CURVC DevOps Confluence


커브에서 운영하는 DevOps 지식 기반 공간에 오신것을 환영합니다. DevOps, ALM, Agile과 관련된 Atlassian,
SonarQube, Open Source, CURVC 솔루션에 대한 다양한 정보를 확인할 수 있습니다.



 

- Products Guide -




Jira 가이드

Atlassian Jira Guide

Atlassian Jira 설치, 사용자, 관리자 가이드를 제공합니다.

Confluence 가이드

Atlassian Confluence Guide

Atlassian Confluence 설치, 사용자, 관리자 가이드를 제공합니다.

Bitbucket 가이드

Atlassian Bitbucket Guide

Atlassian Bitbucket 설치, 사용자, 관리자 가이드를 제공합니다.



Bamboo 가이드

Atlassian Bamboo Guide

Atlassian Bamboo 설치, 사용자, 관리자 가이드를 제공합니다. 



Crowd 가이드

Atlassian Crowd Guide

Atlassian Crowd 설치, 사용자 관리자 가이드를 제공합니다.




SonarQube Guide

SonarQube 설치, 사용자, 관리자 가이드를 제공합니다.




- CURVC News -




main.png
2026/06/24

AI 에이전트와 Jira로 엔지니어링 "반복 업무"를 최대 80% 줄인 방법

출처: How We Cut up to 80% of Engineering “Chores” Using AI Agents in Jira https://www.atlassian.com/blog/development/ai-agents-jira-engineering-maintenance 작성자:  Arnaud Moret, Principal Engineer, Jira Waiyee Loo, Senior Engineer, Jira 발행일: 2026년 06월 01일 Jira 엔지니어링 팀은 KTLO(Keeping the Lights On) 업무에 예상보다 많은 시간을 할애하고 있었습니다. 이는 누구도 많은 시간을 들이고 싶어 하지는 않지만 반드시 수행해야 하는 작고 중요한 유지보수 작업을 의미합니다. 예를 들어 오래된 기능 플래그 정리, 불안정한 테스트(flaky tests) 추적, 발견된 취약점 수정, 접근성 이슈 해결, 그리고 장기간 누적된 버그를 처리하는 작업 등이 포함됩니다. 팀은 단순히 기술 부채를 관리하는 데 그치지 않고, 최고의 도구를 활용해 엔지니어링 조직이 더 빠르게 움직일 수 있도록 지원하는 데 시간을 집중하고자 했습니다. 이를 위해 에이전트, Jira, 그리고 워크플로를 활용해 핵심적인 반복 업무에 소요되는 시간을 최대 80%까지 줄일 수 있는 방식을 마련했습니다. Jira는 이러한 전략의 중심에 있습니다. 각 작업 항목(work item)은 수행해야 할 업무를 기록하는 역할을 할 뿐만 아니라, 에이전트에게 제공되는 프롬프트 역할도 합니다. 에이전트가 필요로 하는 모든 컨텍스트는 작업 항목, Atlassian’s Teamwork Graph https://www.atlassian.com/platform/teamwork-graph, 그리고 워크플로 자동화에 포함된 명시적인 지침을 통해 제공됩니다. 팀은 수년 동안 이러한 유형의 문제를 직접 해결해 왔습니다. 이러한 패턴에 대한 이해가 있었기에 에이전트에 업무를 위임할 수 있었습니다. 효과적인 정리가 어떤 모습인지 알고 있기 때문에 명확한 기준을 정의하고, 검토 단계를 마련하며, 팀의 품질 기준을 충족하는 코드를 생성할 수 있도록 인간이 개입하는(human-in-the-loop) 시스템을 설계할 수 있었습니다. 팀에게 Jira는 단순히 업무를 추적하는 도구가 아닙니다. Jira는 에이전트에 필요한 컨텍스트를 제공하고, 업무를 할당하며, 에이전트가 수행한 작업 중 실제로 코드베이스에 반영할 내용을 팀이 통제하는 공간입니다. 다음은 이러한 프레임워크를 활용해 엔지니어링 반복 업무 일부를 자동화한 두 가지 사례입니다: Jira에서 AI 에이전트를 활용해 불안정한 테스트(flaky tests)를 더 빠르게 해결하는 방법 불안정한 테스트(flaky tests)는 개별적으로 보면 작은 유지보수 이슈처럼 보이지만, 시간이 지날수록 개발 생산성에 실질적인 부담을 줍니다. 이는 빌드를 중단시키고, CI에 대한 신뢰를 떨어뜨리며, 배포 속도를 늦추고, 엔지니어가 제품 개발 대신 문제 해결에 시간을 쓰도록 만듭니다. 기존에는 불안정한 테스트 하나를 해결하는 데 약 2시간이 소요되었습니다. 이러한 문제는 하루에 평균 한 건, 많을 때는 그 이상 발생했습니다. 엔지니어는 CI 실패 원인을 분석하고, 로컬 환경 또는 CI와 유사한 환경에서 문제를 재현한 뒤, 원인이 테스트 코드인지 제품 코드인지 판단하고 수정 작업을 수행해야 했습니다. Jira 기반의 에이전트 워크플로를 도입한 이후, 매월 약 1주일 분량의 엔지니어링 시간을 절약하고 있습니다. 이를 통해 불안정한 테스트 해결에 투입되는 엔지니어링 시간을 최대 80%까지 줄일 수 있었습니다. 에이전트에 적절한 맥락을 제공하는 방법 수작업을 줄이기 위해, 팀은 그동안 처리해 온 불안정한 테스트 문제를 분석했습니다. 비동기 처리 시점 이슈, 경쟁 상태(race conditions), 불안정한 테스트 환경 설정, 신뢰할 수 없는 목(mock) 객체, 페이지 상태 문제, 시각적 렌더링 차이 등 반복적으로 나타나는 공통적인 근본 원인과 해결 패턴을 파악했습니다. 이러한 학습 내용을 재사용 가능한 에이전트 스킬로 전환했습니다. 모든 불안정한 테스트에 하나의 범용 워크플로를 적용하는 대신, 테스트 유형에 따라 적절한 에이전트 스킬이 해당 범주에 특화된 지침을 적용할 수 있도록 설계했습니다. 예를 들어 다음과 같은 스킬을 구성할 수 있습니다: 단위 테스트(Unit test) 전문 스킬: 비동기 처리 시점 이슈, 목(mock) 객체, 가짜 타이머(fake timers), 테스트 격리에 중점을 둡니다. 통합 테스트(Integration test) 전문 스킬: 브라우저 자동화 이슈, 네트워크 경쟁 상태(network races), 페이지 안정성, 테스트 환경 설정에 중점을 둡니다. 시각적 회귀 테스트(Visual regression) 전문 스킬: 결정론적 렌더링(deterministic rendering), 스냅샷 업데이트, 이미지 차이(image diffs), 시각적 테스트 안정성에 중점을 둡니다. 에이전트가 올바른 문제를 진단할 수 있도록, 각 스킬에는 재현(reproduction) 절차도 함께 포함되어 있습니다. 예를 들어 에이전트는 CI 환경을 최대한 유사하게 재현하기 위해 속도를 낮추거나 CPU를 제한(throttled)한 조건에서 실패한 테스트를 반복 실행할 수 있습니다. 이를 통해 단일 로컬 테스트 실행에서는 드러나지 않는 간헐적 실패(intermittent failures)까지 재현할 수 있습니다. Jira 워크플로를 활용한 이슈 자동 분류 티켓이 생성되면 워크플로는 먼저 사용자 정의 프롬프트를 기반으로 에이전트에게 트리아지(triage)를 위임하며, 해당 이슈가 실제 문제인지 검증하는 단계부터 시작합니다. 만약 해당 이슈가 오탐(false positive)으로 판단되면, 에이전트는 작업을 중단하고 그 결과를 요약해 원본 Jira 작업 항목에 코멘트로 남깁니다. 이를 통해 해당 티켓을 검토하는 엔지니어는 에이전트가 수행한 작업과 발견 내용을 별도로 탐색하지 않고도 빠르게 파악할 수 있습니다. 문제가 재현 가능한 경우에는 에이전트가 관련된 수정 패턴을 적용하고 코드 변경을 준비합니다. 이후 엔지니어링 팀을 위해 코멘트를 남기고, 엔지니어가 검토할 수 있도록 드래프트 풀 리퀘스트를 생성합니다. 핵심은 에이전트가 반복적인 1차 작업을 담당한다는 점입니다. 즉, 조사, 진단, 그리고 잠재적 수정 제안까지의 초기 과정을 수행합니다. 엔지니어는 최종적으로 변경 사항을 검증한 후 병합합니다. 이러한 방식으로 과거에는 몇 시간씩 걸리던 수동 조사 작업이 이제는 몇 분 단위의 리뷰 작업으로 줄어들었습니다. https://atlassianblog.wpengine.com/wp-content/uploads/2026/06/workflow-td-1-462x1400.png AI 에이전트로 오래된 기능 플래그 정리를 자동화하는 방법 기능 플래그(feature flags)는 점진적 롤아웃과 안전한 실험에 매우 유용합니다. 하지만 기능 플래그로 제어되는 코드가 정기적으로 최신 상태로 관리되지 않으면 사용되지 않는 코드(dead code)가 누적되고, 이는 성능, 안정성, 개발자 생산성에 영향을 미칠 수 있습니다. 대규모 멀티 제품 코드베이스에서 정리 작업은 단순히 “코드를 제거하는 것”보다 훨씬 복잡합니다. 특정 플래그는 일부 고객에게는 완전히 롤아웃되었지만, 컴플라이언스 요구사항, 릴리스 트랙, 실험 유지 대상 등의 이유로 다른 고객에게는 여전히 활성 상태일 수 있습니다. 여러 시스템에 흩어진 정보를 조합해 플래그의 실제 상태를 파악하는 작업은 수작업에 의존해야 했고, 오류가 발생하기 쉬웠습니다. 지루하고 시간이 많이 걸리며 반복적인 작업이었고, 에이전트에 맡기기에 적합한 영역이었습니다. 이러한 작업의 상당 부분을 자동화하기 위해 Jira에 시스템을 구축했습니다. 현재까지 이 시스템을 통해 최근 70일 동안 500건 이상의 PR이 병합되었습니다. Jira 작업 항목을 프롬프트로 활용하는 방법 그동안의 경험을 바탕으로 코드베이스에서 오래된 기능 플래그를 식별하고, 에이전트가 작업을 시작하는 데 필요한 컨텍스트를 수집할 수 있는 휴리스틱을 만들었습니다. 매일 실행되는 cron 작업을 통해 오래된 각 플래그에 대한 Jira 작업 항목을 생성하고 업데이트하며, 여기에는 다음 정보가 포함됩니다: 플래그 이름 및 유형: 플래그의 고유 식별자와 플래그 유형을 포함합니다. 예를 들어 롤아웃 게이트(rollout gate), 실험(experiment) 등이 해당됩니다. 저장소 및 코드 참조 정보: 플래그가 사용된 정확한 레포지토리, 파일 경로, 줄 번호를 포함합니다. 원하는 최종 상태: 플래그가 제거된 후 코드가 어떤 모습이어야 하는지를 정의합니다. 예를 들어 롤아웃 게이트의 경우 일반적으로 유지해야 하는 “on” 또는 “off” 분기를 의미합니다. 실험의 경우 선정된 코호트, 특정 변형(variant)의 동작 방식, 또는 실험 소유자가 정의한 사용자 지정 경로가 될 수 있습니다. Jira에서 작업 항목을 에이전트에게 위임하기 책임성과 코드 품질을 보장하기 위해 인간이 개입하는(human-in-the-loop) 시스템을 설계했습니다. 엔지니어는 생성된 작업 항목을 검토한 후 상태를 변경해 작업을 에이전트에게 위임할 수 있습니다. 이 과정에서 정리 작업 지침이 포함된 사용자 지정 시스템 프롬프트를 에이전트에 전달하는 워크플로가 실행됩니다. https://support.atlassian.com/jira-software-cloud/docs/collaborate-on-work-items-with-ai-agents/#Add-an-agent-to-workflow-transitions Atlassian에는 수백 개의 팀이 소유한 수천 개의 레포지토리가 존재하며, 각 팀은 서로 다른 코드베이스와 개발 관행을 가지고 있습니다. 따라서 모든 상황에 동일하게 적용되는 획일적인 접근 방식은 효과적이지 않습니다. 이에 팀은 그동안 축적한 정리 작업 경험과 노하우를 레포지토리별 에이전트 스킬에 반영했으며, 시스템 프롬프트를 통해 각 에이전트가 명확한 대체 경로(fallback path)를 따를 수 있도록 했습니다. 가능한 경우, 해당 코드베이스에 특화된 지침을 제공하는 레포지토리의 기존 정리 절차를 활용합니다. 전용 스킬이 도움이 될 수 있는 레포지토리를 식별하고, 레포지토리 소유자에게 정리 절차 생성을 위한 지침을 제공합니다. 별도의 정리 절차가 없는 경우, 대부분의 코드베이스에서 활용할 수 있는 범용 정리 스킬을 적용합니다. 이제 모든 정리 작업은 일관되게 높은 품질의 PR로 이어지며, 그 과정에서 축적되는 지침은 에이전트의 의사결정을 지속적으로 개선하는 데 활용됩니다. 배운 점 두 사례에서 공통적으로 확인한 패턴은 명확합니다. 팀이 이미 잘 수행하고 있는 업무를 기반으로, 그 지식과 경험을 구조화된 Jira 작업 항목, 에이전트 지침, 그리고 에이전트 스킬에 반영한 뒤, 에이전트가 1차 작업을 담당하도록 하되 최종 결과물에 대한 통제권은 엔지니어가 유지하는 방식입니다. 만약 팀이 반복 가능한 패턴을 가진 업무에 지속적으로 엔지니어링 시간을 투입하고 있다면, 이는 에이전트 기반 자동화를 도입할 수 있는 기회가 있다는 신호일 수 있습니다.

