AI를 팀으로 굴려라 — 바이브코더를 위한 오케스트레이션 실전 가이드

AI가 “완성했어”라고 했는데 버튼이 안 눌리거나, 부탁한 기능이 빠져 있었던 적이 있을 것이다.

그럴 때는 만드는 AI와 확인하는 AI를 나눠보자. 먼저 작은 앱을 만들게 하고, 새 AI에게 원래 요청과 결과를 비교하게 하는 것이다. 이 글은 그 과정을 복사해서 보낼 요청문으로 따라가게 구성했다.

여기서 한 걸음 더 나가 총괄이 작업을 나누고, 담당자에게 요청을 보내고, 결과를 받아 다음 단계를 정하게 하는 것이 AI 오케스트레이션이다. 앞부분에서는 내가 요청을 전달하며 연습하고, 마지막에는 그 전달까지 AI 총괄에게 맡겨본다.

처음에는 지금 쓰는 Claude Code나 Codex 하나로 시작하면 된다. Paseo, OMP, ClaudeRipple은 뒤에서 필요한 것만 고른다.

준비부터 AI에게 맡기자

아래 요청을 지금 쓰는 Codex나 Claude Code의 채팅창에 붙여 넣는다. AI가 연습 폴더와 필요한 실행 환경을 준비하도록 하는 요청이다. 직접 처리하지 못하는 단계는 내가 할 일을 하나씩 안내받으면 된다.

지금 사용 중인 Codex 또는 Claude Code로 작은 웹페이지를 만들어보고 싶어.
현재 대화의 코딩 도구와 모델을 유지한 채 연습 환경을 준비해줘.

먼저 현재 작업 폴더와 파일 읽기, 쓰기, 명령 실행이 가능한지 확인해.
기존 작업과 분리된 ai-team-practice 연습 폴더를 준비해줘.
같은 이름의 폴더가 있으면 내용을 확인하고 기존 파일을 덮어쓰지 마.

현재 도구로 작업하는 데 필요한 설치, 로그인 상태를 확인해.
웹페이지를 만들고 실행하는 데 필요한 프로그램만 공식 안내에 따라 준비하고,
이미 설치된 프로그램은 그대로 사용해줘.
로그인이나 계정 동의가 필요하면 내가 직접 완료할 때까지 기다려줘.
비밀번호나 API 키는 채팅으로 요구하지 마.

직접 처리할 수 없는 단계는 내가 지금 해야 할 일 하나씩만 알려줘.
폴더를 열어야 한다면 Codex나 Claude Code 중 현재 쓰는 도구를 기준으로 안내해줘.

준비가 끝나면 아래 세 가지만 짧게 알려줘.
1. 사용할 연습 폴더
2. 준비된 것과 내가 아직 해야 할 것
3. 다음 만들기 요청을 입력할 채팅창

이번에는 연습 환경 준비까지만 하고, 웹페이지 구현은 다음 요청을 기다려줘.

내가 확인할 것은 두 가지다. 로그인한 계정이 맞는지, 그리고 연습 폴더가 작업 대상으로 열렸는지다. AI가 준비를 마쳤다고 하면 다음 요청으로 넘어간다.

첫 요청: 작은 할 일 목록 만들기

프로젝트가 열린 코딩 AI의 채팅창에 보낸다. 파일 이름이나 코드는 미리 작성하지 않아도 된다. 필요한 파일을 AI가 만들게 한다.

현재 열린 연습 폴더에 작은 할 일 목록 웹페이지를 만들어줘.
할 일 추가, 완료 표시, 삭제, 완료한 항목만 보기가 필요해.
빈 내용은 추가되지 않게 해줘.
필요한 파일은 네가 만들고 구조는 단순하게 정해줘.
기능에 맞는 자동 검사를 만들고, 실행 가능한 검사를 직접 해줘.
끝나면 수정을 멈추고 내가 페이지를 여는 방법을 알려줘.
검토자에게 전달할 요구사항, 작업 폴더, 변경 파일, 검사 결과도 짧게 정리해줘.

페이지가 열리면 추가 → 완료 표시 → 완료한 항목만 보기 → 삭제를 한 번 해본다. 빈 내용도 넣어보자. AI에게 화면 조작 기능이 있다면 같은 동작을 해달라고 요청할 수 있다.

