Anthropic이 자사 블로그에 공개한 사례는 새 모델 발표가 아니라 "AI 에이전트로 대규모 코드 마이그레이션을 어떻게 실제로 해냈는가"에 관한 구체적인 운영 기록이다. 지난 한 달 사이 Anthropic 내부 개발자들이 Claude Code를 이용해 수만에서 수십만 줄 규모의 코드 패키지 열 개를 다른 언어로 옮겼다고 밝혔는데, 그중 두 사례를 상세히 공개했다. 하나는 Bun의 공동 창업자 Jarred Sumner가 진행한 Zig에서 Rust로의 전환이고, 다른 하나는 Anthropic Labs 공동대표 Mike Krieger가 진행한 Python에서 TypeScript로의 전환이다.
Bun 사례의 규모가 특히 눈에 띈다. 약 100만 줄에 달하는 코드가 2주 안에 만들어졌고, 기존 Bun 테스트 스위트의 100%가 병합 전 CI에서 통과했다. 병합 이후 19건의 회귀가 발견됐지만 모두 수정됐다. Mike의 사례는 규모는 더 작지만 속도가 인상적이다. 약 16만 5천 줄 분량의 Python 코드베이스를 주말 동안 TypeScript로 옮겼는데, 이 과정에는 수백 개의 서브 에이전트, 여덟 번의 단계별 검증 관문(phase gate), 세 차례의 적대적 리뷰가 포함됐다.
비용은 여전히 만만치 않다: 16만 5천 달러짜리 포팅
Anthropic은 이 작업이 공짜가 아니라는 점을 숨기지 않다. Bun 마이그레이션은 59억 개의 캐시되지 않은 입력 토큰과 6억 9천만 개의 출력 토큰을 소비했고, API 가격 기준으로 약 16만 5천 달러에 해당한다고 밝혔다. Mike의 포팅은 이보다 작아 약 2,700만 토큰이 쓰였다. 예전 같으면 수백만 달러와 3~4년이 걸렸을 프로젝트가 수만에서 수십만 달러, 몇 주 단위로 압축된 셈이다. 다만 그 대가로 "코드를 고치는 것"이 아니라 "코드를 만들어내는 과정(루프) 자체를 고친다"는 사고방식 전환이 필요하다고 Anthropic은 설명한다.
여섯 단계로 정리된 마이그레이션 절차
Anthropic이 공개한 절차는 크게 여섯 단계로 나뉜다. 먼저 원본 코드와 대상 코드를 동등하게 평가할 수 있는 "심판" 역할의 테스트 스위트를 준비하고, 번역 규칙집(rulebook)과 언어 간 격차 목록(gap inventory)을 만든다. 이어서 일부 파일만으로 규칙을 미리 시험해보는 "예행 연습" 단계를 거친다. Jarred는 이 단계에서 전체 1,448개 파일에 규칙을 적용하기 전에 두 가지 치명적 문제를 미리 잡아냈다고 밝혔다. 그 다음 나머지 파일 전체를 번역하고, 컴파일 오류를 고치고, 스모크 테스트로 크래시를 잡고, 마지막으로 원본과 이식본의 실제 동작을 비교하는 테스트로 마무리한다.
사람이 고치지 않고, 규칙을 고친다
이 과정에서 반복해서 강조되는 원칙은 "같은 실수를 여러 파일에서 반복해서 발견하면, 파일 하나하나를 손으로 고치지 않고 규칙집에 문장 하나를 추가한 뒤 해당 파일들을 다시 생성한다"는 것이다. 즉 사람이 개입하는 지점은 코드 자체가 아니라 코드를 만들어내는 규칙과 검증 루프이다. 컴파일러가 잡아내는 오류 목록, 스모크 테스트가 잡아내는 크래시, 테스트 스위트가 잡아내는 실패 사례가 그대로 다음 작업 큐가 되는 구조이다. Mike의 경우 테스트 스위트가 충분치 않았는데, 그 문제를 해결한 방법도 눈에 띈다. Claude에게 일곱 개의 실제 시나리오로 구성된 소규모 검증 도구를 직접 만들게 하고, 이를 활용해 나흘 밤 연속으로 자율적으로 실행·수정을 반복하게 했다.
실제로 달라진 것: 8분짜리 빌드가 2초로
이 프로젝트의 발단이 된 것은 야심 찬 성능 목표가 아니라 반복되는 불편이었다. Mike의 팀이 만드는 내부 도구는 단일 바이너리로 배포되는데, 기존 Python 툴체인으로는 플랫폼당 약 8분, 전체 빌드 매트릭스 기준으로는 릴리스마다 30분의 대기 시간이 들었다. 포팅 이후 같은 컴파일 작업은 약 2초로 줄었고, 바이너리 시작 속도도 6배 빨라졌으며, 팀은 별도로 유지하던 배포 파이프라인 하나를 통째로 없앨 수 있었다. Anthropic이 자사 제품인 Claude Code의 사례로 공개한 내용이지만, 실제 프로덕션 코드베이스를 대상으로 구체적인 단계별 절차와 실패·수정 과정까지 공개했다는 점에서 "AI 에이전트가 실무에서 큰 작업을 어떻게 나눠 처리하는가"를 보여주는 참고 사례이다.
출처: Claude by Anthropic, How Anthropic runs large-scale code migrations with Claude Code