Git 커밋 메시지를 AI 지식 프로토콜로 전환하는 Lore

본 논문은 AI 코딩 에이전트가 코드의 생산·소비 양쪽에서 핵심 역할을 수행하게 되면서, 코드 변경 이력에 남는 “Decision Shadow”(결정 그림자)라는 지식 손실 문제가 급격히 심화되고 있음을 지적한다. 기존 커밋 메시지는 “무엇을 바꿨는가”만을 요약하고, 왜 바꾸었는가에 대한 제약, 대안 평가, 신뢰도, 향후 지시 등은 전혀 기록되지 않는다. 이러한 맥락 손실은 장기적으로 레거시 코드와 유지보수 비용을 증가시키는 주요 원인으로 작용한다. 관련 연구로는 ADR(Architecture Decision Records), Code Digital Twin, Git Context Controller(GCC), AI 코드 기여 추적 도구 등이 있다. ADR은 설계 수준의 결정을 문서화하지만 구현 수준의 세부 결정은 포착하지 못하고, 문서와 코드 간 동기화 문제가 있다. Code Digital Twin은 지식 그래프와 양방향 링크를 구축하는 무거운 인프라를 요구한다. GCC는 에이전트 내부 메모리를 버전 관리하지만, 프로젝트 전체에 대한 지식 전파와는 별개이다. AI‑generated 커밋 메시지 도구는 diff 요약에 집중해 ‘왜’에 대한 정보를 제공하지 못한다. Lore는 이러한 한계를 극복하기 위해 Git 커밋 메시지 자체를 구조화된 지식 채널로 전환한다. 핵심 메커니즘은 Git이 기본 지원하는 “트레일러”(key‑value 형태)를 활용하는 것이다. 표준 트레일러 집합은 다음과 같다: - **Constraint**: 적용된 제약 조건 - **Rejected**: 배제된 대안과 그 이유 - **Confidence**: 결정에 대한 신뢰도(높음·중간·낮음) - **Scope‑risk**: 영향 범위(좁음·보통·넓음) - **Reversibility**: 되돌릴 수 있는 정도(클린·마이그레이션 필요·불가역) - **Directive**: 향후 수정자를 위한 지시사항 - **Tested / Not‑tested**: 검증된 내용과 검증되지 않은 부분 - **Related**: 관련 커밋 해시 각 트레일러는 선택적이며, 팀 고유의 키를 추가해도 기존 파서와 호환된다. 커밋 메시지의 첫 줄은 “왜”를 서술하는 인텐트 라인으로 사용하고, 본문에 서술형 설명을 넣으며, 트레일러가 기계가 읽을 수 있는 메타데이터를 제공한다. Lore의 구현은 두 계층으로 구분된다. 레이어 A는 순수 Git 포맷이며, 레이어 B는 `lore` CLI 도구다. CLI는 `lore context ` 로 특정 파일·디렉터리의 전체 Lore 기록을 요약하고, `lore constraints`, `lore rejected`, `lore directives` 등 세부 질의를 제공한다. 또한 `lore commit` 으로 인터랙티브하게 Lore‑풍 커밋을 작성하고, `lore validate` 로 기존 커밋의 포맷과 품질을 검사한다. 이러한 도구는 별도 서버나 데이터베이스 없이 로컬 Git 환경만으로 동작한다. 논문은 Lore가 기존 대안 대비 갖는 장점을 정리한다. ADR과 달리 Lore는 구현 수준의 결정을 원자적으로 커밋에 묶어 동기화 부패를 방지한다. 코드 주석은 가변·신뢰성 낮지만, Lore는 불변의 히스토리와 동일한 가용성을 제공한다. Code Digital Twin은 대규모 인프라가 필요하지만, Lore는 Git만 있으면 된다. AI‑generated 커밋 메시지는 diff 요약에 머무르지만, Lore는 전혀 diff에 존재하지 않았던 의사결정 정보를 압축해 제공한다. 주요 반론에 대한 대응도 제시한다. 오버헤드에 대해서는 에이전트가 이미 의사결정 정보를 보유하고 있어 커밋 시 직렬화 비용이 미미하다고 주장한다. 컨텍스트 윈도우 제한은 Lore가 “전역적인 지식 보존”을 목표로 하며, 완전 복원을 기대하기보다 핵심 요약을 제공하는 것이 목적이라고 설명한다. 신뢰와 게임화 위험은 구조화된 포맷 덕분에 자동 검증과 감사 로그를 통해 품질을 측정·관리할 수 있다. 채택 전략은 “에이전트‑우선” 접근이다. AI 코딩 에이전트가 Lore‑형 커밋을 자동 생성하도록 설정하면 인간 개발자는 별도 부담 없이 기존 워크플로를 유지한다. 논문은 두 팀이 동일 프로젝트에서 6개월간 Lore 사용 여부를 비교하는 실증 연구를 제안한다. 측정 지표는 에이전트 작업 성공률, 해결 시간, 거부된 접근 재시도 비율, 리뷰 사이클 수 등이다. 결론적으로, Lore는 Git이라는 보편적 인프라 위에 경량 메타데이터 레이어를 얹어, AI 코딩 에이전트가 과거 의사결정을 손쉽게 검색·재활용하도록 설계된 실용적 프로토콜이다. 인프라 비용이 거의 없고, 원자성·시간 불변성·보편성을 제공함으로써, 현재와 미래의 AI‑기반 개발 환경에서 지식 손실을 최소화하고 유지보수 효율성을 크게 향상시킬 수 있다.