main.png
2026/06/24

AI의 디자인 언어 학습 / AI에게 디자인 언어를 학습시키기 / AI가 디자인 언어를 이해하고 활용하도록 학습시키기 -> 선택

출처: Teaching AI to speak our design language https://www.atlassian.com/blog/ai-at-work/teaching-ai-to-speak-our-design-language 작성자: Eleni Misthos, Senior Developer Content Designer Kylor Hall, Principal Prompt Engineer Farid Sabitov, Lead Design Technologist Julian Fleetwood, Lead Content Designer 발행일: 2026년 06월 02일 AI는 이미 디자인과 코드 작성에 폭넓게 활용되고 있지만, AI 도구의 품질은 제공된 컨텍스트에 따라 달라집니다. /  AI는 이제 디자인과 개발 과정 전반에서 자연스럽게 활용되고 있습니다. 하지만 AI 도구의 성능은 어떤 정보를, 어떤 방식으로 제공받느냐에 크게 좌우됩니다. → 선택 Atlassian 규모의 환경에서는 디자인 언어와 관련된 정보가 문서 사이트, Confluence 페이지, Figma 파일, Loom 영상, 그리고 수백 개의 코드 패키지에 분산되어 있습니다. 일부 자료는 충분한 정보를 제공하지만, 중요한 세부 내용이 누락되어 있거나 최신 상태가 아니며, 이미지와 같은 시각적 정보에 의존해 코드가 이해하기 어려운 경우도 많습니다. 대부분의 자료가 사람이 읽고 활용하는 데 초점을 맞추고 있어, 기계가 효과적으로 읽고 활용하기에는 적합하지 않습니다. AI 도구가 이렇게 흩어져 있는 정보를 기반으로 Atlassian UI를 생성하면 결과를 예측하기 어려워지고 비용도 불필요하게 증가합니다. 에이전트는 오래된 패턴을 참조하거나 접근성 요구사항을 놓치고, 실제 디자인 시스템에 존재하지 않는 컴포넌트를 만들어내기도 합니다. 이 문제를 해결할 방법을 찾기 위해 다양한 사례를 검토했지만, 대규모 환경에서 이를 효과적으로 해결한 사례를 찾기는 어려웠습니다. 이에 디자인 시스템 콘텐츠를 일관된 스키마로 재구성하고, AI가 Atlassian UI를 생성하는 데 필요한 수준의 컨텍스트를 제공하는 방식을 마련했습니다. 이러한 접근 방식을 "Structured Content"라고 부릅니다. 디자인 시스템에서의 Structured Content 구성 방식 구조화된 콘텐츠(Structured Content)란 넓은 의미에서, 자유로운 서술형 텍스트 대신 일관된 구조를 갖춘 기계가 읽을 수 있는 단위로 콘텐츠를 구성하는 방식을 의미합니다. 예를 들어, 아이콘에 대한 설명은 디자인 시스템 웹사이트, 코드, Figma 라이브러리 등 여러 곳에서 사용됩니다. 이때 동일한 메타데이터를 여러 도구와 위치에서 재사용함으로써, 정보를 중복 관리하다가 시간이 지나면서 서로 다른 내용으로 불일치가 발생하는 문제를 방지할 수 있습니다. https://atlassianblog.wpengine.com/wp-content/uploads/2026/05/sc_chart-955x531.jpg AI의 활용이 확대되면서 이러한 접근 방식을 더욱 발전시킬 필요가 있었습니다. 모든 컴포넌트, 토큰 및 기타 요소의 세부 정보는 일관되고 가벼우며, 기계가 읽을 수 있는 형식으로 관리되어야 합니다. 이를 위해 Atlassian Design System의 컴포넌트, 아이콘, 토큰, lint 규칙, 그리고 기본 가이드라인을 위한 새로운 콘텐츠 스키마를 개발했습니다. 이 스키마는 사용 방법, 코드 예제, props, 콘텐츠 표준, 접근성 요구사항 등을 포괄하는 일관된 형식을 제공합니다. https://atlassianblog.wpengine.com/wp-content/uploads/2026/05/piping-model-v4-926x537.png 스키마는 코드와 함께 TypeScript 파일로 관리됩니다. / 스키마는 코드와 함께 TypeScript 파일 내에서 관리됩니다. → 선택 이 단일 소스를 기반으로 ADS MCP 서버용 콘텐츠, 디자인 시스템 스킬, DESIGN.md 파일 등 에이전트에 필요한 다양한 산출물을 생성할 수 있으며, 향후 필요한 다른 형식으로도 확장할 수 있습니다. 더 정확하고 빠른 UI 생성, 초기 성과 확인 / 더 정확하고 빠른 UI 생성의 초기 성과 → 선택 MCP 서버 도입 이전(에이전트가 코드베이스와 비정형 문서를 직접 탐색하던 방식), MCP 서버 도입 이후, 그리고 Structured Content 기반 MCP 서버를 적용한 이후의 AI 출력 결과를 비교하여 그 효과를 측정했습니다. Structured Content 기반 MCP 적용 결과  52% 34% 26% 특정 질의 기준 정확도 향상 (최대) AI 에이전트의 ADS 관련 작업 수행 속도 평균 향상 AI 도구 호출 횟수 감소 및 토큰 사용량 16% 감소 / 특정 질의 기준 정확도 최대 52% 향상 AI 에이전트의 ADS 관련 작업 속도 평균 34% 향상 AI 도구 호출 횟수 26% 감소 및 토큰 사용량 16% 감소 → 선택 MCP 없이 작업하는 에이전트와 비교했을 때, Structured Content 기반 ADS MCP를 사용한 경우 코드 정확도는 4.9% 향상되었고, 오류 발생은 11% 감소했습니다. 또한 작업 완료 속도는 34% 빨라졌으며, 토큰 사용량은 16%, 도구 호출 횟수는 26% 감소했습니다. 더 정확하게, 더 빠르게, 더 효율적으로 작업할 수 있게 된 것입니다. Structured Content를 적용한 경우, 생성된 코드에서 lint 오류가 더 적게 발생했습니다. 이는 AI 에이전트가 회사 전체의 모노레포와 길고 비정형적인 문서를 탐색하는 대신, 처음부터 정확한 컨텍스트를 제공받았기 때문으로 보입니다. 또한 필요한 컨텍스트를 즉시 제공함으로써, 작업은 더 빠르게 완료되었고 토큰 사용량도 줄어들었습니다. Structured Content가 실제 워크플로에서 활용되는 방식 / 실제 워크플로에서 Structured Content가 활용되는 방식 → 선택 이러한 수치적 성과 뒤에는 Structured Content가 사람과 AI 에이전트의 작업 방식에 실질적인 영향을 미친 사례들이 있습니다. 한 워크플로에서는 제품 개발자가 Cursor에서 ADS MCP를 사용해 카드 컴포넌트에 주요 액션(primary action)을 추가했습니다. 높은 수준의 프롬프트만 제공했음에도, AI는 오류 없이 카드 푸터에 적절한 버튼 변형(button variant)를 추가했습니다. 또 다른 사례에서는 MCP를 디자인 시스템의 Slack 지원 채널에 통합했습니다. 누군가 폼에서 버튼을 비활성화해야 하는지 질문하자, Structured Content는 올바른 가이드라인인 "검증 과정에서도 버튼은 활성화 상태를 유지해야 한다"는 내용을 제공했습니다. 

