Cursor Agent Trace — AI가 작성한 코드를 추적하는 오픈 표준이 등장하다

개요

2026년 1월, Cursor가 Agent Trace라는 오픈 사양(RFC)을 공개했습니다. 버전 0.1.0으로 시작된 이 사양은 “AI가 작성한 코드를 어떻게 추적할 것인가”라는 질문에 대한 업계 최초의 체계적인 답변입니다.

현재 대부분의 개발팀이 사용하는 git blame은 “누가 마지막으로 이 줄을 수정했는가”만 알려줍니다. 하지만 AI 코딩 도구가 보편화된 지금, 진짜 필요한 정보는 다릅니다. 이 코드는 인간이 작성한 것인가, AI가 생성한 것인가, 아니면 둘의 협업 결과인가?

이 글에서는 Agent Trace의 기술 사양을 분석하고, Engineering Manager와 CTO 관점에서 왜 이 표준이 중요한지 살펴봅니다.

Agent Trace란 무엇인가

Agent Trace는 버전 관리되는 코드베이스에서 AI 기여와 인간 기여를 벤더 중립적인 JSON 포맷으로 기록하는 오픈 사양입니다.

핵심 특징은 다음과 같습니다.

파일 및 라인 수준의 기여 추적: 단순히 “이 커밋에 AI가 관여했다”가 아니라, 특정 파일의 몇 번째 줄부터 몇 번째 줄까지가 AI에 의해 생성되었는지를 기록합니다.

4가지 기여자 유형 분류: human(인간 직접 작성), ai(AI 생성), mixed(인간이 AI 출력을 편집하거나 그 반대), unknown(출처 불명)으로 분류합니다.

벤더 중립적 설계: Cursor, Copilot, Claude Code 등 어떤 도구에서든 동일한 포맷으로 기록할 수 있습니다.

저장소 비종속: 로컬 파일, git notes, 데이터베이스 등 원하는 어디에나 저장할 수 있습니다.

Trace Record의 구조

Agent Trace의 기본 단위는 Trace Record입니다. JSON 스키마를 살펴보겠습니다.

{
  "version": "0.1.0",
  "id": "550e8400-e29b-41d4-a716-446655440000",
  "timestamp": "2026-01-15T09:30:00Z",
  "vcs": {
    "type": "git",
    "revision": "a1b2c3d4e5f6..."
  },
  "tool": {
    "name": "cursor",
    "version": "0.45.0"
  },
  "files": [
    {
      "path": "src/utils/parser.ts",
      "conversations": [
        {
          "url": "https://cursor.com/conversations/abc123",
          "ranges": [
            {
              "start_line": 15,
              "end_line": 42,
              "contributor": "ai",
              "content_hash": "murmur3:9f2e8a1b"
            },
            {
              "start_line": 43,
              "end_line": 50,
              "contributor": "mixed"
            }
          ]
        }
      ]
    }
  ],
  "metadata": {
    "dev.cursor": {
      "session_id": "xyz789"
    }
  }
}

이 구조에서 주목할 점이 몇 가지 있습니다.

대화(conversation) 기반 그룹화: AI와의 하나의 대화 세션에서 생성된 여러 코드 범위를 묶어서 관리합니다. 이는 “왜 이 코드가 이렇게 생성되었는가”를 추적하는 데 핵심입니다.

content_hash로 코드 이동 추적: 코드가 리팩토링으로 다른 파일이나 위치로 이동하더라도, 해시값을 통해 원래의 기여 정보를 유지할 수 있습니다.

모델 식별자: provider/model-name 형식(예: anthropic/claude-opus-4-5-20251101)으로 어떤 AI 모델이 코드를 생성했는지 기록합니다.

라인 추적 방법론

Agent Trace에서 특정 라인의 기여자를 확인하는 과정은 다음과 같습니다.

graph TD
    A["특정 라인의 기여자 확인"] --> B["VCS blame으로<br/>마지막 수정 리비전 식별"]
    B --> C["해당 리비전의<br/>Trace Record 조회"]
    C --> D["파일 내 해당 라인을<br/>포함하는 range 검색"]
    D --> E{"range 발견?"}
    E -->|Yes| F["contributor 필드<br/>확인 (human/ai/mixed)"]
    E -->|No| G["unknown으로 분류"]

이 방식은 기존의 git blame과 상호보완적으로 작동합니다. git blame이 “누가 마지막으로 수정했는가”를 알려준다면, Agent Trace는 “그 수정이 AI에 의한 것인지, 인간에 의한 것인지”를 추가로 알려줍니다.

