StarSling은 GitHub Actions 파이프라인이 과중한 빌드 부하, 긴 대기 시간, 복잡한 테스트 워크플로를 겪는 R&D 팀을 위한 AI 네이티브 CI 플랫폼입니다. 목표는 단순히 더 빠른 CI가 아니라, 자체적으로 지속적으로 개선되는 CI입니다. 즉, 실행을 분석하고, 최적화를 제안하며, 안전하게 테스트하고, 성공적인 변경 사항을 프로덕션 준비가 된 풀 리퀘스트로 전환하는 것입니다. 이 루프를 실용적으로 만들기 위해 StarSling은 Novita Agent Sandbox를 격리된 마이크로VM, 탄력적 컴퓨팅, 에이전트 실험, 재현 가능한 평가를 위한 실행 레이어로 사용합니다.
이 조합이 중요한 이유는 CI 최적화가 본질적으로 실험적이기 때문입니다. 캐싱, 병렬화, 테스트 샤딩 또는 워크플로 구조에 대한 변경은 한 저장소에는 도움이 되지만 다른 저장소에는 해가 될 수 있습니다. StarSling은 고객 시스템을 위험에 빠뜨리지 않고 실제 조건에 대해 변경 사항을 시도할 방법이 필요합니다. Novita Agent Sandbox는 각 실험에 통제된 작업 공간을 제공한 후, 승격 결정은 증거와 검토에 맡깁니다.
이 사례 연구에서는 CI 최적화를 자동화하기 어려운 이유, StarSling이 에이전트 루프를 실행하는 방법, 격리된 실행이 무엇을 변화시키는지, 그리고 동일한 아키텍처가 다른 AI 워크플로에 어떻게 적용될 수 있는지 확인할 수 있습니다.
CI 최적화를 자동화하기 어려운 이유
많은 엔지니어링 팀은 이미 느린 CI의 비용을 알고 있습니다. 지연된 병합, 유휴 리뷰 주기, 느린 피드백, 제품 작업 시간 감소 등입니다. 일반적인 해결책도 익숙합니다. 종속성 캐싱, 테스트 샤딩, 작업 병렬화, 중복 작업 감소, 플래키 검사 제거, 중요한 피드백이 더 빨리 도착하도록 파이프라인 재구성 등이 있습니다.
어려운 부분은 이러한 아이디어를 나열하는 것이 아닙니다. 특정 저장소에 어떤 변경이 안전하고 효과적인지 증명하는 것입니다. 워크플로 파일에는 로그만으로는 명확하지 않을 수 있는 과거 제약 조건, 조직적 선호도, 타이밍 가정, 종속성이 인코딩되어 있습니다. 빌드 시간이 비슷한 두 팀도 다른 수정이 필요할 수 있습니다. 한 팀은 더 나은 캐싱이 필요할 수 있고, 다른 팀은 테스트 격리, 더 많은 병렬화, 또는 더 작은 임계 경로가 필요할 수 있습니다.
수동 최적화는 또한 많은 저장소와 고객에 걸쳐 확장하기 어렵습니다. 누군가가 로그를 검사하고, 가설을 세우고, 워크플로를 편집하고, 작업을 다시 실행하고, 결과를 비교하고, 반복해야 합니다. 이 프로세스는 전문가의 시간을 소모하며 파이프라인이 발전함에 따라 효과적이었던 것을 보존하기 어렵게 만듭니다.
여기서 AI 에이전트가 도움이 될 수 있지만, 안전한 실행 경계가 있어야만 가능합니다. StarSling의 에이전트는 워크플로와 원격 측정을 검사하고, 최적화 변경 사항을 생성하며, 제안하기 전에 해당 변경 사항을 테스트합니다. 이 루프를 프로덕션 CI 내부에서 직접 실행하면 실험이 위험해지고 제어하기 어려워집니다. 에이전트는 운영상의 위험이 되지 않으면서도 행동하고, 실패하고, 재시도하고, 측정할 수 있어야 합니다.
StarSling이 최적화 루프를 실행하는 방법
StarSling은 CI를 스스로 관찰하고 개선할 수 있는 시스템으로 취급합니다. 워크플로는 증거로 시작합니다. 빌드 시간, 테스트 동작, 로그, 리소스 사용량, 파이프라인 구조 등입니다. 이 증거를 바탕으로 StarSling은 반복적인 설정 작업, 잘못 샤딩된 테스트, 불필요한 직렬화, 또는 예상보다 더 많은 시간을 소비하는 워크플로 단계와 같은 잠재적 병목 현상을 식별할 수 있습니다.
