AI가 코드를 이해하는 방식
프로그래밍 언어를 읽고, 분석하고, 수정하는 내부 원리
- AI는 코드를 실행하는 것이 아니라 먼저 텍스트와 구조를 함께 분석합니다.
- 프로그래밍 언어마다 문법 패턴과 함수 호출 관계를 학습하여 의미를 추론합니다.
- 토큰 단위 분석 이후 변수, 함수, 클래스, 파일 간 관계까지 연결하여 이해합니다.
- 오류 수정은 단순 암기가 아니라 문맥과 코드 흐름을 기반으로 이루어집니다.
- 복잡한 프로젝트일수록 컨텍스트 관리가 코드 이해의 핵심이 됩니다.
ChatGPT에게 수백 줄의 코드를 붙여 넣으면 함수의 역할을 설명하고, 버그를 찾고, 심지어 새로운 기능까지 추가해 주는 모습을 쉽게 볼 수 있습니다. 그래서 많은 사람들이 AI가 마치 개발자가 직접 코드를 실행하며 이해하는 것처럼 생각하기도 합니다.
하지만 실제 내부 동작은 조금 다릅니다. AI는 IDE나 컴파일러처럼 프로그램을 실행해서 결과를 확인하는 것이 아니라, 방대한 양의 소스코드와 문서를 학습하며 만들어진 언어 모델을 이용해 코드의 구조와 의미를 추론합니다.
이번 글에서는 AI가 코드를 단순한 문자로 보는 것이 아니라 어떻게 함수와 변수의 관계를 이해하고, 오류를 찾아내며, 새로운 코드를 생성하는지 단계별로 살펴보겠습니다.
1. AI는 코드를 글처럼 읽을까?
결론부터 말하면 절반은 맞고 절반은 틀립니다.
AI에게 코드도 결국 텍스트입니다. Python, JavaScript, Java, C++, HTML 모두 문자들의 집합으로 입력됩니다. 그러나 일반 문장과 달리 코드에는 매우 엄격한 문법과 구조가 존재합니다.
예를 들어 사람은 아래 두 줄을 쉽게 같은 의미로 이해합니다.
a = b + c result = price * tax
AI는 단순히 ‘+’나 ‘=’ 기호를 보는 것이 아니라 변수 선언, 연산자, 값의 흐름, 이후에 어떻게 사용되는지까지 함께 분석합니다.
즉 코드 자체는 텍스트이지만 일반 문장보다 훨씬 규칙적인 언어라는 점을 활용하여 의미를 추론합니다.
OpenAI를 비롯한 최신 LLM은 자연어뿐 아니라 GitHub 등의 공개 코드, 기술 문서, API 문서 등을 함께 학습합니다. 그래서 “이 함수는 보통 무엇을 하는 함수인지” 같은 패턴도 상당 부분 기억하고 있습니다.
2. 첫 번째 단계는 토큰 분리
AI가 코드를 이해하는 첫 번째 단계는 토큰(Token)으로 분리하는 과정입니다.
예를 들어 아래 Python 코드를 보겠습니다.
for i in range(5):
print(i)
사람은 한 줄로 읽지만 AI는 다음과 같이 여러 토큰으로 나누어 처리합니다.
이렇게 분리된 토큰은 이후 관계 분석의 재료가 됩니다.
3. 문법 구조를 먼저 분석한다
코드에서 가장 중요한 것은 문법입니다.
AI는 괄호의 짝이 맞는지, 들여쓰기가 올바른지, 함수가 어디에서 시작하고 끝나는지, 조건문과 반복문이 어떻게 연결되는지를 함께 분석합니다.
예를 들어 Python에서는 들여쓰기가 문법입니다. Java에서는 중괄호가 문법입니다. HTML에서는 태그의 계층 구조가 문법입니다.
AI는 언어마다 다른 문법 규칙을 학습했기 때문에 현재 어떤 언어인지 먼저 추론한 뒤 해당 규칙을 적용합니다.
- 프로그래밍 언어 종류
- 문법 오류 여부
- 함수 시작과 종료
- 조건문 구조
- 반복문 구조
- 클래스와 객체 관계
4. 변수와 함수의 의미를 연결한다
문법 분석이 끝나면 AI는 변수와 함수의 역할을 추론합니다.
