GitHub: 더 나은 도구가 Copilot 코드 리뷰를 악화시켰다 — 프롬프트 재작성으로 품질 유지하면서 비용 20% 절감

GitHub는 2026년 7월 10일 이례적으로 솔직한 엔지니어링 포스트를 발표했습니다. Copilot 코드 리뷰를 더 잘 유지 관리되는 도구로 마이그레이션했을 때 처음에는 결과가 더 나빠졌다는 내용입니다. 분석 결과 문제는 도구가 아닌, 실제 코드 리뷰어의 워크플로우에 맞지 않은 지시(에이전트 인스트럭션)에 있었습니다.

어디서 잘못되었습니까?

기존 지시는 에이전트를 『광범위한 탐색』으로 이끌었습니다. 변경 사항에 집중하기 전에 리포지터리의 상당 부분을 먼저 훑는 방식이었습니다. 풀 리퀘스트 리뷰에 대부분 필요하지 않은 컨텍스트에 토큰과 시간을 낭비하는 셈이었습니다. 더 뛰어난 새 도구가 동일한 지시를 받자, 단순히 잘못된 일을 더 효율적으로 수행했습니다.

Diff-first 방식은 어떻게 동작합니까?

해결책은 두 가지 원칙에 따라 지시를 재작성하는 것이었습니다. 첫째, 개별 파일 읽기 전에 일괄 탐색 작업(정보의 그룹화된 수집)을 수행합니다. 둘째, 분석을 PR diff에 고정합니다. 에이전트는 실제로 변경된 내용에서 출발하고, 더 넓은 컨텍스트는 필요할 때만 가져옵니다. 그 결과 품질을 유지하면서 평균 리뷰 비용이 약 20% 낮아졌습니다.

왜 이 교훈이 보편적입니까?

이 발견은 같은 주에 arXiv 논문 『Harness Effect』가 수치화한 명제를 구체적으로 입증합니다. AI 에이전트의 경제성은 모델 자체가 아닌 오케스트레이션(지시, 흐름, 컨텍스트)이 결정한다는 것입니다. GitHub 사례는 반대쪽 면도 보여줍니다. 지시 조정 없이 모델이나 도구를 업그레이드하면 결과가 오히려 나빠질 수 있습니다. AI 코딩 도구를 개발하는 모든 이에게 실용적인 메시지는 명확합니다. 모델을 교체하기 전에 프롬프트를 읽고 재작성하십시오.