I Built a 10-Agent AI Code Review System with MiMo — Here's What I Learned

개요

MiMo를 활용한 10개의 전문 AI 에이전트가 코드를 병렬로 검토하여 30초 내에 GitHub PR에 인라인 주석을 포함한 위험 보고서를 생성하는 시스템 아키텍처와 학습된 내용을 공유한다.

주요 내용

* 문제점: 수동 코드 검토는 시간이 오래 걸리고(1-2시간), 피로에 의해 실수가 발생하며, "LGTM"이 형식적인 승인이 되는 경향이 있다.
* 시스템 아키텍처: LangGraph를 사용하여 9개의 병렬 검토 에이전트를 오케스트레이션하고, CoordinatorAgent가 결과를 종합한다.
* CoordinatorAgent 기능:
* 의미론적 중복 제거: Jaccard 유사도를 사용하여 여러 에이전트가 보고한 동일한 이슈를 병합한다.
* 충돌 해결: 서로 다른 심각도 평가 시 LLM을 사용하여 올바른 심각도를 결정한다.
* 위험 점수 계산: 심각도에 따른 가중치 합계를 통해 0-100점의 위험 점수를 산출한다.
* 10가지 에이전트: SecurityAgent, LogicAgent, PerformanceAgent, StyleAgent, TestAgent, DocAgent, FixAgent, RefactorAgent, RepoAgent, CoordinatorAgent.
* 지원 LLM 백엔드: MiMo, DeepSeek, Qwen, GLM, Kimi, OpenAI, Anthropic 등 7가지 LLM 백엔드를 지원한다.
* 사용 방법: CLI 도구 (revhive review) 및 GitHub App을 통한 자동 PR 검토 기능을 제공한다. Docker 이미지로도 제공된다.
* 학습 내용:
* 병렬 에이전트의 우수성: 병렬 처리는 단순히 빠를 뿐만 아니라, 각 에이전트가 도메인에 깊이 집중할 수 있어 더 나은 결과를 생성한다.
* 의미론적 중복 제거의 중요성: Jaccard 유사도를 통한 키워드 기반 중복 제거는 효율적이다.
* LLM 기반 충돌 해결: 서로 다른 심각도 평가 시 LLM을 활용하는 것이 더 미묘한 결과를 제공한다.
* 중국 LLM 시장의 기회: 국내 LLM 지원 도구의 필요성이 존재한다.
* 데모 모드의 필수성: API 키 없이 작동하는 데모 모드는 평가 장벽을 낮춘다.

시사점

이 시스템은 AI 에이전트를 활용하여 코드 검토 프로세스의 효율성과 정확성을 크게 향상시키고, 특히 국내 LLM 지원을 통해 개발자들의 접근성을 높이는 실무적 적용 가능성을 보여준다.