개발 생산성 17배 극대화: DeepSeek V4와 Claude Code로 구축하는 저비용 AI 에이전트 루프

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/yourname/Projects/DeepAgent"],
      "env": {
        "ALLOWED_DIRECTORIES": "/Users/yourname/Projects/DeepAgent"
      }
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"]
    }
  }
}

pip install openai anthropic

import os
import json
from openai import OpenAI
from anthropic import Anthropic

# 설정: API 키는 환경 변수로 관리하세요
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
ANTHROPIC_API_KEY = os.getenv("ANTHROPIC_API_KEY")

def create_hybrid_agent(task_description: str, max_iterations: int = 5):
    """
    DeepSeek V4(Worker)와 Claude(Planner)를 결합한 하이브리드 에이전트 함수
    """
    
    # 1. 모델 클라이언트 초기화
    # DeepSeek V4는 OpenAI SDK를 통해 접근 (예시)
    worker_client = OpenAI(
        api_key=DEEPSEEK_API_KEY,
        base_url="https://api.deepseek.com/v1" # 실제 엔드포인트 확인 필요
    )
    planner_client = Anthropic(api_key=ANTHROPIC_API_KEY)

    print(f"[System] 작업 시작: {task_description}")
    
    # 2. Claude(Planner)에게 초기 계획 수립 요청
    planning_prompt = f"""
    당신은 소프트웨어 아키텍트입니다. 다음 작업을 수행하기 위한 구체적인 단계별 계획을 세워주세요.
    작업: {task_description}
    
    응답은 JSON 형식의 단계 리스트로만 해주세요.
    예: {{"steps": ["파일 생성", "로직 구현", "테스트 실행"]}}
    """
    
    try:
        message = planner_client.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=1024,
            messages=[{"role": "user", "content": planning_prompt}]
        )
        plan_text = message.content[0].text
        print(f"[Planner] 계획 수립 완료: {plan_text}")
    except Exception as e:
        print(f"[Error] 계획 수립 실패: {e}")
        return

    # 3. DeepSeek V4(Worker) 루프 실행
    current_context = f"작업 목표: {task_description}\n계획: {plan_text}"
    
    for i in range(max_iterations):
        print(f"\n--- Loop {i+1}/{max_iterations} (Worker: DeepSeek V4) ---")
        
        try:
            response = worker_client.chat.completions.create(
                model="deepseek-chat", # DeepSeek V4 모델명
                messages=[
                    {"role": "system", "content": "당신은 계획에 따라 코드를 작성하고 수정하는 전문 개발자입니다."},
                    {"role": "user", "content": current_context}
                ],
                temperature=0.3
            )
            
            worker_output = response.choices[0].message.content
            print(f"[Worker] 실행 결과:\n{worker_output[:500]}...\n") # 출력 요약
            
            # (실제 구현 시 여기서 MCP 툴을 호출하여 파일을 쓰거나 커맨드를 실행함)
            # file_system_tool.write_file(path="main.py", content=worker_output)
            
            # 종료 조건 확인 (예: "TASK_COMPLETE" 키워드)
            if "완료" in worker_output or "TASK_COMPLETE" in worker_output:
                print("[System] 작업이 성공적으로 완료되었습니다.")
                break
                
            # 피드백 루프를 위한 컨텍스트 업데이트
            current_context += f"\n\n이전 시도 결과:\n{worker_output}\n\n계속해서 진행하거나 오류를 수정하세요."
            
        except Exception as e:
            print(f"[Error] Worker 실행 중 오류 발생: {e}")
            break

# 실행 예시
if __name__ == "__main__":
    create_hybrid_agent(
        task_description="Next.js API 핸들러를 작성하여 /hello 엔드포인트를 생성하고, TypeScript 타입 검증을 포함해주세요."
    )