이 글은 무료 토큰 바이브 코딩 도구 Continue 설치 및 사용기를 간단히 나눔한다.
이외, 오픈소스 AI 에이전트에 대해서는 다음 링크를 참고한다.
개요
Continue는 개발 환경(IDE)에 인공지능을 통합하여 코드 자동 완성, 리팩토링, 채팅 등을 제공하는 오픈소스 AI 코딩 어시스턴트(일명 바이브 코딩 도구)이다.
설치
Ollama 공식 홈페이지에서 운영체제에 맞는 프로그램을 설치한다. 설치 완료 후 터미널(명렬 프롬프트)을 열고 코딩에 최적화된 로컬 모델을 다운로드한다. 예를 들어 라마3 기반의 코딩 모델을 받으려면 코드 모델인 ollama run qwen2.5-coder 혹은 ollama run llama3 등을 실행해 로컬에 다운로드 받아둔다.
2.IDE에서 Continue 확장 프로그램 설치
VS Code 에디터를 열고 확장 프로그램 마켓플레이스(Extensions)로 이동한다. 검색창에 Continue를 입력한 후 공식 플러그인을 찾아 설치한다. 설치가 완료되면 에디터 측면 바에 Continue 아이콘이 생성된다.
3.Continue 설정 파일(config.json) 수정
Continue 아이콘을 클릭한 뒤 하단의 설정(톱니바퀴) 버튼을 눌러 config.json 파일을 연다.
models 배열 항목에 방금 Ollama로 다운로드한 로컬 모델 정보를 다음과 같이 추가하고 저장한다.
name: Local Config
version: 1.0.0
schema: v1
models:
- name: Autodetect
provider: ollama
model: AUTODETECT
4.연동 확인 및 테스트
Continue 채팅창 상단의 모델 선택 드롭다운 메뉴에서 등록한 로컬 모델(예: Ollama qwen2.5-coder)을 선택한다. 질문을 입력하여 로컬 환경에서 답변이 정상적으로 출력되는지 확인한다.
사용기
다음과 같이 프롬프트를 입력해 테트리스를 개발해 본다.
can you make tetris game by using pygame?
결과는 다음과 같다.
실행하자마자 빠져나오는 에러가 있어 해당 부분을 수정해달라고 했다. 그 결과 다음과 같이 동작되는 코드를 얻을 수 있었다. 무료 토큰 오픈웨이트 모델을 사용해 얻은 결과 치고는 괜찬아 보인다.
이제 PRD를 다음과 같이 작성해 코딩을 시켜본다.
# [PRD] Pygame 기반 테트리스(Tetris) 개발 요구사항 정의서
## 1. 개요
본 프로젝트는 Python의 `pygame` 라이브러리를 활용하여 로컬 환경에서 실행 가능한 고전 테트리스 게임을 개발하는 것이다. LLM(qwen2.5-coder)이 단번에 구조화된 객체 지향 코드를 생성할 수 있도록 게임 규칙, 시스템 아키텍처, 데이터 구조를 명확히 정의하는 것을 목적으로 한다.
## 2. 게임 명세 및 규칙 (Game Specifications)
* **그리드(Grid) 크기:** 가로 10칸 $\times$ 세로 20칸이다.
* **블록(Tetromino) 종류:** I, J, L, O, S, T, Z 총 7가지 형태이다. 각 블록은 고유의 색상을 가진다.
* **게임 루프 메커니즘:**
* 일정 시간(FPS 및 속도 레벨에 비례)마다 블록이 한 칸씩 자동으로 하강한다.
* 가로 한 줄이 빈칸 없이 블록으로 가득 차면 해당 줄이 소거되고 점수가 누적된다.
* 새로 생성된 블록이 배치될 공간이 없거나, 블록이 화면 최상단(세로 0번 인덱스)을 넘어서면 게임 오버(Game Over)이다.
## 3. 기술 스택 및 아키텍처 구조
* **언어 및 라이브러리:** `Python 3.x`, `pygame` 이다.
* **설계 패턴:** 관리가 용이하도록 **객체 지향 프로그래밍(OOP)** 구조로 클래스를 분리하여 구현한다.
### 3.1 핵심 클래스 구조 (Class Architecture)
```
[Main Loop (main.py)]
│
▼
┌──────────────────────────────────────────────┐
│ TetrisGame │ (게임 상태, 점수, 루프 관리)
└──────┬────────────────────────────────┬──────┘
│ │
▼ ▼
┌─────────────────────┐ ┌─────────────────────┐
│ Piece │ │ GameBoard │
│ (블록 형태, 좌표, 회전) │ │ (그리드 표현, 줄소거) │
└─────────────────────┘ └─────────────────────┘
```
#### ① `Piece` 클래스
* **역할:** 현재 조종 중인 테트로미노 블록 하나를 표현한다.
* **필수 변수:**
* `x`, `y`: 그리드 상의 현재 좌표 (정수형) 이다.
* `shape`: 블록의 형태를 나타내는 2차원 리스트(행렬)이다.