여기서는 지금 쓰는 설정으로 먼저 결과를 보면 된다. 역할별로 모델을 나누고 싶어지면 뒤의 ‘모델별 스윗스팟 찾기’ 표를 참고하자.

새 AI에게 확인시키자

같은 프로젝트에서 새 대화를 열어 검토를 맡긴다. 가능하면 다른 모델을 써도 좋다. 검토하는 AI도 실제 프로젝트 파일을 열 수 있어야 한다. 웹 채팅창에 내 PC 경로만 적으면 파일이 전달되는 것은 아니다.

만드는 AI에게 받은 작업 요약과 함께 아래 요청을 보낸다. 대괄호 한 곳만 실제 작업 폴더로 바꾸면 된다.

너는 이 작업의 검토 담당이야. 소스와 테스트 파일은 수정하지 마.
작업 폴더: [만드는 AI가 알려준 작업 폴더]
원래 요구사항은 할 일 추가, 완료 표시, 삭제, 완료한 항목만 보기야.
빈 내용은 추가되지 않아야 해.
만드는 AI의 설명에만 기대지 말고 실제 코드와 검사 내용을 비교해줘.
잘못된 동작을 검사 코드가 통과시키는 경우도 살펴봐.
직접 실행한 검사, 읽어보기만 한 부분, 확인하지 못한 부분을 구분해줘.
문제가 있다면 재현 방법과 기대한 동작을 짧게 알려줘.

문제가 실제로 재현되면 그 내용을 만드는 AI에게 돌려준다. 검토 중에는 만드는 AI의 수정을 멈추고, 같은 결과물을 확인하게 한다.

“검사 통과”와 함께 어떻게 실행하는지, 실제로 무엇을 확인했는지, 남은 문제가 무엇인지를 받으면 된다. 작은 작업은 이 방식만으로도 진행할 수 있다.

도구는 무엇이 불편할 때 추가할까?

이제 같은 흐름을 반복하다 불편한 부분이 생기면 도구를 고른다. 이름보다 어느 일을 대신해주는지를 보자.

** **그림의 Claude,GPT는 답을 만드는 모델이고, Claude Code,Codex,OMP는 파일을 읽고 고치는 작업 프로그램이다. 이 작업 프로그램을 하네스라고도 부른다. Paseo는 여러 작업 프로그램의 대화와 진행을 한곳에서 관리한다.

이미 쓰는 도구에서 원하는 모델 연결과 작업 분담이 된다면 그대로 써도 된다. ClaudeRipple은 Claude Code의 작업 환경을 유지하면서 모델 연결과 작업자 배정을 관리하고 싶을 때, OMP는 OMP의 도구와 작업 방식으로 여러 모델을 쓰고 싶을 때 고르면 된다. 둘 다 구현과 검토를 나눠 진행할 수 있다. 리플 안내, OMP 안내

여러 코딩 도구의 창을 모으고 싶다면 Paseo

Claude Code로 만들고 Codex로 확인하는 식으로, 서로 다른 도구를 함께 쓸 때 Paseo를 고르면 된다. 프로젝트별로 대화와 진행 상태를 모아 볼 수 있고, 위임 기능을 준비하면 AI가 다른 작업자에게 요청을 전달하고 결과를 받을 수도 있다. Paseo 공식 안내.

Paseo를 쓰려면 그 PC에 실제로 실행할 Claude Code,Codex와 각 계정 연결이 준비돼 있어야 한다. 준비는 지금 쓰는 코딩 AI에게 아래처럼 맡기자.

이 Windows PC에서 Paseo로 Claude Code와 Codex를 같은 연습 프로젝트에 쓰고 싶어.
공식 안내 https://paseo.sh/docs 와 https://paseo.sh/download 를 확인해줘.
먼저 Paseo와 두 코딩 도구의 설치, 로그인 상태를 확인하고 필요한 것만 준비해줘.
기존 프로젝트는 유지하고 앞에서 만든 연습 폴더를 사용해.
로그인과 계정 동의는 내가 직접 하게 기다려줘.
앱 안에서 직접 설정할 수 없는 부분은 지금 누를 메뉴 하나씩 알려줘.
두 도구가 같은 프로젝트 폴더에서 실행되는지 확인해줘.
AI가 작업을 전달하도록 하려면 필요한 위임 도구 설정도 확인해줘.
끝나면 내가 총괄용 새 대화를 어디서 열면 되는지 알려줘.

