Claude Code 단일 컨텍스트로 중대형 기능을 만들면 컨텍스트 오염, 패턴 일관성 부재, 순차 실행으로 인한 시간 손실이 발생합니다. Vibe coder는 PRD 없이 바로 코딩에 들어가 누락 요건과 보안 갭을 만들고, 시니어는 매번 같은 절차(요구사항 → 아키텍처 결정 → 빌드 → 리뷰 → 커밋)를 반복합니다. WIGTN Coding은 이 사이클 전체를 명시적 파이프라인 + 병렬 에이전트로 자동화합니다.

/prd는 parallel-digging-coordinator를 통해 4-카테고리(완전성·실현가능성·보안·일관성) 갭 분석을 병렬 수행해 PRD.md와 PLAN_{feature}.md를 생성합니다. /implement는 architecture-decision(MSA / 모놀리식 / 모듈러 모놀리스)을 결정한 뒤 — 프론트엔드 포함 시 design-discovery가 20개 스타일 중 컨텍스트 맞춤 추천 — team-build-coordinator가 백엔드 · 프론트엔드 · AI 서버 · 운영 4개 팀에 작업을 동적 분배합니다. 각 팀은 독립된 서브에이전트로 동시 빌드.

/auto-commit은 parallel-review-coordinator가 3개 리뷰 에이전트(가독성·성능·보안)를 병렬 실행해 점수를 병합합니다. code-reviewer는 5개 카테고리(가독성·유지보수성·성능·테스터빌리티·베스트 프랙티스)를 100점 만점으로 평가하며, ≥80은 자동 커밋, 60–79는 수정 후 재시도, <60은 차단됩니다. 보안 치명적 이슈는 점수와 무관하게 zero-tolerance로 FAIL 처리. 별도 /review-pr 명령으로 GitHub PR 리뷰도 동일 품질 게이트로 처리합니다.

핵심 원칙은 'Project-Native' — 모든 에이전트는 코드 작성 전 Context Harvesting으로 프로젝트의 실제 패턴(폴더 구조 · 네이밍 컨벤션 · 에러 핸들링 방식 · 테스트 스타일)을 스캔하고, team-memory-protocol 스킬을 통해 SHARED_CONTEXT 파일 + Claude Code TaskCreate + Auto Memory 3-레이어 공유 메모리에 기록합니다. 결과적으로 generic best practice가 아닌 이 코드베이스의 실제 컨벤션 위에서 일관된 코드가 생성됩니다.

운영 안전성은 4개 훅(위험 명령 차단 · 프론트엔드 포맷팅 · 백엔드 패턴 검증 · 파이프라인 완료 알림)과 최근 추가된 Stale Branch Detection으로 강화했습니다. squash-merge 후 close된 PR의 브랜치에 추가 commit이 invisible해지는 실제 사고에서 출발한 개선으로, /auto-commit 진입 시 `gh pr list --head <current> --state all`로 사전 검증 후 stale 판별 시 자동으로 신규 브랜치 분기 + cherry-pick + stash 복구를 수행합니다. Apache 2.0으로 공개되어 있으며 README는 EN/KO/CN 3개 언어로 동기화됩니다.

Snowflake AI & Data Hackathon 2026 Tech Track 출품작. 일반적인 '데이터 대시보드'가 아니라, 의사결정자(소상공인·B2B 마케터·프랜차이즈·개인 투자자·상권 운영자)가 자기 목적을 직접 선택하면 '어느 동네가 그 목적에 맞는지'를 데이터로 답해 주는 도구를 목표로 했습니다. 같은 쿼리라도 목적이 다르면 해석이 달라진다는 점이 핵심 가설.

오케스트레이션은 GPT-4o 진행자(PM 에이전트)가 목적 컨텍스트를 받아 고정 멤버(데이터 분석가) + 동적 전문가(목적 도메인 + Cortex Forecast / Insight / Sentiment / News / Anomaly)를 소환하고, Slack 스타일 토론방에서 SSE로 발언이 스트리밍됩니다. Cortex Agent가 Semantic Model 4개를 활용해 자연어→SQL을 수행하고, FORECAST는 Top 3 대상 6개월 예측, ANOMALY_DETECTION은 랭킹 결과에 이상 시그널을 자동 주입합니다.

