> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# AI 코딩 어시스턴트

> 이 문서는 **[GenAI 도구 생태계](/blog/guides/genai-tools/overview)** 섹션의 일부입니다.

## 왜 등장했는가

소프트웨어 개발에서 **반복적이고 예측 가능한 작업** 이 차지하는 비중은 생각보다 큽니다. 보일러플레이트 코드 작성, 테스트 코드 생성, 문서화, 버그 수정, 코드 리뷰 등 개발자의 시간 중 상당 부분이 "창의적 문제 해결"이 아닌 "패턴 반복"에 소모됩니다. GitHub의 2024년 조사에 따르면 개발자의 실제 코딩 시간은 전체 업무의 30% 미만이며, 나머지는 컨텍스트 전환, 문서 읽기, 디버깅에 사용됩니다.

LLM의 코드 생성 능력이 급격히 향상되면서, 이러한 반복 작업을 자동화하는 **AI 코딩 어시스턴트** 가 등장했습니다. 초기에는 단순 자동완성(Autocomplete) 수준이었지만, 2024\~2026년에는 **전체 코드베이스를 이해하고 자율적으로 코드를 수정하는 Agent 모드** 로 진화했습니다.

***

## 동작 원리

모든 AI 코딩 어시스턴트는 기본적으로 동일한 3단계 파이프라인으로 동작합니다.

### 1단계: 컨텍스트 수집

사용자가 코드를 작성하거나 명령을 내리면, 도구는 관련 컨텍스트를 수집합니다.

* **현재 파일**: 커서 위치 주변의 코드
* **열린 파일들**: IDE에서 현재 열려 있는 다른 파일들
* **프로젝트 구조**: 디렉토리 트리, import 관계, 타입 정의
* **Git 히스토리**: 최근 변경 사항, 커밋 메시지
* **코드베이스 인덱스**: 전체 프로젝트의 의미론적 인덱스 (Cursor, Claude Code 등)

### 2단계: LLM 추론

수집된 컨텍스트를 LLM에 전달하여 코드를 생성합니다. 이때 각 도구가 사용하는 LLM과 프롬프트 엔지니어링이 결과 품질을 결정합니다.

* **Fill-in-the-Middle (FIM)**: 코드의 앞뒤를 보고 중간을 채우는 자동완성 전용 모델
* **Chat/Instruction**: 자연어 지시를 이해하고 코드를 생성하는 범용 모델
* **Agent**: 계획을 세우고, 도구를 사용하며, 여러 파일을 자율적으로 수정하는 에이전트 모델

### 3단계: 코드 생성/수정

LLM의 출력을 IDE에 반영합니다.

* **인라인 자동완성**: 타이핑 중 실시간 제안 (Tab으로 수락)
* **채팅 응답**: 사이드바에서 코드 블록으로 제안, 사용자가 "Apply"로 반영
* **Agent 수정**: 여러 파일을 동시에 수정하고, 터미널 명령을 실행하며, 테스트까지 수행

***

## 주요 도구 비교

아래 테이블은 2026년 기준 가장 활발히 사용되는 AI 코딩 어시스턴트 6가지를 비교합니다. 가격은 개인 요금제 기준이며, 기업 요금제는 별도입니다.

| 도구                     | 개발사              | 핵심 특징                                                 | 사용 LLM                       | 가격 (월)              | Databricks 연동                       |
| ---------------------- | ---------------- | ----------------------------------------------------- | ---------------------------- | ------------------- | ----------------------------------- |
| **GitHub Copilot**     | Microsoft/OpenAI | VS Code/JetBrains 통합, 가장 넓은 사용자 기반, Copilot Workspace | GPT-4o, Claude 4 Sonnet (선택) | $10~$19             | VS Code에서 Databricks Extension과 공존  |
| **Cursor**             | Anysphere        | AI-first IDE, 전체 코드베이스 인덱싱, Composer Agent 모드         | Claude 4 Sonnet, GPT-4o 등 선택 | \$20 (Pro)          | VS Code 포크라 Databricks Extension 호환 |
| **Claude Code**        | Anthropic        | CLI 기반 코딩 에이전트, 터미널에서 자율 작동, 파일 시스템 직접 수정             | Claude 4 Opus/Sonnet         | API 종량제             | CLI라 어떤 환경에서든 사용 가능, MCP 연동         |
| **Windsurf**           | Codeium          | Cascade 기반 에이전트, 대화 흐름 기반 코딩                          | 자체 모델 + 외부 모델                | $0 (무료) / $15 (Pro) | VS Code 포크 기반, Extension 호환         |
| **Amazon Q Developer** | AWS              | AWS 특화, 코드 변환(Java 8→17), 보안 스캔                       | 자체 모델                        | 무료 / \$19 (Pro)     | AWS 환경의 Databricks와 자연스러운 통합        |
| **Gemini Code Assist** | Google           | GCP 통합, Gemini 2.5 기반, 100만 토큰 컨텍스트                   | Gemini 2.5 Pro/Flash         | 무료 (프리뷰)            | GCP 환경 Databricks와 통합 가능            |