예를 들어 totalPrice라는 변수와 calculatePrice()라는 함수가 등장하면, AI는 이름 자체에서도 상당한 정보를 얻습니다.
물론 변수 이름이 x, y, temp처럼 의미 없는 경우도 있습니다. 이때는 변수에 저장되는 값과 사용되는 위치를 함께 살펴 의미를 추론합니다.
즉 AI는 변수 이름만 보는 것이 아니라 데이터가 어디서 생성되고 어디에서 소비되는지를 따라갑니다.
실제 개발자도 코드를 읽을 때 변수의 이름과 데이터 흐름을 함께 확인합니다. 최신 LLM도 비슷한 방식으로 코드의 의미를 추론하도록 학습되어 있습니다.
AI는 코드를 단순한 문자열이 아니라 토큰, 문법 구조, 함수, 변수, 데이터 흐름으로 나누어 분석합니다. 이러한 과정을 통해 코드의 의미를 추론하고 이후 오류 분석이나 코드 생성의 기반을 마련합니다. 다음에서는 AI가 여러 파일을 함께 이해하는 방식, 버그를 찾는 과정, 코드 생성 원리와 한계까지 이어서 살펴보겠습니다.
5. 여러 파일로 구성된 프로젝트는 어떻게 이해할까?
실제 프로그램은 하나의 파일만으로 완성되는 경우가 드뭅니다. 화면을 담당하는 파일, 데이터를 처리하는 파일, 서버와 통신하는 파일, 설정값을 저장하는 파일처럼 역할이 나뉘어 있습니다. 따라서 AI가 프로젝트 전체를 이해하려면 개별 코드뿐 아니라 파일 사이의 연결 관계까지 파악해야 합니다.
가장 먼저 확인하는 것은 import, require, include 같은 의존성 선언입니다. 어떤 파일이 다른 파일의 함수나 클래스를 불러오는지 살펴보면 프로젝트의 기본 연결 구조를 추론할 수 있기 때문입니다.
from database import get_user
from validator import validate_email
def create_account(email):
if validate_email(email):
return get_user(email)이 코드에서 AI는 create_account() 함수가 혼자 동작하지 않는다는 사실을 알 수 있습니다. validator 파일에서 이메일을 검사한 뒤 database 파일을 통해 사용자 데이터를 가져오는 흐름으로 연결합니다.
다음으로 함수가 호출되는 위치, 클래스가 생성되는 위치, 반환값이 전달되는 위치를 추적합니다. 이렇게 만들어진 관계는 개발 도구에서 사용하는 호출 그래프나 의존성 그래프와 비슷한 역할을 합니다.
- 파일과 폴더 이름
- import 및 모듈 의존성
- 함수와 클래스 호출 관계
- 환경 설정 파일
- 데이터베이스 모델과 API 경로
- 테스트 코드와 주석
- README 및 공식 문서
폴더 이름도 중요한 단서입니다. models, controllers, services, components처럼 일반적으로 사용되는 이름은 각 파일의 역할을 예측하는 데 도움이 됩니다. 다만 프로젝트마다 구조가 다르므로 이름만으로 확정하지 않고 실제 코드 내용과 함께 판단해야 합니다.
AI에게 프로젝트 전체를 한 번에 붙여 넣는 것보다 오류가 발생한 파일, 해당 파일이 불러오는 모듈, 관련 데이터 구조, 실행 환경을 묶어 제공하는 편이 더 정확합니다. 코드 이해에서 중요한 것은 무조건 많은 정보가 아니라 문제와 직접 연결된 정보입니다.
6. AST는 코드 이해에 어떤 역할을 할까?
프로그래밍 언어를 구조적으로 분석할 때 자주 등장하는 개념이 AST, 즉 추상 구문 트리입니다. AST는 코드를 문자 그대로 나열하지 않고 문법적인 구성 요소를 나무 형태로 정리한 구조입니다.
예를 들어 아래 계산식은 사람에게는 짧은 한 줄이지만, 구조적으로는 대입문 아래에 덧셈 연산이 있고 그 아래에 두 개의 값이 연결된 형태로 볼 수 있습니다.
total = price + taxPython의 공식 ast 모듈은 소스코드를 추상 구문 문법의 트리로 처리할 수 있도록 제공됩니다. Tree-sitter 같은 파서 도구도 소스 파일에서 구문 트리를 만들고 코드가 변경될 때 필요한 부분을 효율적으로 갱신합니다. :contentReference[oaicite:0]{index=0}
다만 모든 대화형 AI가 입력된 코드를 항상 실제 AST로 변환한 뒤 답한다고 단정할 수는 없습니다. 기본 언어 모델은 토큰 사이의 관계를 중심으로 작동하며, 제품이나 개발 환경에 따라 파서, 코드 검색, 컴파일러, 실행 도구가 추가로 연결될 수 있습니다.