신뢰성은 3-Tier 폴백으로 확보 — Tier 1 Cortex Agent(Analyst×4 + data_to_chart), trial 제약 시 Cortex Analyst 직접 호출로 하강. Tier 2 GPT-4o Function Calling(execute_snowflake_sql / web_search Tavily / real_estate_transaction 국토부 / statistical_analysis), Tier 3 GPT-4o 순수 추론. 또한 Cortex LLM이 가비지 토큰(`<|reserved_special_token|>`, `Dünnschicht` 등)을 흘릴 경우 `hasGarbageTokens()`가 스트리밍 중 감지해 즉시 GPT-4o로 전환합니다.

데이터 측면은 SPH·RichGo·NextTrade·아정당 4개 데이터셋을 모두 Semantic Model YAML로 정의해 Cortex Analyst가 단일 자연어 입력으로 4 도메인을 교차 조회하도록 했고, Dynamic Tables(`DT_DISTRICT_HEALTH`, `DT_DISTRICT_DNA`)와 Python UDF(디커플링 지수·DNA 유사도·목적 적합도)로 의사결정 점수를 계산합니다. 결과적으로 단순 추천이 아니라 '왜 1위인가'를 데이터로 논쟁하는 토론 + 이상 시그널이 결합된 데모로 Final Round 준우승을 수상했습니다.

Build with TRAE Seoul Hackathon 2026 대상 수상작. '에이전트끼리 토론하면 더 나은 결과가 나오는가'라는 가설을 가장 직관적인 형태로 시연하는 데모를 목표로 했습니다 — 사용자는 토픽 한 줄만 던지면, AI들이 토론하는 모습을 실시간으로 보고, 결론이 나오는 순간 채팅 화면이 동작하는 랜딩 페이지로 변신하는 경험을 합니다.

오케스트레이션은 `orchestrator.ts`의 AsyncGenerator&lt;SSEEvent&gt; 패턴으로 구현됐습니다. 5단계 — 에이전트 생성(GPT-4o JSON) → 30턴 자유 토론(streamSpeak + pickNextSpeaker로 균등 발언 분배) → 토론 요약(JSON) → 최종 결과 합성(JSON) → 랜딩 페이지 생성(streaming) — 가 SSE로 클라이언트에 흘러가고, 프론트엔드는 useReducer로 13종 이벤트를 단일 상태 머신에서 처리합니다. PM과 Designer는 isFixed로 항상 존재하며(Designer는 turn 3에 합류), 그 외 도메인 전문가는 turn 12·22에 확정 교체됩니다.

초기 설계는 라운드제(R1 브레인스토밍 → R2 토론 → R3 수렴) + GPT-4o 풀 HTML 생성이었지만, 두 번의 큰 피봇이 있었습니다. (1) **라운드 → 30턴 자유 토론**: 라운드 전환 로직의 엣지 케이스를 피하고 토론 깊이를 확보하기 위해 turnCount 기반 단일 프롬프트로 단순화. 마지막 5턴(25–29)에는 강제 수렴 프롬프트를 주입해 결론 도출을 보장. (2) **GPT 생성 → 템플릿 즉시 렌더링**: 토론 5–8분에 더해 HTML 생성 30–60초 대기는 데모에서 치명적이었고, GPT-4o가 랜딩페이지 생성을 거부/저품질 반환하는 경우도 있어, `landing-templates.ts`의 9개 템플릿(Glassmorphism / Neobrutalism / Editorial / Minimalism / Dark Neon / Bento Grid / Organic Shapes / Corporate / Gradient Mesh)을 키워드 매칭으로 즉시 선택하는 Primary 경로로 전환. GPT-4o 백그라운드 생성은 fallback으로 남겨둬 이중 경로를 유지합니다.

한 제품 안에서 7개 이상의 멀티 에이전트 디자인 패턴(Orchestrator·Specialist·Persistent Anchor·Spawning·Retirement·Multi-turn Debate·Result Synthesis) + Human-in-the-Loop(결과 반려 시 rejectDebatePrompt로 추가 8턴 토론)을 모두 시연한다는 점이 심사에서 좋게 평가됐습니다. 통신은 SSE 단방향 스트리밍(WebSocket은 양방향이라 오버엔지니어링)으로 단순화했고, types.ts에 Agent · ChatItem · SSEEvent 등 인터페이스 281줄을 먼저 확정해 3인 병렬 개발의 충돌을 최소화했습니다. MIT 라이선스로 공개되어 있습니다.