이 비교에서 주목할 트렌드는 **Agent 모드의 보편화** 입니다. 2024년 초까지는 자동완성이 핵심 기능이었지만, 2026년 현재 모든 주요 도구가 Agent 모드를 제공합니다. Agent 모드에서는 AI가 단순히 코드를 제안하는 것을 넘어, 파일을 생성/수정하고, 터미널 명령을 실행하며, 테스트를 수행합니다.

***

## 주요 도구 상세

### GitHub Copilot

가장 넓은 사용자 기반(150만+ 유료 사용자, 2026년 기준)을 보유한 AI 코딩 어시스턴트입니다. Microsoft가 GitHub을 통해 제공하며, VS Code, JetBrains, Neovim 등 대부분의 IDE를 지원합니다.

**핵심 강점:**

* **생태계 통합**: GitHub Issues, PR, Actions와 자연스럽게 연동. 이것이 Copilot의 가장 강력한 해자(moat)입니다. 코드 작성뿐 아니라 Issue 분류, PR 리뷰, CI/CD 파이프라인까지 하나의 워크플로로 연결됩니다.
* **Copilot Workspace**: Issue에서 바로 구현 계획 → 코드 생성 → PR까지 자동화. 이는 "코드 생성"을 넘어 **"소프트웨어 개발 프로세스 자동화"** 로의 진화를 보여줍니다.
* **Multi-file Editing (Copilot Edits)**: 2025년부터 도입된 기능으로, 여러 파일을 동시에 수정하는 Cursor Composer 대항마입니다. 작업 컨텍스트를 지정하면 관련 파일들을 일괄 수정합니다.
* **모델 선택**: GPT-4o, Claude 3.5 Sonnet, Gemini 등 모델을 작업별로 선택 가능. 이는 Microsoft가 특정 모델에 종속되지 않겠다는 전략적 전환을 의미합니다.
* **Agent 모드**: `@workspace` 명령으로 전체 프로젝트 컨텍스트 활용, 터미널 명령 실행 및 자기 수정(self-correction) 루프 지원

**한계:**

* 코드베이스 인덱싱이 Cursor의 임베딩 기반 방식보다 얕아, 대규모 모노레포에서 관련 파일을 정확히 참조하는 능력이 떨어짐
* IDE 플러그인 형태라 AI 기능이 IDE의 기존 UX에 맞춰야 하는 구조적 제약 존재 (Cursor처럼 AI 중심으로 UI를 재설계할 수 없음)
* 기업 환경에서 GitHub Enterprise와의 결합이 필수적이므로, GitLab이나 Bitbucket 사용 조직에는 비용 대비 효용이 낮음

### Cursor

**AI-first IDE** 를 표방하며, VS Code를 포크(fork)하여 AI 기능을 IDE의 핵심에 통합한 도구입니다. 2024년 하반기부터 개발자 커뮤니티에서 급격히 인기를 얻으며, Copilot의 아성을 위협하는 가장 강력한 경쟁자가 되었습니다.

**왜 Cursor가 Copilot을 추월할 수 있었는가:**

Copilot은 기존 IDE에 AI를 "추가"한 반면, Cursor는 AI를 "중심에 놓고" IDE를 설계했습니다. 이 차이가 결정적입니다. Cursor는 모든 UI 인터랙션을 AI 워크플로에 최적화했고, 그 결과 **multi-file diff** 방식의 Composer가 탄생했습니다. Copilot이 파일 단위로 제안하는 동안 Cursor는 프로젝트 전체를 하나의 변경 단위로 다룹니다.