main.png
2026/06/24

Content Assistant가 작업 속도를 유지하면서 디자인 품질 기준을 높인 방법

출처: How Content Assistant raised the design quality bar without slowing us down https://www.atlassian.com/blog/how-we-build/how-content-assistant-raised-the-design-quality-bar-without-slowing-us-down 작성자: Tim Pike, Lead Content Designer Ann Henley, Content Design Manager Aaron Ruby, Lead Content Designer 발행일: 2026년 06월 01일 콘텐츠는 제품 경험을 좌우하는 최전선에 있습니다. 잘 만들어진 콘텐츠는 존재감 없이 자연스럽게 녹아들지만, 그렇지 못한 콘텐츠는 고객이 정면으로 마주치는 장벽이 됩니다. 소프트웨어를 확장하는 모든 기업은 콘텐츠와 관련해 비슷한 문제에 직면합니다. 관리해야 할 접점은 계속 늘어나지만 이를 뒷받침할 거버넌스는 충분하지 않고, 규모가 커질수록 콘텐츠 품질은 점차 저하됩니다. 약 6개월 전, 이러한 문제를 해결하기 위해 Content Assistant라는 에이전트를 개발했습니다. Atlassian의 AI 플랫폼인 Rovo를 기반으로 구축된 Content Assistant는 짧은 UX 문구 초안을 작성하고, 콘텐츠 작성 표준을 제공하며, Slack과 Confluence 등 사람들이 이미 업무를 수행하는 환경에서 자연스럽게 활용될 수 있도록 설계되었습니다. 이 과정에서 디자인 역량과 콘텐츠 도메인 지식, 그리고 Atlassian AI 기술을 결합했습니다 결과는 기대 이상이었습니다. Content Assistant는 Atlassian에서 가장 높은 도입률을 보인 에이전트 중 하나로 자리 잡았습니다. / Content Assistant는 Atlassian에서 가장 높은 활용도를 보이는 에이전트 중 하나로 자리 잡았습니다. → 선택 이제 매달 수백 명의 Atlassian 구성원이 이를 활용하고 있으며, 사용자층도 디자이너에 국한되지 않고 엔지니어, PM, 마케팅 팀 등으로 확대되었습니다. 여러 팀은 콘텐츠 초안 작성에 걸리던 시간이 몇 시간에서 15분 수준으로 단축되었다고 평가했습니다. 또한 Content Assistant를 릴리스 노트와 지원 문서 등 다른 유형의 콘텐츠 작성에도 확장 적용한 결과, 유사한 수준의 생산성 향상을 확인할 수 있었습니다. Ariana Tran !content 이 메시지를 검토해 주세요: "인증이 성공적으로 완료되었지만, 인증 요청의 요청자를 확인할 수 없습니다. 대기 중인 작업을 계속 진행해 주세요." AI를 활용해 제작 시간과 비용을 줄이는 것은 이제 기본적인 기대 수준이 되었습니다. 하지만 가장 놀라웠던 점은 다른 데 있었습니다: Content Assistant는 품질과 거버넌스를 확산시키는 예상 밖의 역할을 해냈습니다. / Content Assistant는 품질과 거버넌스를 확산시키는 예상치 못한 역할을 하게 되었습니다. → 선택 모든 기능 팀은 콘텐츠 기준, 브랜드 보이스, 그리고 그동안 축적해 온 콘텐츠 전문성을 손쉽게 활용할 수 있게 되었습니다. 누구도 열어보지 않는 문서 속 스타일 가이드가 아니라, 실제로 필요한 순간에 바로 활용할 수 있는 에이전트를 통해서 말입니다. 전담 콘텐츠 디자이너가 없는 팀도 이제 표준을 준수하는 문구를 작성할 수 있게 되었습니다. / 전담 콘텐츠 디자이너가 없는 팀도 이제는 기준을 준수하는 문구를 생성할 수 있게 되었습니다. → 선택 Content Assistant가 제공한 가치는 단순한 속도 향상에 그치지 않았습니다. 더 넓은 범위로 확장할 수 있는 역량을 제공했습니다. AI 없이는 일관되게 관리하기 어려웠던 다양한 접점에서 사용자 친화적이고 일관된 언어를 적용할 수 있게 된 것입니다. Content Assistant는 팀의 업무 속도를 늦추지 않으면서도 모든 앱과 기능 릴리스 전반에 걸쳐 일관된 Atlassian의 목소리를 전달하고 있습니다. 내부 동작 들여다보기 / 내부 동작 방식 살펴보기 / 내부 구조 살펴보기 → 선택 사용자가 Content Assistant를 이용하면, 에이전트는 초안을 생성하는 과정에서 어떤 출처를 참조했는지, 그리고 어떤 가이드라인을 적용했는지를 설명하는 근거를 함께 제공합니다. 실제로 응답을 생성하기 전에 먼저 근거를 제시하도록 지시했을 때, 응답 품질이 향상되는 것을 확인했습니다. 예를 들어, 아래 프롬프트는 고객에게 Studio 앱 사양 초안이 작성되었음을 알리는 알림 메시지 초안을 요청하는 사례입니다: Monica Tsui !content 다음 알림 메시지를 개선해 주세요. "앱 사양이 준비되었습니다! 앱 사양이 생성되었습니다. 계속하려면 앱 빌드(Build app)를 클릭하세요." 이 알림은 사용자가 Studio를 통해 앱을 구축하는 과정에서 표시됩니다. Atlassian 콘텐츠 가이드라인에 따라 이 문구를 개선해 주세요. 이에 대해 Content Assistant는 다음과 같이 동작했습니다: 사용자의 요청 의도를 분석하고, 요청을 충족하기 위해 어떤 기준을 적용해야 하는지 판단합니다. 예를 들어 Monica의 요청에는 성공 메시지에 대한 구조 및 작성 가이드라인과 Rovo 용어집이 필요합니다. 관련 가이드라인을 확인하고 이를 요청 내용에 적용하여 필요한 문구 초안을 작성합니다. 초안과 함께, 해당 결과가 도출된 근거를 포함한 응답을 준비합니다. 생성된 결과물에 대해 품질 검사를 수행합니다. 최종 응답을 제공합니다. 에이전트 친화적 설계에서 AI 네이티브로 Content Assistant는 Rovo를 기반으로 구축되었으며, Jira, Confluence, Slack을 비롯해 Atlassian의 업무 시스템(System of Work)을 구성하는 다양한 애플리케이션과 기본 통합 기능을 활용했습니다. 이를 통해 단순한 챗봇이 아니라 실제 팀원처럼 자연스럽게 협업할 수 있는 경험을 제공할 수 있었습니다. 또한 에이전트를 다양한 워크플로와 활용 사례로 확장하는 과정에서, 훌륭한 에이전트의 가치는 결국 그것이 속한 시스템의 완성도에 달려 있다는 점을 빠르게 깨달았습니다. 콘텐츠 표준이 2023년 이후 아무도 업데이트하지 않은 오래된 문서에 머물러 있다면, 팀은 절약한 시간보다 생성된 콘텐츠를 수정하는 데 더 많은 시간을 쓰게 될 것입니다. 신뢰할 수 있는 단일 정보 출처(source of truth)가 Slack 스레드 어딘가에 묻혀 있다면, AI는 환각(hallucination)을 일으킬 수 있습니다. 또한 피드백 루프가 없다면 품질은 서서히 저하되며, 그 영향이 결국 고객에게 미칠 때까지 이를 인지하지 못할 수도 있습니다. 실질적인 변화와 영향력을 만들어내고자 한다면, Content Assistant를 독립적인 도구로 바라보는 데서 벗어나 더 큰 무언가를 구축해야 했습니다. 바로 AI 네이티브 콘텐츠 시스템(AI-native content system)입니다. https://atlassianblog.wpengine.com/wp-content/uploads/2026/05/4-layers-768x652.png 모든 팀이 구축할 수 있는 4가지 레이어 그렇다면 실제로 AI 네이티브 콘텐츠 시스템은 어떤 모습일까요? 컨텍스트 저장소(Context stores) 콘텐츠 기준, 가이드라인, 제품 지식을 LLM이 읽고 적절히 적용할 수 있도록 구조화합니다. 이는 또 다른 스타일 가이드 PDF를 만드는 것을 의미하지 않습니다. 대신, AI 네이티브 형식으로 구성된, 체계적으로 관리되는 기계 판독 가능한 지식 레이어를 구축하는 것을 의미합니다. 에이전트와 워크플로(Agents and workflows) 특정 목적에 맞게 설계된 에이전트를 사람들이 이미 업무를 수행하는 환경에 통합합니다. 예를 들어, Slack에는 Content Assistant를, Jira Service Management에는 릴리스 노트 에이전트를, 그리고 PM이 지원 문서를 요청할 때 콘텐츠 초안이 자연스럽게 작성될 수 있도록 돕는 Brief Builder를 도입했습니다. 신뢰 수준 기반 운영 모델(An operating model with trust tiers) 모든 작업에 시니어 작성자가 필요한 것은 아니며, 모든 콘텐츠 유형을 AI로 작성해야 하는 것도 아닙니다. 사소한 변경 사항에 대한 릴리스 노트와 가격 정책 관련 콘텐츠는 근본적으로 다른 수준의 위험을 수반합니다. 이에 따라 사람의 판단이 얼마나 필요한지에 따라 작업을 낮음(Low), 중간(Medium), 높음(High) 수준으로 구분해 운영하는 신뢰 수준 기반 운영 모델을 구축했습니다. 거버넌스와 피드백 루프(Governance and feedback loops) 효율성과 품질 지표를 대시보드에서 문서화하고 지속적으로 추적합니다. 자동화된 피드백 루프를 통해 콘텐츠를 최신 상태로 유지하고 관련성을 높입니다. 사람이 수정한 모든 AI 생성 초안은 중요한 신호로 활용됩니다. 이러한 신호를 시스템에 다시 반영해 단순히 더 빠른 시스템이 아니라, 더 똑똑한 시스템으로 발전시킵니다. 또한 모든 에이전트 기반 워크플로에는 인간의 거버넌스가 설계 단계부터 내재되어 있습니다. Drew Sposeep !content 데이터 인사이트 카드를 클릭했을 때 표시될 정보성 토스트 메시지 문구가 필요합니다. 사용자가 카드를 클릭하면 Asks 테이블이 "Last updated" 열을 기준으로 오름차순 정렬되며, 해당 열이 숨겨져 있는 경우 표시됩니다. 제안하는 메시지 문구는 다음과 같습니다. "'Last updated' 열이 표시되었으며, 오름차순으로 정렬되었습니다." 도입 효과 성과는 수치로도 명확하게 드러납니다. 시스템 위에 구축한 서비스 레이어인 Content Review Desk는 9개월이 채 되지 않는 기간 동안 1,500건 이상의 요청을 처리했습니다. 릴리스 노트 작성 시간은 88% 단축되었으며, 콘텐츠 디자이너들은 Figma에서 여러 차례 플레이스홀더 콘텐츠 초안을 작성하는 대신 전략 수립과 콘텐츠 완성도 향상에 집중할 수 있게 되었습니다. 이를 통해 700시간 이상의 업무 시간을 확보했습니다. 또한 이것은 단순한 도구가 아닌 시스템이기 때문에, 누적 효과는 분명하게 나타났습니다. 표준을 체계화할 때마다 에이전트는 더 똑똑해졌고, 워크플로를 자동화할 때마다 사람은 보다 전략적인 업무에 집중할 수 있게 되었습니다. 또한 모든 피드백 루프는 다음 초안을 이전보다 더 나은 결과물로 발전시키는 역할을 했습니다. Rebecca Li !content 사용자에게 "Headcount used"가 무엇을 의미하는지 설명하는 툴팁 문구를 작성해 주세요. 전략 계획(Strategic plan)에서 "Headcount used"는 총 할당된 인력 용량(capacity)을 전체 인력 예산(capacity budget)으로 나눈 값을 나타내는 푸터 정보입니다. /  전략 계획(Strategic plan)에서 "Headcount used"는 총 할당된 인력 용량(capacity)을 전체 인력 예산(capacity budget)으로 나눈 값을 나타내는 푸터 항목입니다. → 선택 5142bf26-3eae-4cfa-8bae-6ce304388e96.png 어디서부터 시작해야 할까요? 만약 이 글을 읽으며 "우리에게도 이런 시스템이 필요하다"고 생각하고 있다면, 지금부터 다음과 같이 시작할 수 있습니다. 반복 가능한 하나의 콘텐츠 유형부터 시작하세요. Atlassian의 경우 UI 문구와 릴리스 노트가 그 시작점이었습니다. 작성에 많은 시간이 소요되고, 반복 가능한 패턴을 가지며, 명확한 품질 기준이 있는 콘텐츠를 선택하세요. 그리고 그 영역에서 먼저 접근 방식의 효과를 입증해 보세요. 컨텍스트 레이어를 소홀히 하지 마세요. 이는 응답 품질을 결정하는 핵심 요소 중 하나이며, 어쩌면 가장 중요한 요소일 수도 있습니다. 이를 위해 콘텐츠 표준을 체계적으로 정비하고, 개별 파일에 흩어져 있는 중요한 지식을 LLM이 활용하기 쉬운 구조화된 문서로 전환해야 합니다. 이러한 작업은 많은 노력이 필요했지만, Content Assistant의 신뢰성과 일관성을 높이는 데 큰 도움이 되었습니다. 자동화가 아닌 위험 수준과 신뢰를 중심으로 운영 모델을 설계하세요. 작업 특성에 맞는 운영 체계를 구축하고, 사람의 판단이 실제로 필요한 영역에 집중할 수 있도록 하세요. 첫날부터 피드백 루프를 구축하세요. 선택 사항으로 두지 말고, 기본적으로 내재된 요소로 설계해야 합니다. Devin Clancy !content "double-click"과 "right-click"을 접근성을 고려해 어떻게 표현할 수 있을지 알려주세요. 이는 사용자 대상 문서에 사용될 예정이며, 해당 문서에서는 "click" 대신 "select"를 사용합니다. AI 네이티브 시스템으로의 전환 AI 네이티브 콘텐츠 시스템으로의 여정은 이제 막 시작되었습니다. 이 여정을 통해 콘텐츠 제작 과정에서 축적해 온 전문성을 체계화하고, 고객이 가장 필요로 하는 순간에 이를 제공할 수 있는 기회를 만들어가고 있습니다. Atlassian의 모든 팀은 여전히 이 시스템을 함께 구축해 나가고 있으며, 그 과정 또한 열린 방식으로 공유하고 있습니다. Jira와 Confluence 같은 Atlassian 애플리케이션을 활용해 시스템을 구축하는 방법부터, 새로운 AI 활용 패턴을 적극적으로 탐색하며 가능성의 범위를 넓혀가는 과정까지, 배운 내용을 지속적으로 공유해 나갈 예정입니다. 아직 해결해야 할 미지의 영역이 많지만, 한 가지는 분명합니다. 도구 중심이 아닌 시스템 중심으로 사고방식을 전환함으로써, 불과 1년 전만 해도 상상하기 어려웠던 방식으로 업무 방식을 혁신하고 품질 기준을 한 단계 끌어올릴 수 있게 되었다는 점입니다.

