개발 작업을 계획하고 대부분 자체적으로 수행할 수 있는 새로운 자율 AI 소프트웨어 엔지니어입니다. Devin은 코드 편집기, 명령줄 셸, 웹 브라우저와 같은 도구를 사용하여 코드를 연구하고, 작성하고, 테스트하며, 배포하는 등 코드 프로젝트 전반에 걸쳐 작업합니다. 데모와 언론에서 Devin은 놀라울 정도로 적은 사람의 개입만으로 코드베이스를 스캔하고, 계획을 생성하고, 파일을 편집하고, 테스트를 실행하며, 풀 리퀘스트를 생성하는 모습이 시연되었습니다 (medium.com) (www.linkedin.com). Cognition은 Devin이 각 단계에서 컨텍스트를 기억하고 심지어 실수로부터 학습하여 *“수천 가지 의사 결정이 필요한 복잡한 엔지니어링 작업”*을 처리할 수 있다고 주장합니다 (medium.com) (www.linkedin.com). 따라서 우리는 Devin의 설계 및 워크플로우에 대한 공개된 세부 정보를 탐구합니다. 여기에는 Devin이 작업을 분해하는 방법(계획 프로세스), 개발 환경(편집기, 터미널, 브라우저)에서 실제로 작동하는 방식, 코딩 세션 전반에 걸쳐 메모리 또는 컨텍스트를 유지하는 방법, 자체 수정 및 반복하는 방법, 그리고 사용하는 안전 장치 또는 안전 조치가 포함됩니다. 또한 공개되지 않은 내용도 언급합니다. 예를 들어, 정확한 모델 내부 구조는 공개되지 않았기 때문에 일부 커뮤니티 논의는 합리적인 추측에 의존합니다.

작업 계획 및 분해

개발자가 Devin에게 새로운 작업을 할당하면, 첫 번째 단계는 어떤 파일을 어떤 순서로 변경할지 계획하는 것입니다. Cognition의 설명에 따르면 Devin은 작업에 관련된 저장소의 파일이 무엇인지 파악하는 역할을 하는 “계획 모드” 하위 에이전트를 사용합니다 (medium.com) (docs.devin.ai). 실제로 Devin은 코드를 작성하기 전에 저장소를 “조사”하고 계획을 제안합니다 (docs.devin.ai) (docs.devin.ai). 복잡한 작업의 경우, 개발자는 이 계획을 확인하고 승인하거나 조정할 수 있습니다. Agency 모드가 활성화되면 Devin은 승인을 기다리지 않고 자동으로 계획을 진행합니다 (docs.devin.ai) (docs.devin.ai).

배후에서는 Cognition이 이 계획 에이전트를 강화 학습으로 훈련했습니다. 한 분석에서 팀은 계획자에게 ls, grep, read_file과 같은 읽기 전용 도구만 제공하고, 인간이 편집할 파일 세트를 정확히 예측했을 때 보상을 주었다고 설명합니다 (medium.com) (medium.com). 그 결과: Devin의 계획자는 병렬 파일 시스템 쿼리를 발행(예: 동시에 다른 디렉토리에서 ls와 grep 실행)한 다음 유망한 단서를 좁혀나가는 방법을 학습합니다 (medium.com). 훈련 페널티는 효율성을 장려하므로, 에이전트는 무차별 대입 방식(예: 전체 저장소를 끝없이 grep하는 것)을 피하고 대신 대상을 찾으면 즉시 “커밋”합니다 (medium.com). 이는 Devin의 계획이 데이터 중심적임을 의미합니다. 즉, 일반적인 코드베이스 탐색 전략을 학습했습니다 (Cognition이 언급했듯이, 이 모델은 많은 저장소와 사용자 쿼리를 기반으로 훈련되었습니다) (medium.com) (medium.com).