기존 스트리밍 음성 번역 시스템(SeamlessM4T, Moshi 등)은 광대역 오디오와 클라이언트측 음향 에코 제거(AEC)를 전제합니다. 그러나 PSTN은 여전히 병원·식당·관공서의 주요 인바운드 채널이며 G.711 μ-law 8kHz 코덱, 80–600ms 지연, AEC 부재라는 제약을 가집니다. 재한 외국인 220만, 콜포비아 Gen-Z 약 400만 등 명확한 수요가 있음에도 소프트웨어만으로 이 문제를 해결한 시스템은 존재하지 않았습니다.

WIGVO는 두 개의 독립적인 OpenAI Realtime 세션을 운영합니다. Session A는 브라우저 PCM16 오디오를 G.711로 변환해 Twilio에 송출하고, Session B는 PSTN G.711 8kHz를 받아 번역된 오디오/자막을 브라우저로 돌려보냅니다. AudioRouter가 Strategy 패턴으로 V2V·T2V·Full-Agent 파이프라인에 이벤트를 분기하며, T2V/Agent 모드의 번역은 GPT-4o-mini Chat Completion(temperature=0)에 위임해 생성적 할루시네이션을 차단합니다.

단순 단일 세션 설계에서 가장 치명적이었던 문제는 자기 강화 번역 루프였습니다. 수신자에게 재생된 TTS가 80–600ms 후 PSTN을 타고 다시 들어와 번역 사이클을 무한 반복하는 현상으로, 게이팅 없이 테스트 통화 10건 중 8건에서 발생했고 Pearson-correlation echo detector를 적용해도 10건 중 3건에서 루프가 재발했습니다(μ-law 비선형 양자화와 가변 지연 때문). Echo Gate는 Session A가 TTS 스트리밍을 시작하면 동적 쿨다운(TTS 길이 + 0.3초 마진) 동안 수신 PSTN 오디오를 μ-law 무음(0xFF)으로 적극 주입해 Realtime API의 server-side VAD가 silence-to-speech transition을 정상 관측하도록 유지합니다. 뒤이은 RMS Energy Gate(에코 윈도우 ≥400 RMS만 통과)와 Silero VAD가 잔여 잡음을 걸러 147건 completed PSTN 통화에서 에코 루프 0건을 달성했습니다.

또한 3단계 가드레일(L1 통과 / L2 반말 백그라운드 교정 / L3 욕설·유해 콘텐츠 차단 + 필러 음성)로 95%+ 케이스에서 추가 지연 0ms를 유지했습니다. 평가는 2026.02.23–27 5일간 155건 PSTN 통화(148 instrumented, 147 completed)에서 수행되었으며 — Session A E2E P50 555ms(P95 1,169ms)로 인터랙티브 통신 임계값 내, Session B는 STT(Whisper)가 평균 3,544ms를 차지해 P50 2,684ms(전문 동시통역 ear-voice span 2–5초의 하한)였습니다. 220.2분 통화에서 1,870,657 tokens / USD 61.26을 소비해 분당 USD 0.28, 통화당 USD 0.41로 전문 통역 서비스(USD 1–3/min) 대비 약 10배 저렴합니다. ACL 2026 System Demonstrations에 'WIGVO: Real-Time Bidirectional Speech Translation over Legacy PSTN Calls via Dual-Session Echo Gating'으로 채택되었습니다.

Trae.ai 해커톤 2026 ('에이전트' 주제) 출품작. 출발점은 코딩 에이전트(Cursor/Claude Code/Trae)로 화면을 대충 만드는 건 잘 되지만 '디자인을 다듬는 단계'는 여전히 고통이라는 관찰이었습니다 — '이 카드를 좀 더 크게'를 정확히 말로 옮기기 어렵고, CSS 수정 → 새로고침 → 확인 루프는 느립니다. WIGSS는 Figma 없이, CSS 수동 수정 없이, 그냥 화면에서 드래그하면 소스가 바뀌는 경험을 목표로 합니다.