main.png
2026/06/19

Artifactory란 무엇인가요? | JFrog

JFrog Artifactory는 소프트웨어 아티팩트, 컨테이너 및 머신러닝 모델의 수명 주기를 관리하는 범용 바이너리 저장소로, 40가지가 넘는 다양한 패키지 기술을 기본적으로 지원합니다. main.png 현대 소프트웨어 공급망은 매우 복잡합니다. JFrog의 연구에 따르면 현재 기업의 거의 절반이 10개 이상의 프로그래밍 언어를 사용하고 있으며, 일반적인 기업은 매년 450개 이상의 새로운 오픈 소스 패키지를 도입하고 있습니다. 또한 소스 코드 관리 시스템(SCM), 통합 개발 환경(IDE), CI/CD 도구 모음, AI 모델 허브 등 소프트웨어 개발 프로세스를 지원하는 다양한 도구들이 존재합니다. 하지만 소프트웨어 공급망과 관련된 다양한 활동을 각각 다른 도구로 관리하는 것은 까다로울 수 있습니다. 이는 조직 전체에 일관된 DevSecOps 관행을 적용하는 속도를 늦추고, 위험을 증가시키며, 소프트웨어 제공 속도, 안전성 및 품질을 저하시킵니다. 이러한 위험을 완화하고 소프트웨어 제공 수명주기를 간소화하기 위해 세계 유수의 기업들은 JFrog Artifactory와 같은 도구를 사용합니다. JFrog Artifactory는 조직의 소프트웨어 공급망 전반에 걸쳐 모든 소프트웨어 아티팩트, AI/ML 모델, 바이너리, 컨테이너 및 릴리스를 관리하는 단일 솔루션입니다. JFrog Artifactory란 무엇인가요? JFrog Artifactory https://jfrog.com/artifactory 는 범용 바이너리 저장소 관리자로서, 조직에서 생산하거나 의존하는 모든 소프트웨어 아티팩트를 저장, 버전 관리 및 배포하는 중앙 플랫폼입니다. Docker, Maven, npm, PyPI, Helm, AI/ML 모델을 포함한 40개 이상의 패키지 형식을 지원합니다. 여기에는 기존 패키지 및 컨테이너 이미지뿐만 아니라 최신 팀에서 코드와 함께 배포하는 AI/ML 모델, NVIDIA NIM 마이크로서비스, 에이전트 기반 AI 구성 요소도 포함됩니다. 또한 모든 배포 단계에서 보안 스캔, 거버넌스 및 추적 기능을 제공합니다. 2026년 아티팩토리의 새로운 기능은 무엇일까요? AI/ML 모델은 이제 최고 수준의 결과물입니다. Artifactory는 이제 기존 패키지와 함께 ML 모델을 기본적으로 관리합니다. 즉, Docker 이미지나 Maven 종속성을 다루는 것과 같은 방식으로 PyTorch 모델의 버전 관리, 스캔 및 배포를 할 수 있습니다. Artifactory는 최근 ML 모델, NVIDIA NIM 마이크로서비스, Ansible 컬렉션을 포함한 40가지 고유 패키지 유형을 기본적으로 지원하는 최초의 범용 아티팩트 관리 솔루션이 되었습니다. 또한 JFrog는 Hugging Face를 직접 프록시하므로 팀에서 오픈 소스 모델에 액세스하는 동시에 악성 코드를 자동으로 스캔할 수 있습니다. 관점이 DevOps에서 소프트웨어 공급망으로 바뀌었습니다. Artifactory는 원래 "DevOps 도구"로 설명되었습니다. 오늘날 더 정확한 설명은 Artifactory가 조직의 소프트웨어 공급망 전반에서 사용되고 생성되는 모든 소프트웨어 아티팩트, AI/ML 모델, 바이너리, 패키지, 파일, 컨테이너, 구성 요소 및 릴리스를 저장하고 관리하는 단일 솔루션이라는 것입니다. 이는 중요한 차이입니다. 공급망 관리는 단순히 저장 및 배포를 넘어 모든 단계에서 보안, 거버넌스 및 감사 가능성을 보장해야 하기 때문입니다. 증거 기반 릴리스 관리 기능이 이제 내장되어 있습니다. Artifactory는 더 이상 바이너리 파일의 유일한 정보 소스일 뿐만 아니라, 보안 검사, 인증, 규정 준수 증거를 포함하여 해당 아티팩트가 어떻게 테스트되고 검사되었는지에 대한 모든 메타데이터를 기록하는 시스템이기도 합니다. 이를 통해 팀은 정책을 자동으로 적용할 수 있습니다. 예를 들어 보안 검사를 통과하지 못한 아티팩트는 스테이징 환경으로 배포되지 않습니다. JFrog ML 및 AI 카탈로그는 플랫폼에 새롭게 추가된 기능입니다. JFrog AI Catalog는 https://jfrog.com/ai-catalog/ 팀이 AI 생태계를 검색, 관리 및 보호할 수 있도록 지원하며, JFrog ML은 https://jfrog.com/jfrog-ml/ AI/ML 모델의 구축, 학습, 서비스 및 모니터링에 이르는 전체 라이프사이클을 포괄합니다. 두 솔루션 모두 JFrog 소프트웨어 공급망 플랫폼 https://jfrog.com/platform/ 내의 Artifactory와 함께 제공되어 DevOps, DevSecOps 및 MLOps 팀이 단일 작업 공간에서 협업할 수 있도록 합니다. 기초: 기본으로 돌아가기 Artifactory는 이제 복잡한 AI 모델과 엔터프라이즈 규모의 DevSecOps 파이프라인을 기본적으로 관리하지만, 이러한 모든 혁신의 원동력은 아티팩트 저장소로서의 기본 기능에 있습니다. Artifactory가 현대 소프트웨어 공급망을 어떻게 보호하는지 완전히 이해하려면 기본부터 살펴보는 것이 도움이 됩니다. 소프트웨어 아티팩트란 무엇인가요? 소프트웨어 개발에서 아티팩트는 소프트웨어 개발 및 배포 과정에서 생성되는 모든 객체를 의미합니다. 아티팩트에는 애플리케이션 설치 및 실행에 사용되는 파일뿐만 아니라 소프트웨어 구성 또는 관리에 필요한 모든 보조 정보가 포함됩니다. "아티팩토리(Artifactory)"라는 이름은 소프트웨어 개발 "공장"에서 필요한 모든 유형의 "아티팩트"를 호스팅할 수 있다는 사실을 반영합니다. Artifactory는 소프트웨어 개발 프로세스의 중심 허브 역할을 합니다. 모든 아티팩트, 종속성, 패키지 등은 궁극적으로 Artifactory에 저장되고 Artifactory에서 가져옵니다. 아티팩트 저장소란 무엇인가요? 아티팩트 저장소(때로는 바이너리 저장소라고도 함)는 다양한 유형의 아티팩트를 중앙 위치에서 저장, 관리, 버전 관리 및 배포하도록 설계되었습니다. 프로젝트의 모든 개발자는 물론 일반적인 CI/CD https://jfrog.com/knowledge-base/an-introduction-to-devops-and-ci-cd/ 프로세스에 필요한 다양한 도구와 함께 아티팩트를 저장하고 공유해야 합니다. 품질, 신뢰성 및 감사 가능성을 보장하기 위해 모든 아티팩트는 개발 팀 전체, 심지어 여러 사이트에 걸쳐 관리, 버전 관리 및 배포되어야 합니다. 적절한 도구가 없다면 이는 상당한 어려움이 될 수 있습니다. 아티팩트 저장소는 끊임없이 증가하는 아티팩트 수를 관리하는 데 가장 적합한 솔루션으로 널리 여겨지고 있습니다. 범용 아티팩트 관리자의 장점 범용 아티팩트 관리자(범용 저장소 관리자라고도 함)는 조직이 소프트웨어 공급망의 모든 구성 요소(예: 아티팩트, 바이너리, 패키지, AI/ML 모델, 구성 요소 등)를 제어할 수 있도록 해줍니다. 공용 저장소 프록시 및 종속성 관리부터 사용 가능한 바이너리 검토 및 승인에 이르기까지, 범용 아티팩트 관리자는 소프트웨어 개발을 위한 단일 정보 소스를 제공하며, 파이프라인에 진입하고 진행되는 바이너리 및 머신러닝 모델을 위한 중앙 허브 역할을 합니다. Artifactory는 완전한 자동화를 통해 한 단계 더 나아갑니다. 패키지, 머신러닝 프레임워크, 빌드 도구, 자동화 스크립트와 "동일한 언어"로 소통하는 네이티브 지원 기능을 갖춘 범용 아티팩트 관리자입니다. 