7. AI는 버그를 어떻게 찾을까?
AI가 버그를 찾는 과정은 하나의 검사만으로 이루어지지 않습니다. 먼저 문법적으로 잘못된 부분을 찾고, 그다음 변수와 함수의 관계를 확인하며, 마지막으로 사용자가 설명한 증상과 코드의 실행 흐름을 비교합니다.
문법 오류는 비교적 찾기 쉽습니다. 닫히지 않은 괄호, 잘못된 들여쓰기, 빠진 쉼표, 존재하지 않는 문법처럼 언어 규칙에서 벗어난 부분은 주변 패턴과 비교하여 감지할 수 있습니다.
반면 논리 오류는 훨씬 어렵습니다. 코드는 정상적으로 실행되지만 결과가 의도와 다르기 때문입니다.
def is_adult(age):
return age > 18이 함수가 18세 이상을 성인으로 처리해야 한다면 비교 연산자는 >가 아니라 >=가 되어야 합니다. 현재 코드도 문법적으로는 완전히 정상입니다. AI가 문제를 발견하려면 함수 이름, 요구사항, 경계값 18의 의미를 함께 비교해야 합니다.
“이 코드가 이상해”라고 요청하는 것보다 기대한 결과, 실제 결과, 오류 메시지, 입력값, 실행 환경을 함께 제공해야 합니다. 특히 재현 가능한 입력값과 전체 오류 메시지는 원인을 좁히는 데 큰 도움이 됩니다.
AI가 수정안을 제시했더라도 실제 실행과 테스트가 필요한 이유가 여기에 있습니다. 코드만 보고 추론한 해결책은 실행 환경, 데이터 상태, 외부 서버 응답처럼 입력에 포함되지 않은 조건을 반영하지 못할 수 있습니다.
8. 오류 메시지는 왜 중요한가?
오류 메시지는 단순한 실패 알림이 아니라 프로그램이 어느 단계에서 멈췄는지 알려주는 기록입니다. 예외 종류, 발생한 파일, 줄 번호, 호출 순서가 포함된 스택 트레이스는 코드 흐름을 역추적하는 핵심 자료가 됩니다.
AI는 오류 메시지에 등장하는 예외 이름을 관련 코드와 연결합니다. 예를 들어 KeyError라면 존재하지 않는 딕셔너리 키를 읽었을 가능성을, TypeError라면 함수가 예상한 자료형과 실제 값이 달랐을 가능성을 먼저 살펴봅니다.
- 오류 메시지 전체
- 오류가 발생한 코드와 호출한 코드
- 사용한 입력 데이터의 예시
- 기대한 결과와 실제 결과
- 언어와 프레임워크 버전
- 최근 변경한 코드
- 문제를 재현하는 순서
오류 메시지의 마지막 한 줄만 전달하면 원인을 잘못 추론할 가능성이 높아집니다. 같은 예외도 여러 경로에서 발생할 수 있으므로 가능한 한 스택 트레이스 전체를 제공하는 편이 좋습니다. 단, API 키, 비밀번호, 개인정보, 내부 서버 주소는 제거해야 합니다.
좋은 오류 분석은 “어느 줄이 틀렸는가”에서 끝나지 않습니다. 왜 그 값이 해당 줄까지 전달되었는지 역으로 따라가야 합니다. 실제 원인은 오류가 표시된 줄보다 훨씬 앞에서 발생했을 수 있습니다.
9. AI는 새로운 코드를 어떻게 생성할까?
AI가 코드를 생성하는 기본 원리는 일반 문장을 만드는 과정과 비슷합니다. 지금까지 입력된 요구사항과 코드 문맥을 바탕으로 다음에 올 가능성이 높은 토큰을 차례대로 예측합니다.
