{
  "schema_version": 1,
  "video_id": "Wlt7GhA_14s",
  "source_url": "https://www.youtube.com/watch?v=Wlt7GhA_14s",
  "source_playlist_id": "PLHwM6idVO2zyqi2IZeDAiP5QBqRXd2Zyh",
  "title": "Meta에서 배운 실전 테크닉 - AI가 길 잃지 않는 코드베이스 & 토큰 비용 최적화",
  "channel_title": "실밸개발자",
  "published_at": "2026-06-30T08:00:29Z",
  "collected_at": "2026-07-09T04:48:27Z",
  "generated_at": "2026-07-09T04:48:56Z",
  "thumbnail_url": "https://i.ytimg.com/vi/Wlt7GhA_14s/maxresdefault.jpg",
  "source_basis": "metadata_and_model_inference",
  "executive_summary": "본 영상은 Meta에서 배운 두 가지 실전 테크닉, 즉 'AI-Ready 코드베이스'와 '토큰 효율성(Token Efficiency)'을 다룹니다. AI-Ready 코드베이스는 AI 에이전트가 복잡한 코드베이스에서 길을 잃어 탐색에 토큰의 80%를 낭비하는 문제를 해결하기 위해 코드베이스 건전성(Sanity)과 지도화(Cartography)를 강조합니다. 토큰 효율성 부분에서는 AI 사용 비용 증가에 대응하여 프롬프트 캐싱, 비용 측정 및 통제 메커니즘인 Cost Gate 등을 소개합니다. 영상은 AI Readiness 및 토큰 효율성 채점 스킬 데모를 포함하며, AI 비용 관리를 개인의 절약이 아닌 팀의 공유 자산으로 만드는 방법을 제시합니다. (트랜스크립트 부재로 메타데이터 기반 추론)",
  "summary_points": [
    "AI 에이전트는 AI-Ready하지 않은 코드베이스에서 탐색에 최대 80%의 토큰을 낭비할 수 있습니다.",
    "AI-Ready 코드베이스는 'Codebase Sanity'(코드 건강성)와 'Cartography'(코드 지도화)의 두 단계로 구축됩니다.",
    "AI Readiness 채점 스킬은 코드베이스의 AI 친화도를 100점 만점, 7개 카테고리로 평가하고 ROI 높은 개선 액션을 제안합니다.",
    "토큰 효율성은 AI 사용 비용을 측정하고 통제하는 데 중점을 두며, 팀의 공유 자산으로 관리되어야 합니다.",
    "프롬프트 캐싱은 동일한 프롬프트 접두사에 대해 캐시 읽기를 통해 토큰 비용을 1/10으로 줄이며, 5분 TTL(Time To Live)을 가집니다.",
    "캐시를 무효화하는 흔한 실수(예: 세션 중 CLAUDE.md 또는 모델 변경)와 6가지 최적화 기법 및 안티패턴이 제시됩니다.",
    "Cost Gate는 세션 및 PR(Pull Request) 단위로 예산 경고를 제공하여 AI 비용을 사전에 통제하는 메커니즘입니다."
  ],
  "video_structure": [
    "인트로: Meta에서 배운 실전 테크닉 (AI-Ready 코드베이스 & Token Efficiency)",
    "Part 1. AI-Ready 코드베이스: Agent의 탐색 비용 문제 해결 (Codebase Sanity → Cartography)",
    "데모: AI Readiness 채점 스킬 (100점, 7개 카테고리, HTML 대시보드 및 ROI 액션)",
    "Part 2. Token Efficiency: AI 비용 폭증 관리 (Prompt Caching, 최적화 기법)",
    "데모: Token Efficiency 채점 스킬 및 Cost Gate (팀의 공유 자산화)"
  ],
  "key_ideas": [
    "AI Agent는 코드베이스가 미로 같으면 길을 잃고, 탐색에 토큰의 80%를 낭비할 수 있습니다.",
    "AI-Ready 코드베이스는 Codebase Sanity(테스트, dead code, convention)와 Cartography(진입점, 의존 그래프, 용어집) 2단계로 구축됩니다.",
    "AI Readiness 채점 스킬은 코드베이스의 AI 친화도를 100점 만점으로 평가하고, 주기적인 감사 및 PR 머지까지의 ROI 액션을 제안합니다.",
    "Prompt Caching은 같은 프롬프트 접두사에 대해 캐시 읽기로 토큰 비용을 1/10으로 줄이며, 5분 TTL을 가집니다.",
    "세션 중간에 CLAUDE.md나 모델을 바꾸면 캐시가 통째로 증발하는 등 캐시를 날리는 실수를 피하고, 6가지 최적화 기법(예: 무거운 탐색은 서브에이전트 위임, 대용량 파일 직접 읽기 금지)을 활용해야 합니다.",
    "Cost Gate는 사후 대시보드가 아닌 사전 Hook 방식으로 세션 및 PR 단위로 예산 경고를 제공하여 AI 비용을 사전에 통제합니다.",
    "AI 비용 관리는 개인의 절약이 아닌 팀 플러그인에 박아 모두의 캐시 효율을 올리는 '팀의 공유 자산화' 관점으로 접근해야 합니다."