다른 범용 저장소 관리자도 네이티브 지원을 제공할 수 있지만, Artifactory는 로컬, 원격, 가상 저장소 수준에서 모든 패키지 유형을 지원하고 고가용성(HA) 및 복제 기능을 제공하는 유일한 솔루션입니다. Artifactory는 무슨 일을 하나요? Artifactory는 40개 이상의 소프트웨어 빌드 패키지 및 파일 형식, 모든 주요 CI/CD 플랫폼, 그리고 기업에서 이미 사용하고 있는 DevOps 도구를 지원하는 최초의 범용 아티팩트 저장소입니다. 애플리케이션 코드로 빌드된 패키지 외에도 Artifactory는 OCI 및 Docker 컨테이너, Kubernetes 클러스터 배포를 위한 Helm Chart, 그리고 기업 AI 프로젝트를 위한 AI/ML 모델을 지원합니다. 또한 모든 에코시스템에 맞게 사용자 정의할 수 있는 완벽한 CLI 및 REST API를 제공합니다. Artifactory의 방대한 기능 세트의 핵심에는 네 가지 필수 기능이 있습니다. 소프트웨어 바이너리, 머신러닝 모델, 그리고 자사 및 타사 소스에서 가져온 아티팩트를 저장하는 중앙 집중식 공간으로, 자동 중복 제거 기능을 제공합니다. 버전 관리 도구는 소프트웨어 바이너리와 아티팩트가 시간이 지남에 따라 어떻게 변경되는지 추적하고 불변성을 도입할 수 있도록 해줍니다. 세분화된 접근 제어 규칙에 따라 소프트웨어 바이너리와 아티팩트를 개발자와 클라이언트에게 배포하는 방법. 확장성을 위한 멀티사이트 지원을 통해 전 세계에 분산된 개발팀 또는 사용 지점에서 소프트웨어 구성 요소에 안정적으로 액세스할 수 있습니다. Artifactory 기능 세트에 대한 자세한 내용은 JFrog Artifactory 솔루션 시트를 https://jfrog.com/solution-sheet/jfrog-artifactory/ 참조하십시오 . Artifactory가 제공하지 않는 기능: 소스 코드 관리 Artifactory는 애플리케이션 빌드에 사용되는 소스 코드를 호스팅, 관리 또는 버전 관리하는 용도로 설계되지 않았다는 점에 유의해야 합니다. 이러한 작업을 위해서는 Git, Apache Subversion 또는 CVS와 같은 SCM 솔루션을 사용하는 것이 좋습니다. 반면, Artifactory는 소프트웨어 바이너리 및 아티팩트 관리를 위해 특별히 설계되었습니다. 이러한 리소스는 일반적으로 소스 코드를 기반으로 하지만 소스 코드와는 구별되며 소스 코드 수준에서는 사용할 수 없는 중요한 정보를 포함합니다. DevSecOps 팀이 Artifactory를 사용하는 방법 DevSecOps 팀에게 Artifactory는 소프트웨어 개발과 소프트웨어 배포 사이에 존재하는 CI/CD 파이프라인의 중요한 격차를 해소해 줍니다. DevSecOps 팀은 일반적으로 SCM(소스 코드 관리), IDE(통합 개발 환경), CI(지속적 통합) 서버와 같은 도구를 사용하여 소프트웨어를 빌드합니다. 그런 다음, 빌드된 소프트웨어를 실행될 배포 환경에 전달해야 합니다. 하지만 배포를 위해 저장해야 하는 소프트웨어 아티팩트는 일반적으로 SCM, IDE, CI 서버 또는 소프트웨어 개발 과정에서 사용되는 다른 도구에서 관리되지 않습니다. Artifactory는 다른 개발자, AI 에이전트, CI 파이프라인, 런타임 환경 배포 또는 기타 모든 사용 지점에서 필요할 때까지 바이너리와 아티팩트를 저장하고 관리할 수 있는 공간을 제공함으로써 이러한 격차를 해소합니다. Artifactory는 바이너리의 전체 수명 주기(큐레이션, 생성, 프로모션, 배포 및 아카이빙 포함)를 원활하게 처리합니다. 팀들은 또한 Artifactory를 사용하여 공개 저장소를 프록시하고 강력한 캐싱 전략을 구현합니다. 이를 통해 지연 및 서비스 중단 문제를 방지하고 개발자가 오픈 소스 패키지 및 공개 AI 모델에 자체 로컬 저장소와 동일한 보안 조치를 적용할 수 있도록 합니다. 또한 모든 바이너리를 한 곳에 저장하면 취약점이 발견될 경우 즉시 문제를 찾아 해결할 수 있습니다. Artifactory는 내부 및 외부 고객에게 서비스를 제공합니다. Artifactory는 최종 사용자가 사용하는 소프트웨어를 구성하는 모든 구성 요소를 저장하는 것 외에도 다른 프로젝트에 필요할 수 있는 바이너리 및 아티팩트를 다른 개발자에게 배포하는 방법도 제공합니다. 예를 들어, 한 기업 내 개발팀이 조직의 데이터베이스 시스템에 접근하는 소프트웨어를 개발한다고 가정해 보겠습니다. 같은 회사 내 다른 개발팀은 자신들이 개발 중인 애플리케이션에 해당 소프트웨어를 통합하기 위해 접근해야 할 수 있습니다. 첫 번째 팀이 아티팩토리를 통해 소프트웨어를 공개하면, 두 번째 팀은 안전하고 중앙 집중식으로 관리되는 환경에서 첫 번째 팀의 결과물을 가져올 수 있습니다. 팀이 분산되어 있는 경우, 기업은 각 위치 근처에 Artifactory 연결 인스턴스를 쉽게 구축하여 모든 팀이 필요한 소프트웨어 구성 요소에 빠르고 안정적으로 액세스할 수 있도록 할 수 있습니다. 이처럼 Artifactory는 기업이 내부 개발 운영을 효율적이고 간소화하는 데 도움을 줍니다. Artifactory는 다양한 기술을 지원합니다. 기술 팀에게 큰 매력으로 작용하는 부분이자 Artifactory를 다른 솔루션과 차별화하는 특징 중 하나는 거의 모든 유형의 프로그래밍 언어 또는 프레임워크를 사용하여 생성된 바이너리 및 아티팩트를 호스팅할 수 있다는 점입니다. 특정 언어나 패키징 모델 유형에 특화된 소프트웨어 배포 플랫폼과는 달리, Artifactory는 소프트웨어에 구애받지 않습니다.  애플리케이션이 Java, C, Rust 또는 다른 어떤 언어로 작성되었든, Maven, Cargo, Docker, Helm, PyTorch, TensorFlow, Vagrant, Debian 또는 거의 모든 패키지 형식을 사용하여 패키징되었든, Artifactory는 이를 지원합니다. 결과적으로 Artifactory는 팀이 시간이 지남에 따라 발전함에 따라 이를 지원할 수 있도록 설계되었습니다. 팀이 현재 어떤 소프트웨어를 사용하든, 또는 미래에 어떤 소프트웨어가 필요하든, Artifactory는 변함없이 유용한 리소스가 될 수 있습니다. 자주 묻는 질문 다음은 Artifactory에 대해 자주 묻는 질문들입니다. JFrog와 Artifactory의 차이점은 무엇인가요? 대부분의 개발자는 Artifactory를 사용해 봤거나 알고 있을 것입니다. 하지만 JFrog가 Artifactory를 만드는 회사라는 사실은 모르는 경우가 많습니다. Artifactory는 JFrog 플랫폼 https://jfrog.com/solution-sheet/jfrog-platform/ 의 핵심이며 , 이 플랫폼을 통해 소프트웨어 개발자는 전체 바이너리 라이프사이클에 걸쳐 소프트웨어 공급망을 관리하고, 모든 소스 코드를 빌드, 보안, 배포 및 모든 프로덕션 환경에 연결할 수 있습니다. JFrog 플랫폼에는 다음이 포함됩니다. JFrog Artifactory: 소프트웨어 아티팩트, 컨테이너 및 머신러닝 모델의 수명 주기 관리를 위한 최고의 표준 솔루션으로, 40가지가 넘는 다양한 패키지 기술을 기본적으로 지원합니다. JFrog Distribution: 소프트웨어 배포의 마지막 단계까지 신뢰의 네트워크를 확장하고 최적의 소비를 위해 이상적인 위치에 소프트웨어를 전달하세요. JFrog AppTrust: 증거 기반 제어 및 상황별 인사이트를 통해 위험을 관리하고 소프트웨어의 무결성과 규정 준수를 신뢰하세요. JFrog Curation: 악성 또는 위험한 오픈 소스 패키지 및 머신러닝 모델을 자동화되고 