사용자 수준에서는 그 결과를 단계별 개요로 볼 수 있습니다. 예를 들어, 새로운 기능 요청에 대해 Devin은 "파일 A를 수정하여 X를 구현하고, 파일 B에 테스트를 추가한 다음, 구성 C를 업데이트합니다"와 같은 내용을 제안합니다. 데모에서 사용자가 일부 세부 정보를 지정하는 것을 잊었을 때, Devin의 계획 단계는 종종 이를 포착하여 설명을 요청합니다. 한 데모에서는 사용자가 명시적으로 언급하지 않았음에도 불구하고, 어시스턴트가 GitHub 계정 구성을 계획에 자동으로 추가했습니다 (www.developersdigest.tech) (www.linkedin.com). 이러한 계획 단계(질문하기, 작업 나열하기, 파일 매핑하기)는 코드를 작성하기 전에 모두 Devin의 대화 인터페이스 내에서 이루어집니다. 사용자가 동의하거나 자동 승인이 설정되어 있으면 Devin은 실행 단계로 넘어갑니다.

개발 환경에서의 작업: 편집기, 터미널, 브라우저

Devin은 샌드박스형 개발 환경 내에서 작동합니다. Cognition의 자료에 따르면, Devin은 친숙한 개발자 툴킷, 즉 셸 터미널, 코드 편집기, 웹 브라우저를 모두 사용할 수 있다고 설명합니다 (medium.com) (docs.devin.ai). 실제로 Devin이 실행될 때, 그가 수행하는 모든 작업은 웹 UI에 기록되고 표시됩니다. “Devin 팔로우” 뷰는 각 동작(예: 파일 편집 또는 셸 명령)을 강조 표시하며, 사용자가 아이콘을 클릭하여 해당 동작이 발생한 코드 편집기나 터미널로 직접 이동할 수도 있습니다 (docs.devin.ai). 예를 들어, Devin이 JavaScript 파일을 편집하면 사용자는 클릭하여 변경 사항이 적용된 VSCode 편집기 뷰를 볼 수 있고, Devin이 셸 명령을 실행하면 클릭하여 터미널 출력을 볼 수 있습니다.

원한다면 Devin의 작업 공간으로 수동으로 진입할 수도 있습니다. 최근 업데이트에서는 웹을 통해 VSCode에서 Devin의 환경을 여는 “Devin의 머신 사용” 버튼이 추가되었습니다 (docs.devin.ai). 이는 개발자가 Devin의 파일을 엿보고, 명령을 실행하거나, 심지어 작업 공간에서 코드를 직접 편집할 수도 있음을 의미합니다. (오래 실행되는 작업의 경우, 중간에 무언가를 검사하고 싶을 때 편리합니다.) 한 예시에서, 사용자는 이 기능을 활성화하여 Devin이 UI 요소를 생성하는 것을 지켜봤습니다. 사용자는 실제로 Devin의 VSCode를 열어 Devin이 작성한 새 파일을 보고 UI를 실시간으로 탐색할 수 있었습니다.

브라우저 도구를 사용하면 Devin이 인터넷에서 자료를 조사하거나 테스트할 수 있습니다. 데모에서 Devin은 웹 검색을 사용하여 문서나 라이브러리를 찾아보고, 심지어 로컬 웹 서버를 실행하여 코드가 손상되지 않았는지 확인하는 모습(예: UI가 작동하는지 확인하기 위해 브라우저를 localhost로 연결)이 보입니다. 결론적으로 Devin의 인터페이스는 다중 모드입니다. 텍스트 프롬프트, 첨부된 디자인 이미지나 문서, 심지어 코드 스니펫과 같은 입력을 받을 수 있으며, 채팅과 이러한 개발자 도구를 통해 상호 작용합니다 (www.developersdigest.tech) (medium.com). 그 결과는 AI와의 정적인 채팅보다는 “동료가 코드를 작성하는” 경험에 훨씬 가깝습니다.

메모리, 지식, 그리고 세션 컨텍스트

Devin은 내장된 “지식(Knowledge)” 시스템을 사용하여 세션 전반에 걸쳐 정보를 추적합니다. 지식(Knowledge)을 작업 공간 노트북처럼 생각해보세요. Devin은 팁, 프로젝트별 지침 또는 중요한 컨텍스트를 그곳에 저장하고 나중에 불러올 수 있습니다. 예를 들어, 문서는 중요한 아키텍처 제약 조건이나 코딩 스타일 가이드와 같이 Devin이 절대 잊지 않도록 특정 지식을 고정하는 워크플로우를 설명합니다 (docs.devin.ai). 사용자는 이 지식 은행을 편집하거나 추가할 수 있습니다. Devin은 또한 유용한 메모를 자동 생성합니다. 저장소를 스캔하여 코드 구조, 구성 요소 및 문서를 학습하고 자동으로 “저장소 지식(Repo Knowledge)” 요약을 구축합니다 (docs.devin.ai) (docs.devin.ai). 실제로 몇 가지 작업을 실행한 후 Devin은 “React와 Redux를 자주 사용하시는군요. 이 정보를 지식(Knowledge)에 추가하는 것을 제안합니다.”라고 말할 수 있으며, 사용자가 승인하면 해당 정보가 저장됩니다.