다음 단계는 실험입니다. StarSling은 제안된 최적화를 생성하고 이것이 실제로 파이프라인을 개선하는지 확인합니다. 벽시계 시간을 줄이는가? 비용을 낮추는가? 정확성을 유지하는가? 조건이 변경될 때 깔끔하게 실패하는가? 이러한 질문에는 정적 분석만이 아닌 실행이 필요합니다.
실험이 성공하면 그 결과는 리뷰를 위한 구체적인 변경 사항이 됩니다. 워크플로 업데이트, 캐시 조정, 테스트 샤딩 변경 또는 기타 파이프라인 개선입니다. 이 출력을 풀 리퀘스트로 유지하면 엔지니어가 프로덕션에 도달하기 전에 검사할 명확한 아티팩트를 얻을 수 있습니다.
StarSling은 고객들이 CI가 최대 6배 빨라지고 최대 13배 저렴해진 것을 보았다고 보고합니다. 이는 보편적인 보장이 아닌 고객 결과입니다. 결과는 저장소 형태, 테스트 스위트, 인프라 및 존재하는 병목 현상의 유형에 따라 달라집니다. 그럼에도 불구하고 패턴은 유용합니다. 자동화와 측정을 결합하여 추측이 아닌 관찰된 파이프라인 동작에 의해 개선이 뒷받침되도록 하는 것입니다.
Novita Agent Sandbox가 제공하는 것
Novita Agent Sandbox는 StarSling에 에이전트 워크로드를 위한 격리된 마이크로VM을 제공합니다. 고객 CI 시스템이나 내부 서비스와 직접 실행을 공유하는 대신, 각 에이전트 실행은 자체 통제된 환경을 가질 수 있습니다. 이러한 분리는 탐색적 명령, 종속성 또는 실패한 실험이 다른 작업에 간섭할 가능성을 줄입니다.
두 번째 속성은 탄력성입니다. CI 최적화 실험은 버스티(bursty)합니다. 조사 중에는 많은 실행이 있을 수 있고 변경 사항이 리뷰 준비가 되면 더 적어집니다. 샌드박스 컴퓨팅을 통해 StarSling은 필요할 때 실험을 실행할 수 있으며, 모든 고객 구현이 제한된 내부 리소스를 기다리게 할 필요가 없습니다.
세 번째 속성은 재현 가능성입니다. 실험을 재현하면 실제 개선을 노이즈와 구별하는 데 도움이 됩니다. 격리된 환경에서 StarSling은 일관된 조건 하에 에이전트 동작을 평가하고, 변경 사항을 검증하며, 최적화가 진행될 준비가 되었는지 더 확신을 가지고 결정할 수 있습니다.
이러한 속성들은 에이전트 루프를 임시 스크립트가 아닌 실용적인 제품 워크플로로 전환합니다. 샌드박스는 인간의 결정이 사라지는 곳이 아닙니다. 유용한 결정을 내릴 수 있을 만큼 안전하게 후보를 테스트할 수 있는 곳입니다.
AI 네이티브 CI를 위한 결과
이 접근 방식은 세 가지 연결된 이점을 제공합니다.
더 빠른 최적화 실험. StarSling은 병목 현상을 식별하고 수정을 배포하는 사이의 시간을 단축할 수 있습니다. 수동 조사 사이클을 기다리는 대신, 후보 변경 사항은 제안, 실행, 측정, 리뷰의 구조화된 루프를 통해 이동합니다.
안정적인 에이전트 실행. 격리된 환경은 에이전트 기반 자동화가 확장됨에 따라 운선 위험을 줄입니다. 에이전트는 반복적으로 실행되고 안전하게 실패할 수 있으며, 이는 워크플로 자체가 CI 변경 사항을 테스트하는 책임이 있을 때 필수적입니다.
더 쉬운 다중 고객 확장. Novita Agent Sandbox는 AI 최적화를 실제 CI 파이프라인에 배포하는 장벽을 낮춥니드. StarSling은 모든 새 저자소나 사용 사레에 대해 실행 기반을 재구축하지 않고도 더 많은 고객을 지원할 수 있습니다.