선제적으로 차단하여 소프트웨어 공급망을 보호하세요. JFrog Xray: DevOps 중심의 보안을 통해 소프트웨어 및 모델의 오픈 소스 취약점과 라이선스 규정 준수 문제를 식별하고 해결하세요. JFrog Advanced Security: 소프트웨어 공급망 보안 노출 스캔, 코드 스캔 및 상황별 취약점 분석을 통해 차세대 애플리케이션 보안을 제공합니다. JFrog Connect: 엔터프라이즈급 DevOps 및 보안 모범 사례를 IoT 개발에 적용하여 IoT 네트워크 및 소프트웨어 업데이트를 대규모로 관리하세요. JFrog ML: GenAI 및 LLM부터 기존 머신러닝에 이르기까지 모든 AI 워크플로우를 구축, 배포, 관리 및 모니터링하는 올인원 솔루션을 통해 아이디어 구상부터 제품 생산까지 지원하세요. JFrog AI 카탈로그: AI 생태계의 핵심 정보 소스로서, 데이터 및 엔지니어링 팀이 거버넌스, 보안 및 규정 준수를 저해하지 않고 AI를 신속하게 도입할 수 있도록 지원합니다. JFrog.png Artifactory의 목적은 무엇인가요? Artifactory는 애플리케이션 패키지 및 설치 프로그램, 컨테이너 이미지, 라이브러리, 구성 파일 등 소프트웨어 개발 및 배포 과정에서 생성되는 거의 모든 유형의 바이너리 데이터를 관리하고 배포하는 솔루션을 제공합니다. 아티팩토리는 이러한 유형의 리소스를 쉽고 안전하게 관리할 수 있도록 함으로써 다른 인기 있는 소프트웨어 공급망 관리 도구들이 해결하지 못하는 문제를 해결합니다. Artifactory에서 로컬 저장소, 원격 저장소, 가상 저장소의 차이점은 무엇인가요? Artifactory는 서로 연동되는 세 가지 유형의 저장소를 사용합니다.  로컬 저장소는 팀에서 내부적으로 생성하는 아티팩트를 저장합니다. 원격 저장소는 Maven Central, npm, Docker Hub와 같은 외부 소스에서 아티팩트를 프록시하고 캐시하여, 업스트림 소스가 느리거나 사용할 수 없는 경우에도 빌드가 빠르고 안정적으로 유지되도록 합니다. 가상 저장소는 여러 로컬 및 원격 저장소를 단일 URL로 통합하여 개발자가 종속성이 저장된 위치에 관계없이 모든 종속성을 해결할 수 있는 단일 엔드포인트를 제공합니다. Artifactory는 Nexus Repository와 어떻게 비교되나요? Artifactory와 Sonatype Nexus는 모두 다양한 패키지 형식을 지원하는 성숙한 자체 호스팅 바이너리 저장소 관리자입니다.  Artifactory는 다른 어떤 저장소 관리자보다 많은 40개 이상의 패키지 유형을 지원하며, AI/ML 모델과 NVIDIA NIM 마이크로서비스를 기본적으로 지원하는 유일한 제품입니다.  Artifactory는 JFrog 플랫폼 통합을 통해 멀티 사이트 복제, 클라우드 네이티브 배포 및 소프트웨어 공급망 보안 분야에서 앞서 나가고 있습니다. Nexus는 Java 및 Maven 생태계와 더욱 긴밀한 관계를 맺고 있으며, 평판이 좋은 무료 오픈 소스 버전을 제공합니다.  Artifactory vs Nexus vs GitHub 패키지 비교 JFrog Artifatory Sonatype Nexus GitHub 패키지 패키지 형식 40개 이상 (대부분의 도구) 23가지 형식 6가지 형식 무료 티어 예 (OSS 자체 호스팅) 예 (OSS 자체 호스팅) 예 (GitHub 계정이 있습니다) 클라우드 호스팅 예 (AWS, GCP, Azure) 부분 이미지 (소나타입 클라우드) 예 (GitHub.com http://GitHub.com에서만 해당) 자체 호스팅 예 예 리미티드(GitHub Enterprise) AI/ML 모델 관리 예 (JFrog ML + AI 카탈로그) 부분적 (허깅페이스 프록시만 사용) 아니요 보안 검사 예 (JFrog Xray, 유료) 예 (Sonatype Lifecycle, 유료) 부분적 (Dependabot만 해당) 다중 사이트 복제 예 부분적 (프로/엔터프라이즈) 아니요 CI/CD 통합 예 (Jenkins, GH Actions, GitLab, Azure DevOps 등) 예 (Jenkins, GitLab 등) 예 (GitHub Actions 네이티브 기능) 추천하는 팀 범용 형식 지원, 보안 및 AI/ML 아티팩트 관리가 필요한 엔터프라이즈 팀 기존에 Nexus 관련 전문 지식을 보유한 Java 중심 조직 GitHub 네이티브 환경에서 코드와 함께 간편하게 패키지를 저장하고 싶은 팀 Artifactory와 연동되는 CI/CD 도구는 무엇인가요? Artifactory는 Jenkins, GitHub Actions, GitLab CI, Azure DevOps, CircleCI, TeamCity, Bamboo 등 모든 주요 CI/CD 도구와 기본적으로 통합됩니다. JFrog CLI는 모든 파이프라인에서 아티팩트 작업을 스크립팅할 수 있는 통합 인터페이스를 제공합니다. 또한 Artifactory는 CI 실행 중에 빌드 정보를 자동으로 캡처하여 소스 코드 커밋부터 배포된 아티팩트까지 완벽한 추적성을 제공합니다. Artifactory는 Docker 이미지를 관리할 수 있나요? 네. Artifactory에는 로컬, 원격 및 가상 Docker 저장소를 지원하는 모든 기능을 갖춘 Docker 레지스트리가 포함되어 있습니다. Docker Hub 및 기타 컨테이너 레지스트리를 프록시하여 빌드에 안정적이고 캐시된 액세스를 제공할 수 있습니다. JFrog Xray는 파이프라인에 이미지를 가져오기 전에 모든 Docker 이미지에 CVE, 라이선스 규정 준수 문제 및 악성 코드가 있는지 검사합니다. Artifactory는 Kubernetes용 Helm 차트를 지원합니까? 예. Artifactory는 로컬 저장소, 공개 Helm 저장소의 원격 프록싱, 여러 소스를 결합하는 가상 Helm 저장소를 포함하여 Helm 차트 저장소를 기본적으로 지원합니다. 표준 Helm CLI를 사용하여 Helm 차트를 푸시, 풀 및 검색할 수 있으며, Xray는 차트와 해당 Docker 이미지 종속성에 대한 보안 문제를 검사합니다. Artifactory는 보안 및 취약점 검사를 어떻게 처리하나요? Artifactory의 보안 검사는 JFrog 플랫폼의 일부인 JFrog Xray를 통해 제공됩니다. Xray는 Artifactory에 저장된 모든 아티팩트에 대해 소프트웨어 구성 분석(SCA)을 수행하여 알려진 CVE, 악성 패키지, 라이선스 규정 위반 및 노출된 비밀 정보를 검사합니다. 보안 검사에 실패한 아티팩트의 다운로드 또는 배포를 차단하도록 정책을 구성하여 파이프라인 전반에 걸쳐 보안 게이트를 자동으로 적용할 수 있습니다. 요약하자면 Artifactory는 단일 시스템에서 조직 전체의 바이너리, 패키지 및 AI/ML 모델의 전체 수명 주기 관리를 지원하는 유일한 범용 아티팩트 저장소 관리자입니다. 점점 더 복잡해지는 세상에서 경쟁력을 유지하려면 무결성을 보장하고, 관찰 가능성을 향상시키며, 생산성을 높이는 모범 사례를 구현하는 도구를 사용하는 것이 필수적입니다. JFrog 소프트웨어 공급망 플랫폼의 일부인 Artifactory를 통해 조직은 빌드부터 엣지 또는 클라우드에 이르기까지 소프트웨어 제공 파이프라인을 거치는 모든 아티팩트에 대한 안전한 단일 정보 소스를 구축하여 모든 소프트웨어 제공 과정에 대한 신뢰를 구축할 수 있습니다. 출처: https://jfrog.com/blog/what-is-artifactory-jfrog/ https://jfrog.com/blog/what-is-artifactory-jfrog/

