클라우드 코드와 슈퍼베이스 활용
Shared on June 10, 2026
AI 기반 개발 프로세스와 인프라 토론
개요
다수의 개발자·팀원이 참여한 비공식 토론으로, GitHub, Supabase, AWS, Clude Code 등 클라우드 인프라와 AI 지원 개발 도구를 활용한 워크플로우에 대해 논의하였다.
주요 논점은 인프라 구성과 AI 기반 코딩(바이브 코딩), 데이터 저장 및 비용 관리, 그리고 개발 프로세스 설계에 관한 실무 팁과 도구 선택 기준이다.
주요 주제
-
클라우드 인프라 구조
- GitHub: 버전 관리 및 아카이빙 채널
- Supabase: 데이터베이스 및 인증 서비스, 파일 저장은 비중이 낮음
- AWS (S3 등): 대용량 파일 저장, 비용 최적화를 위해 캐시 활용
- Clude Code: AI 기반 코드 생성 도구, 자연어 요청 → 코드 변환
- 커서(Cursor): 로컬 LLM 기반 도구, 학습 데이터를 자체적으로 활용
-
개발 워크플로우
- 설계 → 마크다운 지침서: 기능별 MD 파일로 규칙화
- 코드 작성: Clude 또는 수동 코딩, 이후 GitHub에 푸시
- 테스트: 로컬에서 검증 후 브랜치 병합
- 배포: Supabase/ AWS에 배포, AWS S3에 파일 업로드
- 모니터링: Slack 알림, 버그 리포트 자동화
-
AI 코딩(바이브 코딩) vs. 전통적 코딩
- 바이브 코딩: 자연어 입력 → AI가 코드 생성 → 인프라와 연동
- 전통 코딩: 직접 코드 작성 → 디버깅, 테스트
- AI 도구는 보조 역할이며, 최종 검증은 인간이 수행해야 함
-
데이터 저장 및 비용 최적화
- Supabase에 메타데이터 저장, 파일은 AWS S3에 캐시
- 1.2 GB 규모의 포트폴리오(646개) 저장 시 비용 최소화 전략
- 무료 대안: Vercel(버스) 등 가벼운 데이터는 무료 활용
-
도구 선택과 학습 경로
- Clude: 대규모 LLM 기반, 비용이 발생하지만 빠른 프로토타입
- 커서: 로컬 학습 가능, 비용 절감 가능
- Vercel: 정적 사이트/백엔드, 무료 사용 가능
- AWS: 파일 저장 및 배포에 필수, 비용 모니터링 필요
-
프로젝트 관리 팁
- 기능 단위마다 마크다운 지침서를 작성해 AI가 이해하도록 함
- 검증 단계를 자동화(슬랙 알림, 테스트 스크립트)
- 코드베이스 정리: 구조를 명확히 하고, 필요 시 리팩터링
의견 & 관점
| 주제 | 핵심 의견 | 비고 |
|---|---|---|
| 인프라 설계 | “구조가 먼저다.” | 잘 설계된 구조 없이는 AI 코딩도 무의미 |
| AI 코딩 활용 | “AI는 도구, 인간은 검증자.” | AI가 완전히 대체되지는 않음 |
| 비용 관리 | “저비용 고효율을 위해 캐시 활용.” | S3 비용이 주요 지표 |
| 도구 선택 | “필요에 따라 클라우드·로컬 LLM을 병행.” | 비용, 학습 데이터, 속도 균형 |
| 학습 커브 | “초보자 → 구조 파악 → AI 활용.” | 단계별 학습이 필수 |
Q&A 하이라이트
- Clude 코드의 기본 모델은?
- 검색창용 모델이 아니며, 자연어→코드 변환에 특화된 LLM
- Supabase vs. AWS 파일 저장
- Supabase는 가벼운 텍스트·데이터에 적합, 파일은 AWS S3에 저장
- 커서(Cursor) vs. Clude
- 커서는 로컬 학습 가능, Clude는 클라우드 기반 모델 사용 → 비용 차이
- AI 코드 생성 시 검증 절차
- 마크다운 지침서 작성 → AI가 이해하도록 명시 → 테스트 스크립트 실행 → Slack 알림
핵심 메시지
인프라와 AI 도구를 체계적으로 설계하고, 마크다운 기반 지침서를 통해 AI가 정확히 이해하도록 하면, 빠른 프로토타이핑과 비용 효율적인 운영이 가능하다.