세션 중에 Devin은 관련 지식을 작업 메모리에 보관합니다. Cognition은 Devin이 “모든 단계에서 관련 컨텍스트를 기억한다”고 주장합니다 (www.linkedin.com). 예를 들어, 이전에 Python 3.11을 선호하거나 웹 앱이 OAuth를 사용한다는 것을 학습했다면, 필요에 따라 해당 정보를 프롬프트에 가져올 것입니다. 세션은 본질적으로 길고 상태를 유지합니다. Devin이 여러 파일을 편집하는 동안 수십 번의 대화(몇 분 이상)를 나눌 수 있으며, 채팅 기록이 보존됩니다. Devin이 문제가 발생하면 로그를 스크롤하거나 “진행 모드”를 켜서 그가 취한 모든 행동을 볼 수 있습니다.

세션이 종료되면(예: 작업을 중지하거나 마무리할 경우), Devin은 해당 머신의 실행 상태를 잊어버리고, 다음 번에는 가상 머신이 기본 스냅샷으로 재설정됩니다 (docs.devin.ai). 기본적으로 이 기본 상태에는 작업 공간에 미리 로드된 저장소가 포함되므로 Devin은 매번 처음부터 클론할 필요가 없습니다 (docs.devin.ai). (작업 공간 설정이 없으면 각 세션은 빈 머신에서 시작되므로, Cognition은 속도를 위해 저장소를 미리 구성할 것을 강조합니다 (docs.devin.ai).) 그러나 코드 외에도 Devin은 지식(Knowledge) 은행을 통해 지식을 이어갑니다. 미래 작업에 유용하다고 생각되는 학습 내용이나 정의를 추가하도록 사용자에게 안내할 것입니다 (docs.devin.ai). 여러 세션에 걸쳐 이는 Devin이 프로젝트의 컨벤션과 아키텍처에 대한 기억을 점차적으로 구축한다는 것을 의미합니다.

지식(Knowledge) 외에도 Cognition은 전체 코드베이스를 색인화하고 그 위에 채팅 인터페이스를 제공하는 관련 도구인 DeepWiki를 출시했습니다 (medium.com). DeepWiki는 별도의 제품이지만, 더 넓은 아키텍처를 시사합니다. Devin은 질문에 답하기 위해 자체 코드 위키 또는 외부 위키를 쿼리할 수 있습니다. 실제로 코드에 대해 Devin에게 질문하면, Devin은 답변의 근거를 마련하기 위해 DeepWiki와 동일한 검색 시스템을 내부적으로 사용할 수 있습니다.

자율성, 반복, 그리고 자체 수정

Devin은 자율적으로 설계되었지만, 필요할 때 피드백 루프를 가집니다. 계획 후, Devin은 오류를 끊임없이 확인하며 단계를 하나씩 실행합니다. 데모에서 에이전트는 자주 다음과 같은 패턴을 따릅니다: 브라우저나 문서를 사용하여 문제를 이해하고, 코드를 작성하고, 실행하고, 오류를 확인한 다음, 오류를 수정하는 방법을 찾아봅니다 – 이는 인간의 디버그 주기를 모방합니다 (www.developersdigest.tech) (www.linkedin.com). 예를 들어, 한 발표자는 Devin이 로그인 폼을 추가하고, 프론트엔드 테스트를 실행하여 버그를 찾은 다음, 해당 오류를 수정하는 방법을 연구하기 위해 돌아가는 모습을 보여줍니다. Devin의 각 “턴”은 생각 → 행동 → 관찰 → 수정의 루프입니다.