  ],
  "dreamlabs_application": [
    "DreamLabs의 AI Agent 개발 시, 코드베이스를 AI-Ready하게 설계하여 Agent의 탐색 비용을 최소화하고 개발 효율성을 극대화합니다.",
    "내부 코드베이스에 AI Readiness 채점 스킬을 적용하여 AI 친화도를 주기적으로 평가하고, 개선이 필요한 영역에 대한 ROI 높은 액션을 도출합니다.",
    "AI Agent 사용 시 발생하는 토큰 비용을 측정하고, Prompt Caching 및 기타 최적화 기법을 도입하여 비용 효율성을 높입니다.",
    "Cost Gate를 구현하여 AI 개발 및 운영 과정에서 예산 초과를 사전에 방지하고, 비용 관리를 팀의 표준 프로세스로 통합합니다.",
    "AI Agent가 활용할 수 있는 코드베이스 Cartography(진입점, 의존 그래프, 용어집, Gotchas 등)를 구축하여 Agent의 코드 이해도를 높입니다."
  ],
  "verification_required": [
    "AI Readiness 채점 스킬의 구체적인 7개 카테고리 및 100점 배점 기준 (영상 데모 확인 필요).",
    "Prompt Caching의 5분 TTL 및 캐시 읽기 1/10 가격 정책의 실제 작동 방식 및 Anthropic 문서와의 일치 여부.",
    "\"캐시를 날리는 실수\" 및 \"6가지 최적화 기법/안티패턴\"의 상세 내용 (영상 시청 필요).",
    "Cost Gate의 구현 방식 및 세션/PR 단위 예산 경고의 구체적인 작동 원리 (영상 시청 필요).",
    "AI Agent가 탐색에 80%의 토큰을 낭비한다는 주장의 근거 및 측정 방식 (영상 시청 필요)."
  ],
  "content_markdown": "# DreamLabs 기술 브리핑: Meta에서 배운 AI-Ready 코드베이스 & 토큰 비용 최적화\n\n## 핵심 요약\n본 영상은 Meta에서 배운 두 가지 실전 테크닉, 즉 'AI-Ready 코드베이스'와 '토큰 효율성(Token Efficiency)'을 다룹니다. AI-Ready 코드베이스는 AI 에이전트가 복잡한 코드베이스에서 길을 잃어 탐색에 토큰의 80%를 낭비하는 문제를 해결하기 위해 코드베이스 건전성(Sanity)과 지도화(Cartography)를 강조합니다. 토큰 효율성 부분에서는 AI 사용 비용 증가에 대응하여 프롬프트 캐싱, 비용 측정 및 통제 메커니즘인 Cost Gate 등을 소개합니다. 영상은 AI Readiness 및 토큰 효율성 채점 스킬 데모를 포함하며, AI 비용 관리를 개인의 절약이 아닌 팀의 공유 자산으로 만드는 방법을 제시합니다. (트랜스크립트 부재로 메타데이터 기반 추론)\n\n## 주요 내용\n*   **AI Agent의 탐색 비용 문제**: AI 에이전트는 AI-Ready하지 않은 코드베이스에서 탐색에 최대 80%의 토큰을 낭비할 수 있습니다. 이는 Agent가 매 세션 '첫 출근'하는 것처럼 머릿속 지도가 쌓이지 않기 때문입니다.\n*   **AI-Ready 코드베이스 2단계**: 'Codebase Sanity'(테스트, dead code 제거, 컨벤션 준수)와 'Cartography'(진입점, 의존 그래프, 용어집, Gotchas 등 코드 지도화)를 통해 Agent가 길을 잃지 않도록 합니다.\n*   **AI Readiness 채점 스킬**: 코드베이스의 AI 친화도를 100점 만점, 7개 카테고리로 평가하는 데모가 포함되어 있으며, 최우선 ROI 액션을 주기화하고 PR 머지까지 완료하는 것이 중요하다고 강조합니다.