🎯 Vibecode: RAG 기반 Java 리팩토링 자동화 봇

---

💬 "바이브 코딩의 속도에 실무 개발자의 견고함을 더하다"

✨ AI 코딩 도구가 놓치기 쉬운 컨벤션, 예외 처리, 유지보수성을 n8n 기반 RAG 파이프라인으로 자동 검수합니다.

---

👨‍👨‍👦‍👦 팀원 소개

서지혜	김종연	강민영

---

📌 프로젝트 개요

Vibecode는 n8n을 오케스트레이터로 활용하여 Slack 멘션 한 번으로 최신 Java 스타일 가이드(Google, Naver 등)를 실시간 참조(RAG)하고 단순 동작을 넘어선 엔지니어링 수준의 리팩토링 제안을 제공합니다.

---

🔄 Refactoring Comparison

단순한 코드 수정을 넘어, 실무 표준 가이드라인을 준수하는 견고한 코드로 변환합니다.

❌ Before (Raw Source)

✅ After (Refactored)

import java.util.*; import java.io.*; public class bad_example { public static void main(String [] args){ String str= "hello";int number =10; int another =20; if(number>5)another=number*10;else {number=another+5;} List<Integer> list= new ArrayList<>(); list.add(1); list .add(2);list.add(3); for(int i=0;i< list.size();i++) System.out.println(list.get(i)); System.out.println("done");} }

import java.util.ArrayList; import java.util.List; public class BadExample { public static void main(String[] args) { String str = "hello"; int number = 10; int another = 20; if (number > 5) { another = number * 10; } else { number = another + 5; } List&lt;Integer&gt; list = new ArrayList&lt;&gt;(); list.add(1); list.add(2); list.add(3); for (int i = 0; i &lt; list.size(); i++) { System.out.println(list.get(i)); } System.out.println("done"); } }

---

🎖️ 주요 기능

• RAG 기반 코드 검수

  • 공신력 있는 근거: Google 및 NAVER Java 스타일 가이드를 실시간 수집 및 정제하여 분석에 활용합니다.
  • 지능형 데이터 적재: Gemini-004 임베딩과 Pinecone 벡터 DB를 통해 단순 생성이 아닌 규정 준수 여부를 판단합니다.

• 근거 기반 리팩토링

  • 신뢰할 수 있는 답변: 모든 수정 제안에 [R1], [R2]와 같은 Evidence ID를 매핑하여 출처를 명확히 제시합니다.

• 노드 성능 최적화 💡

  • 비용 및 지연 절감: JavaScript Code 노드로 다수의 인덱싱 신호를 단일 신호로 축약하여 LLM 중복 호출을 차단합니다.
  • 안정적 오케스트레이션: 데이터 적재가 완료된 시점에만 에이전트가 실행되도록 설계하여 워크플로우의 안정성을 확보했습니다.

• 대화형 UI

  • 스마트 트리거: 슬랙 봇 멘션 시에만 즉각 반응하며, 분석 결과를 답장으로 제공해 가독성을 유지합니다.
  • 워크플로우 통합: n8n을 중심으로 수집-인덱싱-추론-응답 전 과정을 자동화 파이프라인으로 구축했습니다.

---

🧰 기술 스택

분류	기술
Orchestration	n8n (Workflow Automation)
LLM / Embedding	Google Gemini 2.5 Flash, Gemini Text-Embedding-004
Vector DB	Pinecone (Serverless, Cosine Similarity)
Communication	Slack API (Trigger & Response)
Connectivity	ngrok (로컬-클라우드 협업 터널링)

---

🎯 프로젝트 목표

"AI의 생산성에 시니어 엔지니어의 전문성을 결합한 자동화 파이프라인 구축"

• 🔗 n8n 기반의 End-to-End Workflow

  • [수집 → 정제 → 인덱싱(RAG) → 검색 → 응답] 전 과정을 n8n 노드로 직접 설계하여 실무형 자동화 파이프라인 구축 역량을 확보합니다.

• 📚 공신력 있는 근거 중심의 리팩토링

  • Google Style Guide, NAVER Hackday 등 권위 있는 문서 데이터를 실시간 참조하여, 리팩토링 제안에 대한 객관적인 근거와 설득력을 제공합니다.

---

⚙️ 시스템 아키텍쳐

---

n8n 워크플로우

▲ Slack 멘션부터 RAG 기반 리팩토링 응답까지의 전체 자동화 과정

🚀 Workflow Steps

1️⃣ Slack Trigger: 슬랙 @멘션을 수신하여 리팩토링 워크플로우를 시작합니다.

2️⃣ HTTP Request: 구글·네이버의 최신 자바 스타일 가이드 원문을 실시간 수집합니다.

네이버 자바 스타일 가이드	구글 스타일 가이드 (Raw)	구글 자바 스타일 가이드

3️⃣ HTML Extract: 수집된 HTML 문서에서 노이즈를 제거하고 본문 텍스트만 추출합니다.

수집된 원본 HTML 문서에서 불필요한 태그와 네비게이션 노이즈를 제거하여, LLM이 이해하기 최적화된 순수 텍스트 데이터만 추출합니다.

[Before] HTTP Request 원본 데이터	[After] HTML Extract 정제 데이터
<li>, <a>, <div> 등 다량의 HTML 태그 포함 메뉴 바, 링크 주소 등 분석에 불필요한 노이즈 혼재 데이터 구조가 파편화되어 가독성이 낮음	모든 HTML 태그가 제거된 순수 텍스트(Plain Text) 스타일 가이드 본문 내용만 정확하게 추출 완료 LLM(Gemini)이 컨텍스트를 파악하기 최적화된 상태

💡 정제 프로세스의 중요성 정제되지 않은 데이터를 그대로 사용할 경우 불필요한 토큰 소비가 발생하며, 벡터 검색 시 노이즈로 인해 정확도가 떨어질 수 있습니다. 본 프로세스를 통해 토큰 효율을 극대화하고 RAG 성능을 향상시켰습니다.

