Type: Article Author: Guido Russo Original Date: 2026-06-01 Source: https://medium.com/@guidorusso95/i-chose-a-good-harness-but-did-i-choose-the-right-models-c4f201b4b926
Summary
Guido Russo는 자신의 AI 코딩 워크플로우를 더욱 최적화한 경험을 공유합니다. 단일 모델 세션의 한계를 지적하고, Spec-Driven Development (SDD)라는 다단계 접근법을 소개합니다. SDD는 Init, Explore, Propose, Spec, Design, Tasks, Apply, Verify, Archive의 9개 단계로 구성되며, 각 단계에 최적화된 오픈웨이트 모델을 할당합니다. OpenCode Go 구독 서비스를 통해 대부분의 단계를 월 10~15달러의 예측 가능한 비용으로 운영할 수 있습니다. 오케스트레이터만 Claude Sonnet 4.6을 사용하고, Verify 단계는 Qwen3-Coder 480B를 OpenRouter를 통해 사용합니다.
주요 인사이트
- 단계 분할의 중요성 — 단일 모델 세션은 컨텍스트 오염으로 인해 시간이 지남에 따라 성능이 저하됩니다. 각 단계를 분리하면 각 작업에 최적화된 모델을 사용할 수 있고, 컨텍스트 오염을 방지할 수 있습니다.
- 모델 선택의 차별화 — 각 단계의 요구사항이 다르므로, 모든 단계에 동일한 모델을 사용하는 것은 비효율적입니다. 예를 들어, 탐색에는 병렬 처리 능력이 중요한 Kimi K2.6이 적합하고, 스펙 작성에는 정밀한 추론이 필요한 DeepSeek V4 Pro가 적합합니다.
- 오픈웨이트 모델의 성숙 — 2026년 중반 현재, GLM-5.1, Kimi K2.6, DeepSeek V4 Pro 등 오픈웨이트 모델이 SWE-Bench Pro, GDPval-AA 등 주요 벤치마크에서 최고 수준의 성능을 달성하고 있습니다.
- 비용 효율성 — OpenCode Go의 구독 기반 접근법은 토큰 단위 과금보다 비용을 예측 가능하게 만들고, 전체 SDD 워크플로우를 월 10~15달러로 운영할 수 있게 합니다.
세부 사항 / 주목할 점
- Gentle-AI는 Gentleman-Programming GitHub 조직의 오픈소스 에코시스템 구성기입니다.
- Engram은 SQLite 기반의 지속적 메모리 레이어로, 단계 간 아티팩트를 저장합니다.
- 주요 오픈웨이트 모델 벤치마크: GLM-5.1 (SWE-Bench Pro 58.4%), DeepSeek V4 Pro (GDPval-AA 1554), Kimi K2.6 (Artificial Analysis Intelligence Index 54).
- Qwen3-Coder 480B는 도구 호출 정확도 94% (DeepSeek V4 Pro는 87%)로 검증 단계에 특화되어 있습니다.
- 오케스트레이터는 Claude Sonnet 4.6을 사용하며, 컨텍스트 사용률이 15% 미만으로 유지됩니다.