핵심 아키텍처는 두 개의 구분 — '제안과 대화'는 AI(GPT-4o function calling)에 맡기되, '실제 코드 변경'은 결정론적 매핑(`refactor-client.ts`)으로 처리합니다. 드래그 후 Save를 누르면 `fullClassName`을 키로 소스 줄을 매칭하고 Tailwind 토큰 변환표(TW_MAP)로 px↔클래스를 양방향 변환해 CodeDiff[]를 생성합니다. 이 분리 덕분에 AI가 환각해도 사용자 파일이 망가지지 않습니다.

통신 계층은 항시 연결 WebSocket(`ws` 포트 4001) + mutex 큐로 동시성 안전 — 일반 AI 도구가 'request → response' 모델이라면 WIGSS는 항시 연결 + 능동적 개입에 가깝습니다. 드래그/리사이즈 이벤트가 30fps로 스로틀되어 흐르고, GPT-4o가 'X px 차이납니다, 맞출까요?' 같은 정렬 보정 제안을 실시간으로 돌려줍니다. Editor/Agent 두 개의 Zustand 스토어로 상태가 분리되어 있고, 50단계 Undo/Redo 히스토리를 지원합니다.

운영 안전성은 다층 가드 — origin 검증, rate limit, 경로 순회 공격 방지, diff 검증(className/style만 허용·JS 변경 거부), `.bak` 자동 백업으로 사용자 코드 변경을 안전 범위 안에 가둡니다. 배포는 `npx wigss --port 3000` 한 줄 실행을 목표로 commander 기반 CLI 진입점과 Next.js instrumentation으로 부팅 시 WS 서버 + 에이전트를 자동 기동합니다. `--demo`로 데모 페이지 즉시 체험 가능, npm 패키지로 정식 배포됐습니다.

TimeLens는 박물관 방문이라는 짧은 문맥 안에서 음성 대화·시각 인식·이미지 생성·기록 보존을 하나의 흐름으로 연결합니다. 사용자는 박물관을 선택해 세션을 열고(Search Grounding으로 오늘의 전시까지 반영된 인사를 받음), 유물을 카메라로 비추며 자연스럽게 질문하면 AI 큐레이터가 시대·문명·맥락을 설명하고, '원래 모습 보여줘'로 복원 이미지를, '다이어리 만들어줘'로 일러스트 방문 기록을 즉석에서 만들어 줍니다.

핵심 아키텍처는 듀얼 파이프라인입니다. 파이프라인 1은 앱 사용 내내 열려 있는 Gemini Live WebSocket 세션 — 마이크 PCM16/16kHz 오디오와 카메라 JPEG/1fps 프레임이 동시 송출되고, 모델이 실시간 음성 응답과 Function Call을 반환합니다. 파이프라인 2는 이미지 생성·Places 호출 같은 무거운 작업을 처리하는 Next.js API 라우트로, Function Call이 이 라우트를 트리거합니다. 인텐트 분류기를 별도로 두지 않고 모델의 도구 선택 능력에 라우팅을 위임한 것이 핵심 결정.

Function Declaration은 4개 — `recognize_artifact`만 카메라 프레임이 이미 스트리밍 중이라는 점을 활용해 Live 세션 안에서 Google Search Grounding과 함께 처리하고(REST 호출 없음), 나머지 3개(`generate_restoration` → Gemini 2.5 Flash Image, `discover_nearby` → Places API, `create_diary` → Gemini 3 Pro Image + Firestore)는 REST로 위임됩니다. WebSocket을 사용할 수 없는 환경에서는 `@google/adk` 기반의 텍스트 에이전트 오케스트레이션(orchestrator + 4 전문가)로 폴백되며, 두 경로 모두 동일한 백엔드 API를 공유합니다.

프로덕션은 Cloud Run 서울 리전에 GitHub Actions로 자동 배포되고, 클라이언트는 직접 Gemini 키를 들고 있지 않습니다 — `POST /api/session`이 Ephemeral Token을 발급해 보안과 비용 통제를 동시에 잡습니다. Firebase Firestore에는 세션·방문 기록·공유 가능한 다이어리가 저장되며, Firebase 키 없이도 앱은 정상 동작하도록 그레이스풀 디그레이드 처리됐습니다.