다만 코드에는 문법 규칙과 반복적인 설계 패턴이 존재합니다. 함수 선언 뒤에는 매개변수와 본문이 이어지고, 조건문 뒤에는 조건에 따른 실행 코드가 이어집니다. AI는 이런 구조적 패턴을 이용해 문법적으로 자연스러운 코드를 생성합니다.
사용자가 “Python으로 CSV 파일을 읽어 평균을 계산해 줘”라고 요청하면 AI는 Python 문법뿐 아니라 CSV 처리에 자주 사용되는 모듈, 예외 처리 방식, 파일 인코딩 문제까지 관련 패턴으로 연결할 수 있습니다.
그러나 가장 가능성 높은 코드가 항상 가장 안전하고 정확한 코드는 아닙니다. 사용 중인 라이브러리 버전이 다르거나, 함수 이름이 변경되었거나, 프로젝트만의 내부 규칙이 있을 수 있습니다.
- 존재하지 않는 함수나 패키지를 사용하지 않았는지
- 현재 설치된 버전과 문법이 맞는지
- 입력값 검증과 예외 처리가 있는지
- 비밀번호나 API 키가 코드에 직접 포함되지 않았는지
- 데이터 삭제나 덮어쓰기 가능성이 없는지
- 반복문과 데이터 처리에서 성능 문제가 없는지
- 테스트가 요구사항을 제대로 검증하는지
10. 코드 완성과 코드 이해는 무엇이 다를까?
코드 완성은 현재 작성 중인 줄이나 함수 다음에 올 내용을 예측하는 작업입니다. 반면 코드 이해는 프로젝트의 목적, 데이터 흐름, 함수 관계, 오류 원인까지 종합적으로 설명하는 작업입니다.
GitHub의 공식 안내에서도 Copilot Chat을 이용해 저장소의 목적을 살펴보고 파일과 특정 코드 줄을 탐색하는 흐름을 설명합니다. 이는 AI 코딩 도구가 단순 자동 완성을 넘어 프로젝트 탐색과 코드 설명에도 활용된다는 사례입니다. :contentReference[oaicite:1]{index=1}
11. AI가 코드를 잘못 이해하는 이유
AI의 코드 분석이 틀리는 가장 흔한 이유는 필요한 문맥이 부족하기 때문입니다. 함수 하나만 전달하면 그 함수가 어떤 값을 받는지, 어느 위치에서 호출되는지, 반환값이 어디에서 사용되는지 알 수 없습니다.
두 번째 원인은 이름만 존재하는 함수나 라이브러리를 자연스럽게 만들어 내는 환각입니다. 코드 형태가 그럴듯하더라도 실제 공식 문서에 없는 API일 수 있습니다.
세 번째는 최신 버전과 학습된 패턴의 차이입니다. 라이브러리는 업데이트되면서 함수 이름, 매개변수, 기본 동작이 바뀔 수 있습니다. 따라서 버전에 민감한 코드는 최신 공식 문서와 대조해야 합니다.
네 번째는 실행하지 않고 추론하는 상황입니다. 외부 도구가 연결되지 않은 일반 대화에서는 코드의 실제 출력, 파일 상태, 네트워크 응답을 직접 확인하지 못할 수 있습니다. 이 경우 답변은 코드와 설명을 기반으로 한 추론입니다.
AI가 “수정했습니다”라고 말해도 실제 프로그램에서 정상 동작한다는 뜻은 아닙니다. 자동 테스트, 정적 분석, 컴파일, 샌드박스 실행, 코드 리뷰를 통해 별도로 확인해야 합니다.
AI는 코드의 의도를 직접 읽는 것이 아니라 코드, 요구사항, 이름, 주석, 테스트에서 의도를 추론합니다. 따라서 테스트 코드가 잘 작성된 프로젝트는 AI가 기대 동작을 파악하기도 상대적으로 쉽습니다.
12. AI에게 코드를 정확히 분석시키는 방법
좋은 결과를 얻으려면 코드만 던지는 것보다 분석 목표를 명확하게 전달해야 합니다. 설명을 원하는지, 버그 수정이 필요한지, 성능 개선이 필요한지에 따라 AI가 살펴봐야 할 기준이 달라집니다.
- 사용 중인 언어와 버전을 적습니다.
- 프로그램이 해야 하는 일을 한 문단으로 설명합니다.
- 문제가 발생한 코드와 관련 함수를 제공합니다.
- 기대한 결과와 실제 결과를 구분해 적습니다.
