pile·
백엔드·flexflex·

[AI가 읽을 수 있는 코드베이스 3/5] Standalone App: 도메인 슬라이스 독립 실행

AI 에이전트가 Issue 도메인 수정 시 전체 인프라 초기화 없이 도메인 슬라이스만 독립 실행 가능한 standalone-app 모듈 구조를 소개한다. 헥사고날 아키텍처의 Port/Adapter로 프로덕션 Adapter를 테스트용으로 교체해 빠른 피드백 루프를 제공하는 방법을 다룬다.

핵심 포인트
  • **standalone-app 모듈**: Issue 도메인만 독립 실행 — `:issue:standalone-app:bootRun` 한 줄로 전체 인프라 불필요
  • **헥사고날 Port/Adapter 교체**: OAuth2 → 테스트용 Header 인증(X-Flex-Scope, X-Flex-Actor)으로 Adapter만 스왑
  • **IssueDataSeeder**: Repository 직접 호출 아닌 UseCases 통해 데이터 적재 — 도메인 로직 우회 방지
  • **AI 에이전트 최적화**: Claude·Cursor 등이 Issue 슬라이스만 집중 수정 가능, 컨텍스트 낭비 없음
  • **E2E 스택 통합**: Vite+React 프론트엔드 + Playwright E2E + springdoc-openapi Swagger UI 내장
  • **의존성 방향 보존**: standalone에서도 Domain → Application → Adapter 방향 엄수
상세 정리
  • flex.team "의존성의 방향을 따라" 시리즈 마지막 편 — 실제 운영 도메인에 적용한 사례
  • 기존 문제: AI 에이전트가 Issue 하나 수정하려면 전체 서비스 컨텍스트·인증·DB 초기화 필요
  • 해결: `apps/issue/standalone-app` 모듈 — 테스트용 H2 + 가짜 Adapter로 자급자족 실행
  • Port 인터페이스 (domain layer): `IssueRepository`, `NotificationPort` 등 추상화 정의
  • Adapter 교체 예시: `OAuth2ActorResolver` → `HeaderActorResolver(X-Flex-Scope, X-Flex-Actor)`
  • `IssueDataSeeder`: `CreateIssueUseCase`, `AssignIssueUseCase` 호출로 도메인 불변식 통과한 데이터 생성
  • Playwright 시나리오: 이슈 생성→할당→댓글→완료 전체 흐름을 UI 레벨에서 검증
  • springdoc-openapi 내장: standalone에서 Swagger UI로 API 탐색 및 수동 테스트 가능
  • 빌드 격리: standalone-app은 루트 Gradle 빌드에 포함 안 되어 CI 속도 영향 없음
  • 실제 AI 사용 패턴: Claude가 요구사항 받아 UseCase → E2E 시나리오 자동 생성 후 `bootRun`으로 검증
  • 한계: 외부 이벤트(Kafka, WebSocket) 의존 기능은 별도 목킹 필요
왜 읽나AI 에이전트와 헥사고날 아키텍처를 결합해 도메인 슬라이스 단위 독립 실행 환경을 구축하는 실전 패턴을 찾는다면 flex.team의 이 사례가 가장 구체적인 레퍼런스다.
flex
flex 블로그
원문은 여기서 이어서 읽을 수 있어요
원문 읽기
읽음 (0)

이 글과 비슷한

  1. 백엔드·twilio-engTwilio Engineering·

    Programmable Messaging에서 Verify API로 마이그레이션하기

    Twilio의 Programmable Messaging API로 자체 OTP 솔루션을 운영하던 서비스가 Verify API로 전환하는 방법을 코드 예시와 함께 설명한다. Verify는 OTP 전송·검증을 위한 전용 API로, 전화번호 구매, 토큰 생성, DB 저장·만료 관리를 내부에서 처리해 개발자가 직접 구현할 코드를 크게 줄인다.

    요약 이어보기
    #authentication#twilio#sms+2
  2. 백엔드·포스타입포스타입·

    포스타입이 개인화 추천을 하는 방법 2부

    포스타입 백엔드 엔지니어가 벡터 기반 개인화 추천 시스템을 실제 운영하며 맞닥뜨린 성능 장애와 용량 문제를 해결한 과정을 담은 2부다. 수백만 개의 벡터 KNN 검색이 피크 시간대에 전체 Elasticsearch 검색 성능을 흔드는 문제부터 클러스터 OOM 사태까지, 쿼리 최적화와 인프라 분리 두 가지 경로로 근본 해결에 이른다.

    요약 이어보기
    #elasticsearch#vector-search#recommendation-system+2
  3. 백엔드·포스타입포스타입·

    포스타입이 개인화 추천을 하는 방법 1부

    포스타입이 태그 기반 추천의 한계를 극복하고 벡터 임베딩 기반 개인화 추천 시스템을 구축한 과정을 담은 1부다. 유사한 콘텐츠가 다른 용어를 쓰거나 동일한 태그가 전혀 다른 톤의 콘텐츠를 가리키는 문제를 임베딩 벡터로 해결하고, OpenSearch의 HNSW ANN 검색으로 수백만 벡터를 실시간 검색하는 시스템을 구축해 구매율 15% 향상을 달성했다.

    요약 이어보기
    #opensearch#vector-search#recommendation-system+2