EM과 CTO에게 왜 중요한가

1. 코드 리뷰 워크플로우의 진화

현재 대부분의 팀에서는 PR(Pull Request)의 모든 코드를 동일한 수준으로 리뷰합니다. 하지만 Agent Trace가 도입되면 리뷰 전략을 차별화할 수 있습니다.

AI 생성 코드: 로직 정확성, 엣지 케이스, 보안 취약점에 집중 리뷰

인간 작성 코드: 설계 의도, 아키텍처 적합성 중심 리뷰

Mixed 코드: AI 출력을 인간이 어떻게 수정했는지, 수정 이유가 타당한지 확인

이를 통해 리뷰 시간을 효율적으로 배분할 수 있습니다.

2. 팀 역량 측정의 새로운 기준

AI 도구 활용률이 높다고 해서 생산성이 높은 것은 아닙니다. Agent Trace 데이터를 분석하면 다음을 파악할 수 있습니다.

AI 생성 코드의 수정률: AI가 생성한 코드 중 인간이 다시 수정해야 했던 비율. 이 값이 높으면 프롬프트 품질이나 AI 도구 선택을 재검토해야 합니다.

도구별 코드 품질 비교: Cursor, Copilot, Claude Code 등 도구별로 생성된 코드의 결함률을 비교할 수 있습니다.

팀원별 AI 활용 패턴: 누가 AI를 효과적으로 활용하고 있는지, 어떤 영역에서 AI 활용 교육이 필요한지 데이터 기반으로 판단할 수 있습니다.

3. 컴플라이언스와 감사 대응

금융, 의료, 방산 등 규제 산업에서는 코드의 출처를 명확히 해야 하는 요구사항이 늘어나고 있습니다. Agent Trace는 다음에 도움됩니다.

감사 추적(Audit Trail): 코드의 AI 기여 비율을 정량적으로 보고할 수 있습니다.

라이선스 리스크 관리: AI가 생성한 코드 부분을 식별하여 라이선스 검토 대상을 명확히 합니다.

보안 취약점 대응: AI 생성 코드에서 보안 이슈가 발견되면, 동일한 대화 세션에서 생성된 다른 코드도 함께 검토할 수 있습니다.

지원하는 VCS와 확장성

Agent Trace는 Git 외에도 여러 버전 관리 시스템을 지원합니다.

VCS	리비전 형식	특이사항
git	40자 hex SHA	가장 일반적
jj (Jujutsu)	Change ID	리베이스에도 안정적
hg (Mercurial)	Changeset ID	레거시 프로젝트 지원
svn	Revision 번호	엔터프라이즈 환경

또한 metadata 필드에 역도메인 표기법(예: dev.cursor, com.github)으로 벤더별 확장 데이터를 추가할 수 있어, 호환성을 깨뜨리지 않으면서 각 도구의 고유 정보를 저장할 수 있습니다.

의도적으로 다루지 않는 것

Agent Trace 사양이 명시적으로 제외한 영역도 중요합니다.

법적 소유권/저작권: AI가 생성한 코드의 법적 소유권 문제는 이 사양의 범위 밖입니다. 이는 법률과 정책의 영역입니다.

학습 데이터 출처 추적: AI 모델이 어떤 학습 데이터를 기반으로 코드를 생성했는지는 추적하지 않습니다.

코드 품질 평가: AI 생성 코드가 좋은 코드인지 나쁜 코드인지 판단하지 않습니다. 이는 코드 리뷰와 테스트의 영역입니다.

UI 표현 방식: 추적 데이터를 어떻게 시각화할지는 각 도구의 구현에 맡깁니다.

이러한 경계 설정은 사양이 현실적이고 채택 가능하도록 만드는 데 핵심적입니다.