main.png
2026/05/28

2026년 05월 커브 소식지(뉴스레터)

안녕하세요, 커브입니다. 초여름의 기운이 조금씩 느껴지는 5월입니다. 이번 뉴스레터에서는 개발과 서비스 관리 현장에서 빠르게 확산되고 있는 AI 활용 흐름을 살펴봅니다. AI 보안 도구와 정적 분석 도구는 어떻게 함께 활용될 수 있는지, 또 Jira Service Management는 AI를 통해 서비스 운영을 어떻게 더 빠르고 일관되게 만드는지 확인해 보세요. https://d15k2d11r6t6rl.cloudfront.net/public/users/Integrators/208d7955-33b5-4ad5-b739-82f8ce94ecac/8a9982cf7639e85d01764536575024c3/%EC%BB%A8%ED%85%90%EC%B8%A0%20%EB%B0%B0%EB%84%88/BEST%26NEW%20CONTENTS%20TITLE-09.png https://d15k2d11r6t6rl.cloudfront.net/public/users/Integrators/208d7955-33b5-4ad5-b739-82f8ce94ecac/8a9982cf7639e85d01764536575024c3/%EC%BB%A8%ED%85%90%EC%B8%A0%20%EB%B0%B0%EB%84%88/BEST%26NEW%20CONTENTS%20TITLE-10_1.png Atlassian Guard - 도메인 확인하기 https://confluence.curvc.com/spaces/ASD/pages/81664950/Atlassian+Guard+-+%EB%8F%84%EB%A9%94%EC%9D%B8+%ED%99%95%EC%9D%B8%ED%95%98%EA%B8%B0 AI 코딩 시대의 SonarQube와 함께하는 코드품질 관리 https://confluence.curvc.com/spaces/ASD/pages/304480414/AI+%EC%BD%94%EB%94%A9+%EC%8B%9C%EB%8C%80%EC%9D%98+SonarQube%EC%99%80+%ED%95%A8%EA%BB%98%ED%95%98%EB%8A%94+%EC%BD%94%EB%93%9C+%ED%92%88%EC%A7%88+%EA%B4%80%EB%A6%AC Jira Cloud 스페이스 별 권한 설정 https://confluence.curvc.com/spaces/ASD/pages/101551535/Jira+Cloud+%EC%8A%A4%ED%8E%98%EC%9D%B4%EC%8A%A4+%EB%B3%84+%EA%B6%8C%ED%95%9C+%EC%84%A4%EC%A0%95 JFrog Platform 소개 https://confluence.curvc.com/spaces/ASD/pages/137598821/JFrog+Platform+%EC%86%8C%EA%B0%9C Jira Cloud (스크럼/칸반) 보드 만들기 https://confluence.curvc.com/spaces/ASD/pages/232391042/Jira+Cloud+%EC%8A%A4%ED%81%AC%EB%9F%BC+%EC%B9%B8%EB%B0%98+%EB%B3%B4%EB%93%9C+%EB%A7%8C%EB%93%A4%EA%B8%B0 Rovo로 만드는 협업형 AI 캔버스 구축기 https://confluence.curvc.com/spaces/ASD/blog/2026/05/20/326205450/Rovo%EB%A1%9C+%EB%A7%8C%EB%93%9C%EB%8A%94+%ED%98%91%EC%97%85%ED%98%95+AI+%EC%BA%94%EB%B2%84%EC%8A%A4+%EA%B5%AC%EC%B6%95%EA%B8%B0 AI 및 협업 투자 효과가 기대에 미치지 못하는 경고신호 https://confluence.curvc.com/spaces/ASD/blog/2026/05/20/326205462/AI+%EB%B0%8F+%ED%98%91%EC%97%85+%ED%88%AC%EC%9E%90+%ED%9A%A8%EA%B3%BC%EA%B0%80+%EA%B8%B0%EB%8C%80%EC%97%90+%EB%AF%B8%EC%B9%98%EC%A7%80+%EB%AA%BB%ED%95%98%EB%8A%94+4%EA%B0%80%EC%A7%80+%EA%B2%BD%EA%B3%A0+%EC%8B%A0%ED%98%B8 Sonar, Gitar 인수로 AI 코드 리뷰 역량 확장 https://confluence.curvc.com/spaces/ASD/blog/2026/05/27/326205489/Sonar+Gitar+%EC%9D%B8%EC%88%98%EB%A1%9C+AI+%EC%BD%94%EB%93%9C+%EB%A6%AC%EB%B7%B0+%EC%97%AD%EB%9F%89+%ED%99%95%EC%9E%A5 SonarQube Server 2026.3 릴리즈 https://confluence.curvc.com/spaces/ASD/pages/326205499/SonarQube+Server+2026.3 Atlassian, Gartner® 협업 업무 관리 부문 리더 선정 https://confluence.curvc.com/spaces/ASD/blog/2026/05/27/326205501/Atlassian+Gartner%C2%AE+%ED%98%91%EC%97%85+%EC%97%85%EB%AC%B4+%EA%B4%80%EB%A6%AC+%EB%B6%80%EB%AC%B8+%EB%A6%AC%EB%8D%94+%EC%84%A0%EC%A0%95 2026.05 2.png https://confluence.curvc.com/spaces/ASD/blog/2026/05/04/323715073/Claude+Code+Security%EC%97%90+%EB%8C%80%ED%95%9C+%EC%83%9D%EA%B0%81+AI%EB%8A%94+%EA%B8%B0%EC%A1%B4+%EB%B3%B4%EC%95%88+%EB%B6%84%EC%84%9D%EC%9D%84+%EB%8C%80%EC%B2%B4%ED%95%A0+%EC%88%98+%EC%9E%88%EC%9D%84%EA%B9%8C 2026.05.png https://confluence.curvc.com/spaces/ASD/blog/2026/05/26/326205473/%EC%84%9C%EB%B9%84%EC%8A%A4+%EA%B4%80%EB%A6%AC%EC%9D%98+%EB%AF%B8%EB%9E%98%EB%A5%BC+%EC%9B%80%EC%A7%81%EC%9D%BC+AI