Daniel Woku, StarSling CTO는 운영 효가를 다음과 같히 설명했습니다:
“Novita Sandbox는 CI 워크로드를 안전하고 재현 가능하게 규모에 맞게 실핼할 수 있는 격리된 환경을 제공했습니다. 그들의 엔지니어는 세계적 수준이며 우리가 요청하는 모든 것을 몇 일이 아 난 주 안에 배포합니다.”
이 인용문은 더 넓은 교훈을 지적합니다: 에이전트 인프라가 에이전틱 자동화가 유용해지기 전에 신�할 수 있어야 합니다. 격리, 탄력성, 반복 가능성은 구헌 세부 사항이 아닙니다; 이는 AI 워크플로가 생산 시스템 가까이에서 작동할 수 있게 하는 조건입니다.
이 아키텍처를 적용하는 방법
이 패턴을 실제 시스템을 안전하게 변경해야 하는 모든 에이전트 워크플로에 재사용할 수 있습니다.
첫째, 분석 평면과 실행 평면을 분리하십시오. 로그와 메트릭은 후보 변경 사항을 알릴 수 있지만, 변경 사항은 프로덕션에 도달하기 전에 제한된 환경에서 테스트되어야 합니다.
둘째, 리� 대상 아티팩트를 정이하십시오. CI 최적화에서 이는 일반적으 워크플로 디프 또 설정 변입니다. 코 생성에서 이는 패일 수 있습다. 데이터 작업에서 이는 쿼, 노트북 또는 보그일 수 있습다. 리뷰 가한 아티팩트는 에이전트의 작업을 감사 가능하게 만듭니다.
셋째, 이전과 이후를 측정하십시오. CI의 경우 지속 시간, 비용, 실패율, 플래키 테스트, 대기 시간, 피드백 시간을 추적하십시오. 단일 속도 숫자는 다른 곳의 회귀를 숨길 수 있습니다.
넷째, 권한을 좁게 유지하십시오. 최적화 에이전트는 제한 없는 네트워크 액세스, 생산 비밀, 또 병합 권이 필오하지 않습니다. 실험을 실하고 증거를 생산하는 데 필오한 최소 액세스 권만 부여하십시오.
다섯째, 승격을 위한 인간 게이트를 유지하십시오. 샌드박스는 변경 사항이 테스트 조건에서 예상대로 작동했는지 확인할 수 있습니다. 인간과 기존 리뷰 프로세스는 여전히 해당 변경 사항이 프로덕션에 적절한지 결정해야 합니다.
FAQ
StarSling이란 무엇인가요?
StarSling은 AI 네이티브 CI 플랫폼입다. CI 워크플로분석하고, 캐싱, 병할화, 테스트 샤딩과 같은 개선 사항을 제안하며, 엔지니어 팀를 위한 최적화 풀 리�스트를 생합니다.
StarSling은 Novita Agent Sandbox를 어떻게 사용하나요?
StarSling은 Novita Agent Sandbox를 사용하여 격리된 마이크로VM에서 에이전트 워크플로를 실행하고, 반복된 실험을 위한 탄력적 컴퓨팅에 액세스하며, 재현 가능한 조건에서 CI 최적화 변경 사항을 평가합니다.
6배 속도 향상이 모든 CI 파이프라인에 적용되나요?
아니요. StarSling은 일부 고객이 CI가 최대 6배 빨라지고 최대 13배 저렴해진 것을 보았다고 보고합니다. 결과는 파이프라인, 테스트 스위트, 저장소 구조 및 관련된 병목 현상에 따라 다릅니다.
CI 최적화 에이전트에 샌드박스가 필오한 이는?
샌드박스는 에이전트가 명령을 실하고 변 사항을 스트할 곳을 제하지만, 고객 CI 시스탬 또는 공유 인프라에 직 간섭하지 않도록 합니. 또한 실험 간 더 깔끔한 비교를 지원합니다.
추천 문서
- Run Codex or a Coding Agent in a Secure Sandbox
- Open Source AI Agent Sandbox Options: What to Check Befoe Self-Hosting
- Building a Coding Agent with Novita’s Agent Sandbox
출처
- StarSling, “CI Harness v2: The Agent Loop That Shipped a 5.4x Speedup” — 2026년 9월 17일 확인: https://starsling.dev/blog/ci-harness-v2-the-agen-loop-that-shipped-a-54x-speedup
- Novita Agent Sandbox 개요 — 2026년 9월 17일 확인: <https//novita.ai/doc/guides/sandbox-oveview>