여러 출처에서는 Devin에 “자체 수정” 기능이 내장되어 있다고 언급합니다 (medium.com) (www.linkedin.com). 실제로 GPT-5와 함께한 Cognition 블로그에서는 GPT-5가 “오류를 이해하고 스스로 수정하는 데 능숙하다”고 언급하며, 이는 장기 작업에 매우 유용하다고 강조합니다 (www.linkedin.com). 다시 말해, Devin의 코드가 컴파일되지 않거나 테스트에 실패하면, 모델(종종 GPT-5 또는 유사한 모델)은 오류 메시지를 확인하고 즉석에서 수정 방법을 찾아낼 것입니다. 심지어 재시도 루프도 가능합니다. 어떤 행동이 부분적으로 성공하면 Devin은 두 번째 시도를 할 수 있습니다. 이러한 루프는 UI에서 반복적인 편집-실행 시퀀스로 표시됩니다.

체계적으로 실패를 처리하기 위해 Devin은 자동화와 인간의 감독을 혼합하여 사용합니다. 예를 들어, Devin이 풀 리퀘스트를 열고 CI 실패 또는 코드 리뷰 댓글을 받으면, Cognition 시스템은 Devin을 자동으로 잠에서 깨워 해당 문제를 처리하도록 합니다 (docs.devin.ai) (docs.devinenterprise.com). 기본적으로 Devin은 린트 오류나 댓글에 응답하지만, 사용자는 이를 비활성화할 수 있습니다. UI는 또한 Devin의 상태와 행동을 실시간으로 강조하여 개발자가 언제든지 개입할 수 있도록 합니다. 개발자들은 신뢰를 쌓기 위해 “라이브 모드”(각 단계가 표시됨)에서 처음 몇 번의 실행을 지켜본 다음, 확신이 생기면 Devin이 완전히 헤드리스 모드로 실행되도록 하는 것이 권장됩니다 (www.developersdigest.tech).

안전, 안전 장치 및 사용자 정의

운영자는 Devin에게 하지 말아야 할 일에 대한 명시적인 지침을 줄 수 있습니다. 강력한 기능 중 하나는 **“금지된 행동(Forbidden Actions)”**입니다. Devin이 건드리지 못하게 할 사항을 나열할 수 있습니다. 예를 들어, “메인(main) 브랜치에 직접 푸시하지 마십시오” 또는 “파일 X를 편집하지 마십시오”와 같이요. 이 시스템은 이러한 명령이 프롬프트나 플레이북에 나타날 때 Devin이 이를 준수하도록 보장합니다 (docs.devin.ai). 릴리스 노트에 따르면, Devin은 이제 금지된 행동 목록을 안정적으로 처리하며, 이는 자신의 행동을 해당 규칙과 비교하여 확인한다는 의미입니다. 이는 잘못된 브랜치나 파일을 수정하는 것과 같은 일반적인 실수를 방지하는 데 도움이 됩니다.

Devin은 또한 다양한 제어 기능을 제공합니다. Slack 또는 웹 UI에서 Devin에게 “잠들기”(작업 일시 중지) 또는 세션을 “아카이브”하도록 지시할 수 있습니다 (docs.devin.ai). 계획 실행 전에 Devin이 사용자 승인을 요구할지(Agency 설정을 통해) 아니면 완전히 자율적으로 실행할지 선택할 수 있습니다 (docs.devin.ai) (docs.devin.ai). Devin의 컴퓨팅 사용량은 에이전트 컴퓨팅 단위(ACU)로 측정되며, UI는 Devin이 한도에 도달할 경우 경고를 표시하여 사용자가 개입하거나 더 많은 리소스를 부여할 수 있도록 합니다 (docs.devin.ai).