main.png
2026/05/27

Atlassian, Gartner® 협업 업무 관리 부문 리더 선정

출처: Gartner Reprint https://www.gartner.com/doc/reprints?id=1-2M3YOHFR&ct=251016&st=sb 작성자: Nikos Drakos, Joe Mariano 외 2명 발행일: 2025년 10월 28일 Atlassian이 2025 Gartner® Magic Quadrant™ 협업 업무 관리(Collaborative Work Management) 부문에서 리더 기업으로 선정되었습니다. 이번 평가는 단순한 프로젝트 관리 도구를 넘어, 조직 전반의 업무 흐름과 협업 방식을 어떻게 연결하고 있는지에 대한 시장의 방향성을 보여줍니다. 가트너는 협업 업무 관리(CWM) 플랫폼을 업무 계획, 협업, 자동화, 문서 관리, 분석, AI 기반 지원 기능 등을 통합적으로 제공하는 플랫폼으로 정의하고 있습니다. 특히 최근 기업 환경에서는 업무 관리, 문서 협업, 커뮤니케이션, 지식 공유가 각각 분리된 도구로 운영되는 경우가 많으며, 이로 인해 업무 맥락 단절과 협업 비효율 문제가 지속적으로 발생하고 있습니다. Atlassian은 이러한 흐름 속에서 Jira, Confluence, Loom, Rovo 기반의 Teamwork Collection을 중심으로 업무·지식·커뮤니케이션을 하나의 플랫폼에서 연결하는 방향을 강화하고 있습니다. 협업 업무 환경은 어떻게 변화하고 있을까 가트너 보고서에서는 최근 협업 업무 관리 시장의 주요 변화로 다음과 같은 요소를 강조하고 있습니다. 부서 간 협업 강화 중앙 집중형 문서 및 업무 관리 AI 기반 자동화 및 업무 지원 실시간 업무 가시성과 인사이트 분산된 업무 도구 통합 특히 AI와 생성형 AI(GenAI)의 활용은 단순 자동화를 넘어 업무 추천, 작업 생성, 프로젝트 요약, 리스크 예측 등으로 빠르게 확장되고 있습니다. 또한 여러 도구를 오가며 업무를 처리하는 방식 대신, 하나의 플랫폼 안에서 업무와 정보를 연결하려는 요구도 점점 커지고 있습니다. Atlassian이 Gartner 리더로 선정된 이유 가트너는 Atlassian의 강점으로 글로벌 시장 입지, 확장성 높은 생태계, 개발자 및 파트너 지원 구조 등을 언급했습니다. 특히 Atlassian은 Teamwork Graph와 Rovo 기반 AI 플랫폼을 중심으로 Atlassian 제품과 외부 애플리케이션 데이터를 연결하고, 보다 통합된 사용자 경험을 제공하는 방향으로 제품 전략을 확장하고 있습니다. Jira 기반 업무 관리 Jira는 개발 조직뿐 아니라 다양한 비즈니스 팀에서도 프로젝트 및 업무 관리 플랫폼으로 활용되고 있습니다. 워크플로우 관리, 이슈 추적, 자동화 기능 등을 통해 조직 내 업무 흐름을 표준화하고 협업 효율성을 높일 수 있습니다. Confluence 기반 지식 공유 Confluence는 조직 내 문서화와 지식 공유를 위한 중앙 협업 공간 역할을 수행합니다. 회의록, 운영 가이드, 프로젝트 문서, 정책 자료 등을 통합 관리할 수 있어 정보 접근성과 협업 생산성을 높일 수 있습니다. Loom 기반 비동기 협업 Loom은 영상 기반 커뮤니케이션을 통해 비동기 협업 환경을 지원합니다. 반복적인 회의를 줄이고 설명 중심의 커뮤니케이션을 간소화할 수 있어 원격 및 글로벌 협업 환경에서 활용도가 높아지고 있습니다. Rovo 기반 AI 업무 지원 Atlassian은 Rovo와 Teamwork Graph 기반 AI 기능을 통해 여러 시스템에 분산된 업무 데이터를 연결하고 있습니다. 이를 통해 사용자는 필요한 정보를 빠르게 검색하고, 업무 맥락 기반 추천과 자동화를 지원받을 수 있습니다. Atlassian이 만드는 통합 협업 환경 가트너는 협업 업무 관리 시장의 핵심 트렌드 중 하나로 “통합 플랫폼”과 “중앙 협업 허브”를 강조하고 있습니다. Atlassian 역시 개별 제품 중심이 아니라 Teamwork Collection 중심의 통합 경험을 강화하고 있으며, 업무·문서·AI·커뮤니케이션을 연결하는 방향으로 플랫폼 전략을 확대하고 있습니다. 특히 대규모 조직에서는 업무 표준화, 협업 가시성, 운영 효율성, AI 활용성이 중요한 요소로 자리잡고 있으며, 이러한 흐름 속에서 Atlassian의 통합 플랫폼 전략이 더욱 주목받고 있습니다. 마무리 이번 Gartner® Magic Quadrant™ 리더 선정은 Atlassian이 단순 협업 도구 제공을 넘어 조직 전체의 업무 운영과 협업 방식을 연결하는 플랫폼으로 확장되고 있다는 점을 보여줍니다. 협업 환경이 점점 복잡해지는 상황에서, 업무·지식·AI를 하나로 연결하는 플랫폼의 중요성은 앞으로 더욱 커질 것으로 보입니다.



- Others -




Contributor


사용자수정댓글레이블
설진호 이사 126839414
황희연 대표 6801213
이지혜 선임 677030
이수정 선임 629069
윤준호 책임 628718
박주현 책임 326415
Anonymous2421046
김나우 선임 223011
성윤주 선임 170114
박상민 선임 161029
이형근 책임 13016
김광일 선임 11911
한은우 선임 8600
이상훈 선임 6003
박재국 선임 5511
김미현 선임 53015
Anonymous 39115
Anonymous 3170
김태연 선임 2601
신민수 선임 2402
최보근 선임 2300
김수영 선임 2200
나종진 부장 1701
정성훈 선임 1400
김상범 선임 900
강수재 선임 600
황현우 선임 600
송선택 선임 511
이학준 부장 500
문소정 선임 400
이준석 사원 410
Anonymous 304
강다빈 선임 100
박건우 선임 102
Anonymous 001
강돈영 선임 001
김동윤 선임 002
김희범 책임 001
정재훈 책임 001

Recently updated articles


더보기



추가적인 정보를 확인하세요.

  • 레이블 없음