* `color`: RGB 튜플 형태의 블록 색상 정보이다.
* **필수 메서드:**
* `rotate()`: 블록 행렬을 시계 방향으로 90도 회전시킨다. (단, 회전 후 그리드 경계를 벗어나거나 기존 블록과 겹치면 회전을 취소해야 한다.)
#### ② `GameBoard` 클래스
* **역할:** 10 $\times$ 20 그리드의 상태를 관리하고 쌓인 블록들을 기록한다.
* **필수 변수:**
* `grid`: 10 $\times$ 20 크기의 2차원 리스트이다. 빈 공간은 `(0,0,0)` 또는 `None`으로, 블록이 찬 곳은 해당 블록의 RGB 색상 값으로 채워진다.
* **필수 메서드:**
* `check_collision(piece, offset_x, offset_y)`: 입력받은 `piece`가 지정된 오프셋만큼 이동하거나 회전했을 때, 벽면에 부딪히거나 바닥 혹은 기존에 쌓인 블록과 충돌하는지 여부를 검사하여 Boolean 값(`True`/`False`)을 반환한다.
* `lock_piece(piece)`: 바닥에 닿은 블록을 `grid` 데이터에 영구적으로 고정시킨다.
* `clear_lines()`: 가로 줄이 꽉 찼는지 검사하고, 채워진 줄을 삭제한 뒤 상단의 블록들을 아래로 내린다. 지워진 줄의 개수를 반환한다.
#### ③ `TetrisGame` 클래스 (또는 메인 제어 루프)
* **역할:** Pygame 초기화, 화면 렌더링, 키보드 이벤트 처리, 전체 게임 상태(점수, 게임오버 여부)를 총괄한다.
* **키 입력 이벤트 명세:**
* `KEY_LEFT` / `KEY_RIGHT`: 블록을 좌우로 1칸 이동한다.
* `KEY_DOWN`: 소프트 드롭(Soft Drop)으로 하강 속도를 가속한다.
* `KEY_UP`: 블록을 시계방향으로 회전한다.
* `KEY_SPACE`: 하드 드롭(Hard Drop)으로 블록을 즉시 바닥으로 떨어뜨리고 고정한다.
## 4. UI 및 그래픽 화면 구성 요구사항
* **화면 해상도:** 최소 $width = 400px$, $height = 500px$ 이상으로 설정한다.
* **레이아웃 분할:**
* **메인 게임 보드 영역:** 가로 10칸 $\times$ 세로 20칸 영역을 격자 모양으로 화면 중앙 혹은 좌측에 배치한다. (예: 한 칸당 $30px \times 30px$ 크기)
* **사이드 바 영역:** 현재 점수(Score)와 게임 오버 메시지를 텍스트로 표시한다.
개발을 시켜보았더니, 단순히 지시한 거보다는 품질이 더 좋아보이는 게임화면이 표시된다.
실제 개발 업무에서 Ollama와 Continue 조합을 사용해 보면 장단점이 명확하게 체감된다.
가장 큰 만족감을 주는 부분은 비용이다. 아무리 긴 코드 컨텍스트(문맥)를 집어넣고 대화를 나눠도 비용이 0원이며, 토큰 제한으로 인한 결제 압박이 없다. 내부 소스코드가 외부 클라우드로 전송되지 않아 보안 규정이 엄격한 프로젝트에서도 안심하고 사용할 수 있다.
사용 편의성은 깃허브 코파일럿(GitHub Copilot) 못지않게 뛰어나다. 드래그한 코드 영역을 바로 프롬프트에 넣거나(Ctrl + L), 인라인으로 코드를 바로 수정하는 기능(Ctrl + I)이 매끄럽게 작동한다.
다만 AI의 답변 속도, 성능, 퀄리티는 온전히 개인 PC의 하드웨어 사양(특히 GPU VRAM 용량)에 비례한다. 사양이 낮은 컴퓨터에서는 답변 속도가 느려 답답할 수 있으며, 가벼운 파라미터(Parameter)의 로컬 모델을 쓸 경우 복잡한 아키텍처 설계나 고난도 코드 로직 구현 시 상용 모델(GPT-4o, Claude 등)보다 정확도가 떨어진다.
마무리
Continue와 Ollama의 조합은 나만의 비용 없는 보안 코딩 비서를 만들 수 있는 최적의 솔루션이다. 상용 서비스 수준의 추론 성능을 확보하려면 고사양의 그래픽 카드가 필요하다는 숙제가 있지만, 간단한 함수 작성, 코드 리팩토링, 주석 생성 및 단순 반복 작업에서는 로컬 모델만으로도 충분히 돈값 그 이상의 생산성을 뽑아낼 수 있다. 오픈소스 생태계와 로컬 LLM의 발전 속도가 매우 빠르기 때문에, 앞으로 비용 절감과 보안을 동시에 잡으려는 개인 개발자와 기업들에게 Continue는 좋은 선택지로 자리 잡을 것으로 생각된다.
레퍼런스
댓글 없음:
댓글 쓰기