Paseo에서 프로젝트 폴더를 고르는 위치는 아래 실제 앱 영상처럼 생겼다.

Paseo의 내장 위임 도구를 쓰려면 설정 → 현재 호스트 → 에이전트에서 Paseo 도구 활성화를 켜고 새 대화를 연다. 호스트는 작업이 실행되는 컴퓨터를 뜻한다. 아래 영상은 설정 위치를 보여주며, 켠 뒤 실제 작업자를 부를 수 있는지도 확인해야 한다.

직접 구현, 검토 대화를 열어 요청을 전달해도 된다. 전달까지 AI에게 맡기려면 준비된 총괄 대화에 뒤의 ‘총괄에게 보낼 요청’을 붙여 넣는다.

여러 모델을 한 작업 방식으로 쓰고 싶다면 OMP

OMP는 여러 회사 모델을 연결해 쓰는 코딩 하네스다. OMP의 파일,검사 도구를 사용하면서, 일 종류에 따라 쓸 모델과 작업자를 정할 수 있다.

예를 들어 자주 쓰는 모델을 총괄에, 가벼운 모델을 작은 구현에, 다른 모델을 검토에 지정해둘 수 있다. 매번 별도 연결 방법을 조합하기보다 한 도구의 작업 흐름 안에서 모델 배정을 관리하고 싶은 사람에게 맞는다. 역할 이름과 실제 작업자 연결은 설치본에서 확인한다. OMP 역할 안내.

Claude Code의 설정과 작업 방식에 익숙하다면 다음 절의 리플도 비교해보자. OMP를 고르면 실제 파일 작업은 OMP가 한다. Claude 모델을 연결했다고 Claude Code 프로그램을 실행하는 것은 아니다.

이 PC에서 OMP를 준비해 Claude 모델과 OpenAI의 GPT 모델을 함께 쓰고 싶어.
공식 안내 https://omp.sh/docs/quickstart 를 확인하고 설치본의 도움말도 읽어줘.
지금 이 대화는 유지하고, OMP 설치,연결 준비를 진행해줘.
이미 설치돼 있으면 재설치하지 말고, 설정 변경 전에는 기존 설정을 백업해.
Anthropic,OpenAI Codex 연결을 준비하되 로그인, 계정 동의는 내가 직접 하게 기다려줘.
인증된 목록의 실제 모델과 지원 강도를 확인해줘.
우선 총괄,구현,검토에 쓸 고정 모델을 정하고, 실제 작업자와 연결되는지 확인해줘.
가능한 Claude,GPT 후보를 설명하고, 지원하지 않는 항목을 임의로 대체하지 마.
Jev나 자동 추론 강도는 이번 준비에 추가하지 마.
Claude와 GPT에 파일을 읽거나 고치지 않는 짧은 요청을 각각 보내 실제 응답을 확인해줘.
끝나면 OMP를 연습 폴더에서 열어주거나, 내가 여는 방법 하나를 알려줘.
실제 적용 설정과 응답 결과, 남은 수동 단계를 짧게 정리해줘.

아래는 OMP 안에서 공급자를 고르고 실제로 두 계정의 연결 성공을 확인한 녹화다.

준비가 끝나면 OMP의 채팅창에 뒤의 ‘총괄에게 보낼 요청’을 붙여 넣는다. OMP 안의 작업자는 OMP 기능으로 실행된다. 계정 목록에 Codex가 있다고 별도의 Codex 프로그램이 작업자로 켜지는 것은 아니다.

Claude Code를 유지하고 싶다면 ClaudeRipple

Claude Code의 파일 도구, 기존 스킬과 작업 방식은 계속 쓰면서 GPT나 다른 모델도 연결하고 싶을 때 리플을 고를 수 있다.

