1. 문제 제기 및 동기 (Problem and Motivation)

• 레거시 시스템의 위험성: 비즈니스 핵심 레거시 시스템은 주로 동적 타입 언어 (JavaScript) 로 작성되어 있어 유지보수가 어렵고, 타입 안전성 (Type Safety) 부재로 인해 변경 시 기존 기능 파괴 위험이 큽니다.
• 수동 타입 추가의 비효율성: TypeScript 와 같은 선택적 타입 시스템은 문서화, 의존성 명시, 버그 예방에 유용하지만, 레거시 코드에 수동으로 타입을 추가하는 과정은 비용이 매우 많이 들고 시간이 오래 걸립니다. 개발자는 파일 간 의존성을 추적하고, 재사용 가능한 타입 정의를 설계하며, 한 번의 주석 추가가 유발하는 연쇄 오류를 해결해야 합니다.
• 기존 연구의 한계: 기존 자동화 연구는 주로 타입 추론 (Type Inference) 에 집중했으나, 대규모 저장소 (Repository) 수준에서의 타입 검사 설정, 정의 생성, 버그 식별, 그리고 행동 보존 (Behavioral Correctness) 검증은 충분히 다루지 못했습니다.

2. 방법론 (Methodology: AgenticTyper)

저자는 대규모 언어 모델 (LLM) 기반의 에이전트 시스템 (Agentic System) 인 'AgenticTyper'를 제안합니다. 이 시스템은 반복적인 오류 수정과 전파 (Transpilation) 비교를 통한 행동 보존을 핵심으로 합니다.

핵심 접근 방식

1. 3 단계 점진적 프로세스 (Figure 1):

   • Phase 1 (최소 설정): TypeScript 검사를 활성화하고, JSDoc 주석 (@type, @param 등) 을 추가하거나 수정하여 타입 오류를 해결합니다. 행동 변경이 불가피한 경우 @ts-expect-error 주석으로 억제하며, 이는 인간 검토 대상 (버그) 과 유효한 패턴 (중립적 설명) 으로 구분합니다.
   • Phase 2 (전체 커버리지): noImplicitAny 옵션을 활성화하여 명시적 주석을 강제합니다. 에이전트가 새로운 오류를 발견하고 정의/주석을 추가합니다.
   • Phase 3 (Strict Mode): 엄격한 검사를 활성화하여 null 체크 등 리팩토링이 필요한 이슈를 발견합니다. 이 단계는 회귀 테스트 (Regression Testing) 를 필수로 합니다.

2. 행동 보존 메커니즘 (Behavior Preservation Hook):

   • 테스트 스위트가 없는 환경에서도 회귀를 방지하기 위해, 파일 편집 후 변경된 코드를 JavaScript 로 전파 (Transpile) 하여 원본 전파 결과와 비교합니다.
   • 런타임 행동이 변경되면 에이전트에 경고하여 수정을 유도합니다. 이는 테스트 코드가 없는 레거시 프로젝트에서 핵심적인 안전장치 역할을 합니다.

3. 에이전트 아키텍처 (Figure 2):

   • 여러 에이전트가 병렬로 실행되어 개별 파일의 오류를 처리합니다.
   • 수정이 완료되면 정적 검사를 통해 잔여 오류를 확인하고, 최종 에이전트가 교차 파일 (Cross-file) 의존성 오류를 처리합니다.

3. 주요 기여 (Key Contributions)

1. 행동 보존이 포함된 새로운 에이전트 접근법: 테스트 스위트 없이도 전파 비교를 통해 런타임 행동을 보존하면서 레거시 프로젝트 전체에 타입을 적용하는 방법을 제시했습니다.
2. 오픈 소스 구현: 병렬 에이전트 실행을 지원하는 실제 구현체를 공개했습니다.
3. 실용성 및 비용 효율성 검증: 산업계 레거시 프로젝트에서의 실제 적용 가능성과 비용 절감 효과를 입증했습니다.

4. 실험 결과 (Results)

• 실험 환경: 두 개의 독점적 레거시 Node.js 백엔드 저장소 (총 81,000 줄의 코드, LOC) 에 적용.
• 성능:
  • 오류 해결: 초기 633 개의 타입 오류를 모두 해결했습니다.
  • 시간: 기존에 숙련된 개발자가 1 일 (Full working day) 소요하던 작업을 약 20 분 (19 분 57 초) 에 완료했습니다.
  • 비용: 약 $25의 비용으로 처리되었습니다.
  • 보안성: 전파 비교를 통해 런타임 행동 변경 없이 모든 오류를 해결했습니다.
• 한계 및 통찰:
  • 7% 의 억제 (Suppression) 는 더 정밀한 근본 원인 추적이 있었다면 피할 수 있었습니다 (예: 파라미터 가림, 단일 소스 대신 여러 사용 지점에서 억제).
  • Phase 1 결과에서 327 개의 필수 억제와 26 개의 추가 억제 (+8.0%) 가 발생했으나, 전체적으로 시스템은 안정적으로 작동했습니다.

5. 의의 및 향후 과제 (Significance & Future Work)

• 의의: AgenticTyper 는 레거시 소프트웨어 현대화 (Modernization) 에서 가장 비용이 많이 드는 단계 중 하나인 '타입 추가'를 자동화하여, 개발자의 생산성을 획기적으로 높이고 시스템의 안정성을 확보할 수 있음을 입증했습니다. 특히 테스트 코드가 부족한 레거시 코드에서도 안전한 리팩토링이 가능하다는 점이 중요합니다.
• 향후 과제:
  • Phase 2 와 Phase 3 의 실행 및 평가.
  • 30 만 줄 규모의 TypeScript 프로젝트 (Phase 1 불필요) 로 확장.
  • 다양한 LLM 모델 비교 및 Python 등 다른 선택적 타입 언어로 확장.
  • 타입 커버리지, 주석 정확도, 정제 작업 (Cleanup) 소요 시간 등 정량적 지표 심화 분석.

결론적으로, 이 논문은 LLM 기반 에이전트가 단순한 코드 생성을 넘어, 복잡한 레거시 시스템의 구조적 개선 (타입 안전성 부여) 을 위해 반복적 검증과 병렬 처리를 수행할 수 있음을 보여주는 중요한 사례입니다.