이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트 코드를 정리할 때 GitHub Copilot을 처음 써봤습니다. 중복 로직이 흩어진 유틸 함수들을 리팩토링하는 데 수작업으로 2시간 걸리던 이름 변경과 추출 작업이 30분 안에 끝났습니다. 다만 제안 코드를 그대로 쓰면 기존 테스트가 깨지는 경우가 종종 있어서, 변경 전에 pytest로 커버리지를 먼저 확인하는 루틴을 만들었습니다. 효과를 수치로 확인하려고 radon으로 순환 복잡도를 측정했더니 주요 모듈의 복잡도가 평균 12에서 6으로 줄었고, 함수 길이도 절반 이하로 짧아졌습니다. AI 도구는 반복적인 추출과 이름 변경에 빠른 반면, 도메인 맥락이 필요한 설계 결정에는 제 판단이 여전히 더 중요하다는 걸 느꼈습니다.
도구가 방향을 제안하고 내가 맥락으로 검증하는 흐름이 지금도 익숙해진 방식입니다.
레거시 코드를 정리할 때 Cursor를 처음 써봤습니다. 파일 여러 개의 맥락을 함께 읽고 제안한다는 점이 Copilot과 달랐습니다. 1,200줄짜리 모듈을 역할별로 분리하는 작업에서, 어느 함수가 어느 모듈로 가야 할지 기존 호출 패턴을 분석해 제안해줬습니다. 수동으로 의존성 그래프를 그리던 시간이 크게 줄었습니다. 다만 제안이 맞는지 확인하기 위해 기존 통합 테스트를 전부 돌려야 했고, 제안 10건 중 2건 정도는 다른 파일과 충돌하는 변경이 포함돼 있었습니다.
변경 단위를 작게 끊어서 커밋마다 테스트를 돌리는 방식으로 바꾸니 실수가 줄었습니다. 도구가 맥락을 잘 읽을수록 제안 범위가 넓어지고, 그만큼 검증 책임도 커진다는 걸 배웠습니다. AI 도구는 제안자이지 검증자가 아니라는 감각이 이때 자리를 잡았습니다.
리팩토링 효과를 팀에 설명해야 할 때 '코드가 깔끔해졌다'는 말로는 설득이 안 됐습니다. SonarQube를 연동해 리팩토링 전후 순환 복잡도(Cyclomatic Complexity)와 중복률을 수치로 뽑기 시작했습니다. AI 도구가 제안한 변경을 바로 적용하는 대신, 변경 전 지표를 기록하고 변경 후 다시 측정하는 2단계 검증 루틴을 만들었습니다. 지표가 오히려 나빠진 제안이 3건 있었는데, AI는 가독성을 올리는 방향으로 제안했지만 중복 로직이 늘어난 경우였습니다. 그 3건은 직접 손으로 다시 작성했습니다. 팀 PR 체크리스트에 'SonarQube 지표 변화 첨부'를 추가한 뒤, 리뷰어가 코드만 보는 게 아니라 지표 변화로 먼저 판단하는 흐름이 생겼습니다.
검증 기준이 없는 리팩토링은 리팩토링이 아니라 재작성이라는 결을 팀과 공유했습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 트립비토즈 백엔드 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.