- 오류 메시지와 재현 절차를 제공합니다.
- 수정할 수 없는 조건을 알려줍니다.
- 변경된 부분과 이유를 함께 설명해 달라고 요청합니다.
예를 들어 “이 Python 코드 고쳐줘”보다 “Python 3.12에서 실행 중이며, 빈 CSV 파일을 읽을 때 ZeroDivisionError가 발생한다. 빈 파일이면 평균값 대신 None을 반환하도록 수정하고 테스트 코드도 작성해 달라”고 요청하는 편이 훨씬 정확합니다.
긴 프로젝트를 분석할 때는 파일을 무작정 모두 제공하기보다 먼저 폴더 구조와 핵심 진입점을 전달하는 방법이 좋습니다. 이후 AI가 필요하다고 판단한 파일을 추가로 제공하면 컨텍스트를 효율적으로 사용할 수 있습니다.
13. 사람이 반드시 검토해야 하는 코드
모든 생성 코드는 검토가 필요하지만 특히 보안, 결제, 개인정보, 데이터베이스 변경, 권한 관리와 관련된 코드는 더 엄격하게 확인해야 합니다.
SQL 쿼리 하나가 전체 데이터를 삭제할 수도 있고, 권한 검사 한 줄이 누락되어 다른 사용자의 정보가 노출될 수도 있습니다. 암호화 코드가 실행된다고 해서 안전한 구현이라는 보장도 없습니다.
AI는 개발 속도를 높이는 도구로 활용할 수 있지만 최종 책임을 대신하지는 않습니다. 생성된 코드를 이해하지 못한 상태에서 그대로 배포하는 것은 피해야 합니다.
14. 자주 묻는 질문
항상 그런 것은 아닙니다. 기본 언어 모델은 입력된 코드와 문맥을 바탕으로 결과를 추론합니다. 제품에 실행 환경이나 테스트 도구가 연결된 경우에는 실제 실행 결과를 추가로 활용할 수 있습니다.
문법과 예제가 충분히 제공되면 일부 구조를 추론할 수 있습니다. 하지만 학습 자료가 적거나 프로젝트 전용 언어라면 정확도가 낮아질 수 있으므로 공식 문법과 예시를 함께 제공하는 것이 좋습니다.
정확한 주석은 의도를 파악하는 데 도움이 됩니다. 반대로 오래되어 실제 코드와 맞지 않는 주석은 잘못된 해석을 유도할 수 있으므로 코드와 주석을 함께 관리해야 합니다.
바로 배포하기보다 먼저 내용을 이해하고 테스트해야 합니다. 라이브러리 버전, 오류 처리, 보안, 성능, 프로젝트 규칙을 사람이 검토하는 과정이 필요합니다.
무조건 그렇지는 않습니다. 불필요한 파일이 많으면 중요한 정보가 묻힐 수 있습니다. 문제와 직접 연결된 코드, 호출 관계, 오류 메시지를 중심으로 제공하는 편이 효과적입니다.
테스트는 프로그램이 기대하는 입력과 결과를 보여주므로 매우 유용합니다. 특히 경계값과 실패 조건을 포함한 테스트는 논리 오류를 찾는 데 도움이 됩니다.
📚 함께 보면 좋은 글
AI의 코드 분석 원리를 이해했다면 생성 결과가 달라지는 이유와 다른 형태의 데이터를 처리하는 방식도 함께 살펴보세요. 언어 모델이 정보를 해석하고 답을 만드는 전체 흐름을 연결해 이해할 수 있습니다.
🔗 공식 자료
📖 출처
- OpenAI Developer Documentation — Code generation
- Python Documentation — ast, Abstract Syntax Trees
- Tree-sitter 공식 문서 — Introduction 및 Using Parsers
- GitHub Docs — Navigating code on GitHub
- GitHub Docs — Using GitHub Copilot to explore projects
- GitHub Docs — What is GitHub Copilot?
AI는 코드를 사람처럼 실행 경험으로 이해하는 것이 아니라 토큰, 문법 구조, 변수와 함수의 관계, 프로젝트 문맥을 바탕으로 의미를 추론합니다. 따라서 정확한 코드 분석을 위해서는 관련 파일과 실행 환경을 제공하고, 생성된 결과는 반드시 테스트와 사람의 검토를 거쳐야 합니다.