\n*   **토큰 효율성 및 비용 관리**: AI 사용량이 늘어날수록 폭증하는 토큰 비용을 관리하기 위해 비용을 숫자로 측정하고, 팀의 공유 자산으로 관리하는 접근법을 제시합니다.\n*   **프롬프트 캐싱**: 동일한 프롬프트 접두사에 대해 캐시 읽기를 통해 토큰 비용을 1/10으로 줄일 수 있으며, 5분 TTL(Time To Live)을 가집니다. 하지만 세션 중간에 CLAUDE.md나 모델을 바꾸면 캐시가 통째로 증발하는 실수를 주의해야 합니다.\n*   **6가지 최적화 기법 & 안티패턴**: 무거운 탐색은 서브에이전트에게 위임하고, 대용량 파일을 직접 읽는 것을 금지하는 등 구체적인 최적화 전략이 다루어집니다.\n*   **Cost Gate**: 사후 대시보드가 아닌 사전 Hook 방식으로 세션 및 PR(Pull Request) 단위로 예산 경고를 제공하여 AI 비용을 사전에 통제합니다.\n\n## DreamLabs 적용\n*   **AI Agent 코드베이스 설계**: DreamLabs의 AI Agent 개발 시, 코드베이스를 AI-Ready하게 설계하여 Agent의 탐색 비용을 최소화하고 개발 효율성을 극대화합니다.\n*   **AI Readiness 평가 시스템 도입**: 내부 코드베이스에 AI Readiness 채점 스킬을 적용하여 AI 친화도를 주기적으로 평가하고, 개선이 필요한 영역에 대한 ROI 높은 액션을 도출합니다.\n*   **토큰 비용 최적화**: AI Agent 사용 시 발생하는 토큰 비용을 측정하고, 프롬프트 캐싱 및 기타 최적화 기법을 도입하여 비용 효율성을 높입니다.\n*   **AI 비용 관리 프로세스 구축**: Cost Gate를 구현하여 AI 개발 및 운영 과정에서 예산 초과를 사전에 방지하고, 비용 관리를 팀의 표준 프로세스로 통합합니다.\n*   **코드베이스 Cartography 구축**: AI Agent가 활용할 수 있는 코드베이스 Cartography(진입점, 의존 그래프, 용어집, Gotchas 등)를 구축하여 Agent의 코드 이해도를 높입니다.\n\n## 확인 필요\n*   AI Readiness 채점 스킬의 구체적인 7개 카테고리 및 100점 배점 기준 (영상 데모 확인 필요).\n*   Prompt Caching의 5분 TTL 및 캐시 읽기 1/10 가격 정책의 실제 작동 방식 및 Anthropic 문서와의 일치 여부.\n*   \"캐시를 날리는 실수\" 및 \"6가지 최적화 기법/안티패턴\"의 상세 내용 (영상 시청 필요).\n*   Cost Gate의 구현 방식 및 세션/PR 단위 예산 경고의 구체적인 작동 원리 (영상 시청 필요).\n*   AI Agent가 탐색에 80%의 토큰을 낭비한다는 주장의 근거 및 측정 방식 (영상 시청 필요).\n\n## 원본 링크\n*   **YouTube 영상**: [Meta에서 배운 실전 테크닉 - AI가 길 잃지 않는 코드베이스 & 토큰 비용 최적화](https://www.youtube.com/watch?v=Wlt7GhA_14s)\n*   **Claude Code**: https://claude.com/claude-code\n*   **Anthropic — Prompt Caching**: https://docs.claude.com/en/docs/build-with-claude/prompt-caching\n*   **Anthropic — 토큰·가격 정책**: https://www.anthropic.com/pricing",
  "model": "gemini-2.5-flash"
}