배후에서 문제가 발생하면 Cognition은 모니터링 시스템을 갖추고 있습니다. 이전 릴리스에서는 일부 사용자들이 Devin 세션이 “멈추거나” 충돌했다고 보고했습니다. 팀은 이러한 문제가 해결되었으며 Devin이 멈출 경우 ACU 환불을 제공한다고 언급합니다 (docs.devin.ai). 다시 말해, 회사는 안정성을 위해 시스템을 적극적으로 계측하고 있습니다. 외부 분석가들은 다른 채팅 기반 AI와 마찬가지로 Devin도 때때로 실수를 저지르거나 코드를 “환각”할 수 있다고 경고합니다. 권장되는 관행은 주니어 개발자의 작업물을 검토하듯이 Devin의 출력물을 검토하는 것입니다. 안전을 위해 많은 팀은 Devin의 커밋에 대해 코드 리뷰를 사용하고, Devin의 권한을 제한합니다(예: 기본적으로 비밀에 직접 접근 불가). 지금까지 공개적으로 설명된 안전 장치는 내장된 윤리적 필터라기보다는 주로 사용자 정의(금지된 행동, 계획 승인 요구 등) 및 시스템 상태 확인입니다.

우리가 아직 모르는 것

Cognition은 일부 세부 정보를 의도적으로 내부적으로 유지하고 있어 Devin의 일부가 불투명합니다. 예를 들어, Devin이 사용하는 정확한 대규모 언어 모델은 처음에는 공개되지 않았습니다. 소문과 후속 게시물에 따르면 Cognition은 이제 계획 및 추론 핵심에 GPT-5를 Devin에 통합했으며 (www.linkedin.com), Claude Sonnet 4.5 기반의 프리뷰 에이전트도 보유하고 있습니다 (docs.devinenterprise.com). 그러나 전체 아키텍처는 불분명합니다. Devin은 여러 모델을 조율하고 맞춤형 미세 조정(RFT 계획 하위 에이전트에서 암시되었듯이)을 거쳤을 가능성이 높지만, 이러한 계층은 오픈 소스로 공개되지 않았습니다.

우리는 또한 Devin의 메모리 한계를 완전히 알지 못합니다. Devin은 “시간이 지나면서 학습한다”고 주장하지만, 새로운 지식을 기존 네트워크에 어떻게 통합하는지(단순히 지식 은행에 저장하는 것과 대비하여)는 명시되지 않았습니다. 효과적으로 사용하는 대화 기록의 최대 길이는 문서화되어 있지 않습니다. 세션이 매우 길어지면, 채팅이나 코드 컨텍스트의 이전 부분이 배후에서 잘려나갈 가능성이 있습니다. 실질적으로 대부분의 사용자는 컨텍스트 과부하를 피하기 위해 프롬프트와 코드를 간결하게 유지합니다.

안전 측면에서는 여전히 몇 가지 알려지지 않은 점이 남아 있습니다. 예를 들어, “금지된 행동”이 사용자 지정 규칙을 다루는 반면, Devin이 데이터 오용 감지, 편향 확인 또는 샌드박스 탈출과 같은 암묵적인 안전 계층을 가지고 있는지는 명확하지 않습니다. Devin은 VM에서 실행되므로 호스트 시스템을 손상시킬 수 없기를 바라지만, 해당 샌드박싱에 대한 세부 정보는 공개되지 않았습니다. 커뮤니티는 Devin의 머신이 실행을 격리하기 위해 컨테이너 스냅샷(강화 학습 훈련에서 언급되었듯이)을 사용할 가능성이 높다고 추론합니다 (medium.com).

마지막으로, 많은 커뮤니티 회원들이 Devin이 모호하거나 개방형 작업을 어떻게 처리하는지 지켜보고 있습니다. 판매 문구에서는 Devin을 “완전히 자율적”이라고 부르지만, 분석가들은 여전히 종종 정확한 지침이 필요하다고 지적합니다. 예를 들어, 사용자 프롬프트가 모호하면 Devin은 합리적으로 보이는 계획을 생성할 수 있지만, 중요한 예외 상황을 놓칠 수 있습니다. Devin은 후속 질문으로 명확화를 요청할 수 있지만, 개발자들은 때때로 코드를 단순히 패턴 매칭하는 것과 비교하여 _의도_를 얼마나 잘 이해하는지에 대해 궁금해합니다. Devin의 인지 능력에 대한 이러한 측면은 기반이 되는 LLM의 역량에 의존하며, 이는 간접적으로만 관찰할 수 있습니다. 요약하자면, 사용자들은 Devin을 제품 관리자보다는 매우 숙련된 주니어 엔지니어로 판단해야 합니다. 계획은 잘 세우지만, 항상 사용자의 의도를 완벽하게 파악하지는 못할 수 있습니다.

