From Blind Spots to Merged PRs: Continuous Agentic Performance Optimization - May Walter, Hud

한 줄 핵심

생산 환경의 성능 병목을 주기적으로 탐색·검증·수정하는 에이전틱 워크플로를 자동화하면, 팀이 평소에는 보지 못하던 고ROI 최적화 기회를 안정적으로 찾아 PR까지 연결할 수 있다.

시간별 요약

1. 0:01
   제품·엔지니어링 사이에서 성능 이슈는 조사 비용이 불명확하다는 이유로 방치되기 쉽고, 결국 더 심각해진 뒤에야 긴급 대응하는 패턴이 반복된다. 이를 해결하기 위해 생산 컨텍스트를 바탕으로 주기적으로 잠재 최적화 기회를 찾아내는 에이전틱 워크플로가 필요하다는 문제의식이 제시된다.
2. 4:01
   핵심 설계는 벤더 중립적인 실행 환경, 안전한 툴 호출과 인증, 스케줄·웹훅 기반 트리거, 그리고 시간이 지나도 유지·개선 가능한 피드백 루프다. 이를 위해 GitHub agent workflows, Cloud Code, MCP, Slack을 조합해 주간 분석과 보고가 자동으로 돌도록 구성한다.
3. 7:00
   워크플로는 생산 트레이스·쿼리·지연 시간을 읽고, 고ROI 기회를 점수화한 뒤, 실제 수정과 재실행 테스트로 효과를 증명하는 닫힌 루프를 만든다. 다만 그 과정에서 그럴듯하지만 검증되지 않은 수정, ClickHouse 같은 복잡한 쿼리 처리, 예외만 잡는 식의 성급한 수정이 주요 난관으로 드러난다.
4. 10:01
   컨텍스트 문제는 정보가 너무 많거나 너무 적은 상태가 동시에 발생하는 데 있으며, 서비스·엔드포인트 지표는 코드의 함수 수준 추론과 언어가 다르다는 점이 핵심 장애물이다. 이를 해결하기 위해 prod-to-code 방식으로 함수·파일 수준의 맥락과 엔드포인트를 연결하고, 필요할 때만 포렌식 증거를 수집해 원인과 영향을 설명할 수 있게 만든다.
5. 14:02
   데이터 위에 HUD query language와 재사용 가능한 skills를 얹어 500 오류, 메모리 스파이크, plus one queries, missing indexes 같은 패턴을 반복적으로 찾아낼 수 있게 한다. 이후에는 위험도와 비즈니스 임팩트를 함께 고려해 80개의 PR을 한꺼번에 쏟아내는 대신, 사람이 검토할 가치가 높은 항목만 인간 친화적인 보고서로 전달해 신뢰를 확보한다.
6. 18:00
   실무적 교훈은 무엇이 중요한지 점수와 가드레일로 먼저 정의해야 하고, 에이전트는 단순히 코딩을 빠르게 하는 도구가 아니라 평소엔 하지 않던 탐색 단계를 자동화할 때 가장 큰 가치를 낸다는 점이다. 자율 워크플로에서는 80% 정확도로는 부족하고, 올바른 컨텍스트·스킬·검증을 통해 80~90% 신뢰 수준까지 끌어올려야 비로소 사람이 시간을 들일 만한 결과가 된다.

실무 인사이트

• 생산 성능 최적화는 '수정'보다 '조사'를 자동화할 때 ROI가 커지므로, 주간 스캔처럼 정기적인 탐색 루틴부터 설계하는 것이 효과적이다.
• 자율 에이전트는 코드만 보는 것이 아니라 함수 수준 컨텍스트와 실제 실행 증거를 함께 가져와야 하며, 그렇지 않으면 그럴듯한 오답이 쉽게 나온다.
• 자동화 결과는 많이 뿌리는 것보다 비즈니스 임팩트와 위험도를 점수화해 적게, 하지만 확실하게 전달해야 사람들의 신뢰와 채택률을 얻을 수 있다.