리플은 모델을 어디로 연결할지 정하는 설정 화면, Claude Code의 하위 작업자 등록과 모델 배정, 실제 요청이 어느 모델로 갔는지 보는 기록을 제공한다. 리플로 등록한 GPT 작업자도 Claude Code의 파일, 명령 실행 도구를 사용해 구현이나 검토를 할 수 있다. 매번 연결 설정을 손으로 조합하는 대신 이런 기능을 묶어 쓰고 싶은 경우에 장점이 있다. 파일을 다루고 작업자를 실행하는 프로그램은 계속 Claude Code다. 리플 공식 안내.

처음에는 Claude 총괄 + 다른 모델 작업자 하나만 준비하자. 여러 회사 모델을 한꺼번에 전부 등록할 필요는 없다.

이 PC에서 Claude Code를 유지하면서 ClaudeRipple로 GPT 작업자 한 명을 연결하고 싶어.
공식 안내 https://github.com/PBJ-2/clauderipple 를 확인해줘.
Claude Code와 리플의 설치, 연결 상태를 먼저 확인하고 필요한 것만 준비해줘.
기존 설정은 백업하고, 현재 총괄의 모델과 다른 연결은 유지해줘.
ChatGPT 로그인, 계정 동의는 내가 직접 하게 기다려줘.
API 키가 필요하면 로컬에서 입력할 위치를 알려주고 채팅으로 요구하지 마.
연결 가능한 실제 GPT 모델 하나를 골라, Claude 총괄이 따로 부를 작업자로 준비해줘.
Jev나 자동 강도, 자동 작업자 판정은 이번 준비에 추가하지 마.
실제 등록된 작업자 이름과 호출 방법을 확인해줘.
그 작업자에게 파일을 읽거나 고치지 말고 OK만 답하도록 요청해 연결을 시험해줘.
자기 이름을 답한 것만 보지 말고 실제 요청 기록의 모델도 확인해줘.
직접 못 하는 설정은 내가 지금 할 일 하나씩만 알려줘.

여기서는 작업자를 연결하는 것과 주 대화 모델을 바꾸는 것을 구분한다. Claude를 총괄로 쓰려면 총괄 대화의 모델은 그대로 두고, 준비한 GPT 작업자에게 일을 보내게 한다.

아래 영상은 연결이 된 GPT를 Claude Code에서 선택해 실제 응답을 확인한 예시다.

이제 요청 전달까지 AI에게 맡겨보자

최종적으로 만들 구조는 아래와 같다. 나는 목표를 주고, AI 총괄은 구현과 검토를 차례로 맡긴 뒤 결과를 모은다. 구현이 끝나면 수정을 멈추고, 별도 검토자가 같은 코드 버전을 원래 요구사항과 비교한다. 총괄이 보고를 받아 재현된 문제만 구현 담당에게 돌려보낸다.

Paseo,OMP,리플은 이 구조를 실행하는 방법 중 필요한 것을 고르면 된다. 세 가지를 모두 설치할 필요는 없다. 같은 모델을 여러 역할에 써도 구현과 검토는 별도 작업자, 대화로 나눈다. 총괄은 확인된 결과와 남은 문제를 보고하고, 마지막 사용 확인은 내가 한다.

모델별 스윗스팟 찾기: 역할별 시험 시작값

여기서 스윗스팟은 내 작업을 충분한 품질로 끝내면서 시간과 사용량도 납득할 만한 설정이다. 아래 표는 직접 측정해 확정한 최적값이 아니라, 이 글의 역할 배정을 위한 시험 출발값이다. 내 목록에 있는 모델만 보면 된다.

예를 들면 Opus Medium 총괄 + Haiku Medium 구현 + Sonnet High 검토, 또는 Sol High 총괄 + Luna High 구현 + 별도 Sol High 검토로 시험할 수 있다. 여러 회사 모델을 연결한 도구에서는 내 연결 목록에 맞춰 섞어도 된다. 세 역할을 반드시 다른 모델로 채울 필요는 없다.

모델,강도 지원 여부와 실제 적용값은 도구의 메뉴,호출 기록에서 확인한다. 프롬프트에 이름을 적는 것만으로 설정이 바뀌지는 않는다. Extra High는 화면에서 매우 높음 또는 xhigh로 보일 수 있으며, 같은 High라도 모델 사이의 시간,사용량이 같지는 않다.