실무 도입 시나리오

시나리오 1: AI 코딩 도구 도입 효과 측정

팀에 Claude Code를 도입한 후 3개월이 지났다고 가정합시다. Agent Trace 데이터를 분석하면 다음과 같은 리포트를 생성할 수 있습니다.

AI 코드 기여 분석 리포트 (2026 Q1)
====================================
전체 코드 라인: 45,000
├── human: 28,000 (62.2%)
├── ai: 12,000 (26.7%)
├── mixed: 4,500 (10.0%)
└── unknown: 500 (1.1%)

AI 생성 코드 수정률: 23%
(AI가 생성한 12,000줄 중 2,760줄이 후속 커밋에서 인간에 의해 수정됨)

모델별 분포:
├── anthropic/claude-opus-4-5: 7,200줄 (수정률 18%)
├── openai/gpt-5.2: 3,800줄 (수정률 31%)
└── cursor/custom: 1,000줄 (수정률 15%)

이런 데이터가 있다면 AI 도구 투자 대비 효과를 경영진에게 정량적으로 보고할 수 있습니다.

시나리오 2: 보안 인시던트 대응

프로덕션에서 보안 취약점이 발견되었을 때, Agent Trace를 통해 해당 코드가 AI에 의해 생성되었음을 확인하고, 같은 대화 세션에서 생성된 다른 코드도 함께 보안 점검 대상으로 포함시킬 수 있습니다.

AI 에이전트 표준화의 큰 그림

Agent Trace는 단독으로 존재하는 것이 아닙니다. 2025〜2026년에 걸쳐 AI 에이전트 생태계에서 여러 표준이 동시에 등장하고 있습니다.

graph TD
    subgraph 에이전트정의
        A["ADL<br/>(Agent Definition Language)"] ~~~ B["AGENTS.md"]
    end
    subgraph 통신프로토콜
        C["MCP<br/>(Model Context Protocol)"] ~~~ D["Open Responses<br/>(OpenAI)"]
    end
    subgraph 실행환경
        E["Skills.sh<br/>(Vercel)"] ~~~ F["SKILL.md<br/>(Anthropic/OpenAI)"]
    end
    subgraph 추적감사
        G["Agent Trace<br/>(Cursor)"]
    end
    에이전트정의 --> 통신프로토콜
    통신프로토콜 --> 실행환경
    실행환경 --> 추적감사

Agent Trace는 이 생태계에서 “실행 후(post-execution)” 단계를 담당합니다. 에이전트가 정의되고(ADL/AGENTS.md), 통신하고(MCP/Open Responses), 실행한(Skills) 후의 결과물을 추적하는 역할입니다.

현재 한계와 미해결 과제

RFC 상태인 만큼, 아직 해결되지 않은 과제들이 있습니다.

머지와 리베이스 처리: 브랜치 병합 시 Trace Record가 어떻게 합쳐져야 하는지 아직 명확한 답이 없습니다.

대규모 에이전트 변경: AI가 한 번에 수백 개 파일을 수정하는 경우의 성능과 저장 전략이 미정입니다.

채택 인센티브: 도구 벤더들이 이 사양을 채택해야 하는 동기 부여가 필요합니다. 현재는 Cursor가 주도하고 있으며, Vercel, Cognition, Cloudflare 등이 파트너로 참여하고 있습니다.

결론

Agent Trace는 AI 코딩 시대의 “누가 이 코드를 작성했는가”라는 근본적인 질문에 대한 첫 번째 체계적인 답변입니다. 아직 RFC 단계이지만, 코드 리뷰, 팀 역량 측정, 컴플라이언스라는 세 가지 실무 영역에서 즉시 가치를 제공할 수 있는 잠재력을 가지고 있습니다.

특히 EM이나 CTO 관점에서는 이 사양의 발전을 주시하면서, 팀 내 AI 코딩 도구 사용 현황을 측정하는 기반을 미리 준비해 두는 것이 현명한 전략입니다. Agent Trace가 성숙하면, 그 데이터는 AI 도구 투자 판단과 팀 운영 최적화의 핵심 근거가 될 것입니다.

참고 자료

• Agent Trace 공식 사이트
• Cursor Agent Trace GitHub 저장소
• InfoQ: Agent Trace 분석 기사
• Cognition: Agent Trace 컨텍스트 그래프