Devin 시작하기

Devin은 주로 코딩 작업이 많은 엔지니어링 팀을 대상으로 합니다. 명확하게 정의된 작업(명세서에 따른 기능 구축, 리팩토링, 테스트 작성, 버그 수정)에서 탁월한 성능을 발휘합니다. 고수준 설계나 매우 모호하게 정의된 문제에서는 아직 검증이 덜 되었습니다. 소프트웨어 팀의 경우, Devin은 반복적인 작업을 처리하여 사람들이 창의적인 아키텍처와 감독에 집중할 수 있도록 돕습니다.

비개발자나 초보자에게도 Devin은 유용할 수 있지만, 일부 설정이 필요합니다. 첫 번째 단계는 Devin에게 코드 저장소(GitHub, GitLab 등)에 대한 접근 권한을 부여하고, Slack 또는 Teams에 연결하는 것입니다. 그다음 간단한 작업을 시도해 보세요. 예를 들어, “Devin, 웹 UI에 데이터베이스의 모든 제품을 나열하는 새 페이지를 테스트 커버리지 포함하여 추가해 줘.”라고 요청해 보세요. 계획 단계 대화를 살펴보세요. Devin은 변경할 파일(예: HTML 템플릿, 백엔드 API 코드 등)을 설명하고 필요한 질문을 할 것입니다. 계획을 승인하고(또는 자동 실행하도록 허용하고) 실행되는 것을 지켜보세요. “팔로우” 패널을 사용하여 각 단계를 확인하세요. 파일 편집, 셸 명령(테스트 스위트 실행 등), 그리고 UI의 브라우저 스냅샷을 볼 수 있습니다. Devin이 실수를 하거나 변경을 원하면, 채팅에서 하듯이 간단히 상호 작용하세요(“사실, 이 CSS 테마를 사용해” 또는 “제품 제목은 대문자여야 해”). 그러면 Devin은 또 다른 편집 루프를 시작할 것입니다.

핵심적인 실행 단계는 반복하고 검토하는 것입니다. 항상 Devin이 생성한 코드를 확인하고 로컬에서 테스트하세요. 시간이 지남에 따라 지식 은행을 풍부하게 만들 수 있습니다. 예를 들어, “우리 데이터베이스는 PostgreSQL 13을 사용합니다” 또는 “우리는 PHP에서 PSR-12 스타일을 따릅니다”와 같은 메모를 추가하세요. Devin은 앞으로의 세션에서 이러한 내용을 통합하기 시작할 것입니다. 또한 설정을 탐색하세요. 항상 제안을 검토하고 싶다면 Agency를 끄고, 더 신뢰한다면 켜세요. 자동 풀 리퀘스트 검토를 위해 Devin을 CI에 연결하되, Devin이 피드백을 어떻게 처리하는지 관찰할 수 있도록 알림으로 시작하세요.

궁극적으로 Devin의 워크플로우는 밀도 높고 강력하지만, 여전히 여러분의 지침에 의존합니다. 위에서 설명한 것처럼 Devin이 어떻게 계획하고, 도구를 사용하며, 피드백으로부터 학습하는지를 이해함으로써 이 새로운 종류의 에이전트 기반 코딩 보조자를 최대한 활용할 수 있습니다. Devin에 관심 있는 팀을 위한 다음 최선의 단계는 devin.ai에 가입하고 작은 파일럿을 실행하는 것입니다. 웹 저장소 하나를 추가하고, Devin에게 기능을 구현하도록 요청한 다음, 진행 모드에서 실행되도록 하세요. 전체 “사고” 과정을 관찰하세요. 이 실제 경험은 Devin이 계획, 편집, 자체 수정을 어떻게 함께 엮어내는지 정확히 명확하게 보여줄 것입니다. 거기서부터 더 많은 작업으로 확장하고 사용법을 미세 조정할 수 있습니다(예: 특정 도메인을 위한 맞춤형 플레이북). 여전히 발전 중이지만, Devin은 AI 도구 분야에서 큰 도약을 의미합니다. 오늘 Devin의 워크플로우를 학습함으로써 팀은 코딩 작업을 AI 팀원과 진정으로 공유할 수 있는 시대를 준비할 수 있습니다.