4️⃣ Schema Normalize: 추출된 텍스트에 출처(URL) 메타데이터를 부여하고 규격을 통일합니다.

5️⃣ Data Merge: 분기되어 처리된 여러 문서 데이터를 하나의 흐름으로 통합합니다.

6️⃣ RAG Indexing: 데이터를 청크로 분할 후 Gemini 임베딩을 생성하여 Pinecone에 저장합니다.

7️⃣ Sync Gate 💡: 인덱싱 완료 시까지 대기 후 단일 신호를 발생시켜 AI의 중복 실행을 방지합니다.

8️⃣ AI Agent: Pinecone 검색 결과를 근거로 Gemini가 리팩토링 답변을 생성합니다.

9️⃣ Slack Delivery: 최종 리뷰 결과를 슬랙 스레드 답장 형식으로 전송합니다.

---

🤖 페르소나 설계

Vibecode의 핵심인 AI 에이전트의 페르소나와 작동 규칙을 정의합니다.

구분	강제 규칙
의도 분류	Intent A(Style), B(Hardening), C(Hybrid) 자동 분류 후 맞춤형 응답
RAG 규칙	답변 전 Pinecone 1회 이상 필수 호출, 근거 없을 시 [비근거] 명시
인용 방식	규칙마다 Reference ID(R1, R2...) 매핑 및 문장 끝에 인용 부착
제약 사항	Plain Text 기반 출력, 유니코드 이모지만 사용

📄 출력 섹션 구성

에이전트는 모든 답변을 아래의 고정된 구조로 출력하여 일관성을 유지합니다.

1. 💻 리팩토링 코드: java 코드 블록 최상단 배치
2. 🧐 Why?: 항목별 [R#] 또는 [비근거]가 포함된 분석 결과
3. 📚 References: 인용된 근거의 제목 및 출처 URL 명시

---

📈 실행 결과

• Input: Java 코드와 함께 리팩토링 요청 (@Vibecode)
  
  

• Process: 컨벤션 실시간 수집 → Pinecone 인덱싱 → Gemini RAG 분석 → 근거 기반 답변 생성

• Output:

  • 리팩토링된 최적화 코드 제공
  • Naver Hackday, Java Coding Convention 등 공신력 있는 근거 문서 인용
    
    

Vibecode는 단순히 코드를 고치는 것을 넘어, 개발자가 "왜 이렇게 고쳐야 하는지"를 학습할 수 있는 환경을 제공합니다.

---

🚨 트러블슈팅

⚠️ 1. 토큰 이슈

• 문제점
  실제 사용 환경에서 제공되는 토큰 개수가 매우 제한적이어서, 워크플로우를 구성하는 데 어려움이 있었습니다.

• 해결
  구글 Gemini에서 카드 연결시 제공하는 프리티어 요금제를 활용하여 토큰을 확보하였습니다.

🤝 2. 협업 환경 문제

• 문제점
  로컬 환경 기반으로 개발을 진행하다 보니 팀원 간 실시간으로 결과물을 공유하고 함께 작업하는 데 네트워크상 어려움이 있었습니다.

• 해결
  ngrok을 활용한 터널링 기술을 도입하여, 각자의 로컬 환경을 외부에서도 접속 가능하게 만들어 팀원들과 즉각적인 공동 작업 및 테스트를 원활하게 진행했습니다.

🔧 3. Workflow 구성 이슈

• 문제점
  Pinecone를 하나의 워크플로우로만 사용했을 때 Gemini 모델과 정상적으로 연결되지 않는 이슈가 발생했습니다.

• 해결
  Pinecone를 두 개로 구성하여 하나는 Insert Document, 다른 하나는 Retrieve
  로 역할을 분리하여 연결하였습니다.

📊 4. 성능 시각화 이슈

• 문제점
  n8n에서 발생한 Pinecone 실행 로그 및 검색 결과 데이터를 Elasticsearch / Kibana로 전송하여 시각화를 시도하였으나,
  대용량 로그 데이터 및 복잡한 벡터 데이터 처리 과정에서 시스템 부하가 발생하고 전송 실패 문제가 발생하였습니다

  시각화의 원래 목적은 RAG 답변 품질 검증과 검색 결과의 Similarity Score를 시각화하여 AI 답변의 신뢰도를 측정하려 했습니다.

• 분석
  n8n에서 쏟아지는 방대한 실행 메타데이터와 고차원 벡터 정보를 실시간으로 ELK 스택 (Elasticsearch, Logstash, Kibana)이 수용하기에는 데이터 처리량 한계 및 리소스 충돌이 발생하였습니다.

• 해결
  추후에는 대규모 인프라 모니터링에 특화된 Grafana 도구 및 전용 시각화 솔루션을 활용하여 해당 기능을 발전시킬 계획입니다.

---

🚀 앞으로 추가할 기능

Vibecode의 완성도를 높이고 서비스 범위를 확장하기 위해 다음과 같은 기능을 단계적으로 도입할 예정입니다.

기능	설명	기대 효과
모니터링 대시보드 구축	Grafana와 연동하여 RAG 답변의 Similarity Score 및 응답 속도 시각화	AI 답변의 신뢰도를 객관적으로 측정하고 시스템 병목 구간을 파악하여 성능 최적화
언어(Language) 가이드 확대	Java 외에도 Python, Go 등 다양한 프로그래밍 언어의 공식 스타일 가이드 추가 수집	특정 언어에 국한되지 않는 범용적인 멀티 언어 리팩토링 자동화 봇으로 서비스 확장