내 작업에 맞추는 일도 AI에게 맡길 수 있다. 같은 시작 코드,요구사항,검사 조건으로 강도 하나만 바꿔 비교하고, 통과 여부,시간,확인 가능한 사용량,수정 횟수를 정리해달라고 하면 된다. 실행하거나 측정하지 못한 값은 미확인으로 남긴다. 품질 차이가 없으면 더 가벼운 설정을 쓰고, 오류 로그나 요구사항이 빠졌다면 그것부터 보충한다.

총괄에게 보낼 요청

Paseo,OMP,리플 중 준비한 도구의 총괄 대화에서 모델과 지원 강도를 고른 뒤 아래 요청을 보낸다. 앞에서 만든 할 일 목록에 저장 기능 하나를 추가하는 연습이다.

현재 할 일 목록 프로젝트의 총괄을 맡아줘. 현재 대화의 모델은 유지해.
먼저 이 도구에서 실제로 부를 수 있는 별도 작업자를 확인해.
구현 담당 한 명과 별도 검토 담당 한 명을 준비해.
담당자별 모델,강도를 내가 지정했다면 그 값을 사용해.
지정하지 않았다면 실제로 쓸 수 있는 후보에서 골라 배정해줘.
필요한 설정이 빠졌다면 먼저 알려줘.
각 담당자의 실제 적용 모델,강도를 기록하고,
확인할 수 없는 값은 미확인으로 남겨줘.

추가할 기능: 할 일과 완료 상태를 브라우저에 저장해줘.
새로고침 후에도 유지되고, 삭제한 항목은 다시 나타나면 안 돼.
기존 추가,완료,삭제,완료 항목만 보기와 빈 입력 방지도 유지해.

구현 담당자에게 요구사항 전체를 전달하고 구현과 검사를 맡겨.
구현이 끝나고 수정이 멈추면 같은 결과물을 다른 검토 담당자에게 전달해.
검토자에게도 원래 요구사항 전체, 작업 폴더, 코드 버전과 검사 결과를 전달해.
Git을 쓴다면 커밋과 미커밋 변경을 함께 기록하고, 검토 중에는 코드를 바꾸지 마.
검토 담당자는 소스와 테스트를 고치지 말고 문제와 재현 방법을 보고하게 해.
재현되는 문제만 구현 담당자에게 돌려보내고 추가 수정은 최대 두 번으로 해.
수정한 결과는 다시 검토하고, 해결되지 않은 문제는 남겨서 보고해.
마지막에 실제 부른 작업자와 확인 가능한 모델, 강도,
실행한 검사, 내가 여는 방법, 남은 문제를 알려줘.
별도 작업자를 실제로 못 불렀다면 그 사실을 그대로 알려줘.

AI가 “역할을 나눠 생각했다”고 답한 것만으로는 별도 작업자를 부른 것이 확인되지 않는다. 실제로 열린 작업자와 실행 결과를 보자. 호출 기능이 없다면 2,3절처럼 구현 대화와 검토 대화를 직접 나눠도 된다.

막히면 오류와 이 요청을 함께 보내자

오류 메시지나 화면을 AI에게 보내고 아래처럼 요청한다. 이메일, 키, 계정 정보는 가리고 보낸다.

지금 단계에서 막혔어. 첨부한 오류와 현재 화면을 보고 원인을 확인해줘.
네가 직접 고칠 수 있는 부분은 기존 설정을 보존하면서 처리해줘.
내가 해야 하는 부분은 지금 할 일 하나만 알려줘.
실행하지 않은 설치, 로그인, 검사를 완료했다고 말하지 마.
해결 뒤에는 원래 하던 단계에서 이어가줘.

선택 사항: Jev로 자동 선택을 시험하고 싶다면

Jev는 모델이나 추론 강도를 고르는 데 사용하는 별도 판정 모델이다. 고정한 모델과 강도로 구현, 검토를 나눠 쓰는 데는 필요하지 않다. 우선 지금 설정으로 작업을 끝내보고, 자동 선택이 내 작업에 도움이 되는지 비교하고 싶을 때만 추가하자.

Jev 자동 선택

이 단계는 건너뛰어도 된다. 고정한 모델, 추론 강도로 구현과 검토를 진행할 수 있다. Jev는 그 선택을 자동화해보고 싶은 사람을 위한 추가 설정이다.

