왜 Serena를 도입하려고 하는가?

최근 Claude Code Pro를 업무에 적극적으로 사용하면서 가장 먼저 느낀 것은 토큰이 너무 부족하다는 점이었다.

처음에는 AI에게 필요한 파일을 직접 찾아 전달했다.

grep

↓

파일 열기

↓

관련 클래스 찾기

↓

복사

↓

Claude에게 전달

 

작은 프로젝트에서는 문제가 없었다.

하지만 프로젝트가 커질수록

• grep 결과가 수백 줄씩 출력되고
• 관련 없는 코드까지 함께 전달되며
• AI가 불필요한 코드까지 읽게 된다.

결국 Pro 요금제를 사용하더라도 생각보다 빠르게 Context를 소비하게 된다.

나는 이 문제를 해결하기 위해 Serena를 도입하게 되었다.

---

내가 원하는 것은 AI 성능이 아니다

많은 소개 글에서는

"Serena가 AI를 더 똑똑하게 만들어 준다."

라고 설명한다.

하지만 내가 기대하는 부분은 조금 다르다.

내가 원하는 것은

AI가 꼭 필요한 코드만 읽도록 만드는 것이다.

예를 들어

기존에는

UserService를 찾아줘

 

라고 하면

grep 결과

↓

UserService.java

↓

UserServiceImpl.java

↓

README

↓

Test

↓

Configuration

 

등이 모두 Context에 포함될 수 있다.

반면 Serena는

UserService

↓

update()

↓

해당 Repository

↓

필요한 DTO

 

처럼 필요한 심볼 중심으로 탐색한다.

---

결국 목적은 토큰 절약이다

AI를 많이 사용할수록 느끼는 것은

모델보다 Context가 더 비싸다.

코드를 많이 읽을수록

• Input Token 증가
• Context Window 소비
• 대화가 길어질수록 성능 저하

가 발생한다.

Serena는 필요한 코드만 조회하도록 도와주기 때문에

• 불필요한 파일을 덜 읽고
• Context를 더 오래 유지하며
• 같은 Pro 요금제로 더 많은 작업을 수행할 가능성을 높여 준다.

---

앞으로 검증해 볼 내용

현재는 Serena를 도입한 단계이다.

다음 글에서는 실제 업무 프로젝트에서 아래 내용을 검증해 볼 예정이다.

• Serena 적용 전/후 Input Token 변화
• Claude Code Pro 사용 시간 변화
• 대규모 Spring Boot 프로젝트에서의 체감 성능
• grep 기반 탐색과 Serena 기반 탐색 비교
• 실제 업무에서 얼마나 Context를 절약할 수 있는지

단순히 "좋은 도구"를 소개하는 것이 아니라, AI를 더 오래, 더 효율적으로 사용하기 위한 비용 최적화 관점에서 살펴볼 계획이다.

---

이런 방향이면 "Serena 사용법"보다 "AI 비용 최적화 실험"이라는 주제가 되기 때문에 개발자들이 훨씬 관심을 가질 가능성이 큽니다. 다만 "Pro 요금제를 더 오래 사용할 수 있다"는 표현은 경험과 가설에 기반한 목표로 쓰고, 실제 절감 효과는 직접 측정한 결과를 후속 글에서 제시하는 것이 신뢰도를 높이는 방법입니다.