필요한 키는 내가 준비한다

TypeSafe 콘솔에서 계정을 준비하고 API 키를 발급한다. 키는 채팅에 보내지 말고 도구가 안내한 로컬 입력 위치에 넣는다. 잔액과 만료일, 사용 조건은 내 계정의 실제 표시를 확인한다.

Jev는 입력 토큰 단가가 매우 낮아, 소규모 개인 프로젝트라면 $5 정도만 충전해도 충분히 실험해 볼 수 있습니다. 다만 실제 사용량에 따라 비용은 달라질 수 있습니다.

TypeSafe 사용이 필수는 아니며, Jev 모델을 지원하는 다른 API 제공업체를 이용해도 무방합니다. 단, 제공업체에 따라 API 설정과 요금이 다를 수 있습니다.

연결은 AI에게 맡기고 별도 시험을 한다

사용 중인 코딩 AI에게 보낸다. 대괄호를 OMP 또는 ClaudeRipple로 바꾼다.

현재 사용하는 [OMP 또는 ClaudeRipple]에서 Jev 자동 선택을 별도로 시험하고 싶어.
설치 버전의 공식 안내와 현재 설정을 먼저 확인하고 변경 전 백업해줘.
현재 작업의 고정 모델, 강도는 보존하고 별도 시험 대화에서 진행해줘.
TypeSafe 키는 내가 로컬에서 입력할 수 있는 위치를 알려줘. 키를 출력하지 마.
설정 뒤에 짧은 요청 하나로 실제 Jev 판정과 코딩 모델 응답을 확인해줘.
설정에 Jev가 표시된 것과 실제로 호출된 것을 구분해줘.
실제 판정 주체, 선택 강도, 확인 가능한 사용량을 알려줘.
다른 모델이 대신 판정했거나 확인할 수 없으면 그대로 알려줘.
고정 설정과 비교할 방법, 다시 원래대로 돌아가는 방법도 알려줘.

OMP의 실제 설정 화면

OMP에서는 TypeSafe API 키를 등록하고, Judge 역할에 Jev를 배정한 뒤 추론 강도를 Auto로 설정했습니다.

이렇게 설정하면 Jev가 작업의 난이도를 판단하고, OMP가 그 결과에 맞춰 코딩 모델의 추론 강도를 자동으로 조절할 수 있습니다.

실제 기록에서 Jev가 추론 강도를 low로 선택하고, Haiku 5.5가 응답한 것을 확인했다. 연결과 판정이 작동한다는 확인이며, 고정 설정보다 성능이 좋다는 비교 결과는 아니다.

ClaudeRipple의 실제 설정 화면

Claude Code에서 리플 설정을 열고 Jev를 골라 키를 저장했다. 입력칸에 포커스를 옮긴 뒤 저장하며, 촬영한 버전에서는 Ctrl+X 다음 Tab으로 설정 패널에 진입했다. 키 입력값은 녹화하지 않았다.

같은 세션의 기록에서 Jev 판정 1회와 Haiku 5.5의 응답을 확인했다. 다른 모델이 대신 판정한 기록은 없었다. Jev의 판정 사용량과 실제 코딩 모델의 사용량은 별도다.

마치며

처음부터 여러 AI를 연결하고 복잡하게 설정할 필요는 없습니다. 평소 반복해서 하는 간단한 작업 하나부터 시작해 보세용!

AI에게 만들게 하고, 다른 AI가 결과를 확인하게 한 다음, 마지막으로 내가 직접 써보는 것까지 해보면 됩니당.

어느 정도 익숙해지면 AI끼리 일을 나눠서 처리하게 해보고, 자신에게 잘 맞는 모델 조합도 하나씩 찾아보세요. 사용하다가 불편한 부분이 생기면 그때 필요한 도구를 추가해도 충분합니다.

처음에는 잘 안 되거나 중간에 막힐 수도 있습니다. 저도 여러 도구와 모델을 직접 써보면서 이것저것 실험하는 중입니다 ㅋㅋ

따라 해보면서 괜찮았던 조합이나 막혔던 부분이 있다면 댓글로 편하게 공유해 주세요!