**핵심 강점:**

* **코드베이스 인덱싱**: 전체 프로젝트를 **벡터 임베딩으로 인덱싱** 하여, 사용자가 명시적으로 파일을 지정하지 않아도 관련 코드를 자동으로 찾아 참조합니다. 이것이 Copilot 대비 대규모 프로젝트에서의 품질 차이를 만드는 핵심 메커니즘입니다.
* **Composer (Agent 모드)**: 자연어로 복잡한 리팩토링, 기능 추가를 지시하면 여러 파일을 동시 수정. **multi-file diff UI** 로 변경 사항을 한눈에 검토하고 선택적으로 적용할 수 있습니다.
* **Tab Completion의 FIM 모델**: Cursor의 자동완성은 **Fill-in-the-Middle(FIM)** 전용 경량 모델을 사용합니다. 이는 범용 LLM보다 자동완성에 특화되어 있어 지연시간이 극히 짧고(\~100ms), 코드의 앞뒤 맥락을 동시에 참조하여 "커서 위치에 들어갈 코드"를 정확히 예측합니다.
* **Rules for AI**: `.cursorrules` 파일로 프로젝트별 AI 동작 규칙을 정의합니다. "React Hook 패턴 사용", "에러는 반드시 커스텀 에러 클래스 사용" 등 팀의 코딩 컨벤션을 AI에 주입하여 일관성을 보장합니다.
* **모델 유연성**: Claude, GPT, Gemini 등 다양한 모델을 작업에 맞게 선택. 자동완성은 FIM 모델, 복잡한 작업은 Claude 4 Sonnet, 빠른 질문은 GPT-4o-mini처럼 작업별 최적 모델을 조합할 수 있습니다.

**한계:**

* VS Code 포크라 업스트림 업데이트 반영이 2\~4주 지연될 수 있고, 일부 VS Code 확장이 호환되지 않는 경우 존재
* Pro 요금제(\$20/월)에서도 Agent 모드 사용량 제한 존재 (빠른 요청 500회/월). 대규모 리팩토링 작업이 잦으면 비용이 급증할 수 있음
* 코드베이스 인덱스가 로컬에 저장되므로 팀 간 공유가 어렵고, 기업 환경에서의 데이터 보안 정책 검토가 필요 (Cursor의 Privacy Mode로 코드 전송 차단 가능)

### Claude Code

Anthropic이 만든 **CLI(Command Line Interface) 기반 코딩 에이전트** 입니다. IDE가 아닌 터미널에서 동작하며, 파일 시스템을 직접 읽고 수정합니다. 2025년 초 출시 이후 "터미널에서 가장 강력한 코딩 AI"로 평가받고 있습니다.

**아키텍처적 차별점 — "IDE 없는 에이전트":**

Copilot과 Cursor가 IDE 안에서 동작하는 반면, Claude Code는 **터미널 자체가 인터페이스** 입니다. 이 설계 철학의 함의는 크게 세 가지입니다. 첫째, IDE에 종속되지 않으므로 SSH 원격 서버, CI/CD 파이프라인, Docker 컨테이너 등 어디서든 동일하게 동작합니다. 둘째, 파일 시스템, Git, 쉘 명령을 직접 실행하므로 IDE API의 제약 없이 **운영체제 수준의 자율성** 을 갖습니다. 셋째, headless 모드로 완전 자동화가 가능하여 GitHub Actions 등 CI에 통합할 수 있습니다.

**핵심 강점:**

* **Extended Thinking**: Claude의 확장 사고(extended thinking) 기능을 활용하여, 복잡한 아키텍처 결정이나 대규모 리팩토링에서 **단계별 추론 과정을 거쳐** 더 정확한 코드를 생성합니다. 일반 채팅 모드보다 복잡한 작업에서 품질이 크게 향상됩니다.
* **자율적 Git 작업**: 파일 탐색, 코드 수정, Git 커밋, 테스트 실행, PR 생성까지 자율적으로 수행. 사람이 "이 버그를 수정해줘"라고 지시하면 코드를 분석하고, 수정하고, 테스트를 돌리고, 통과하면 커밋까지 합니다.
* **MCP(Model Context Protocol)**: Anthropic이 제안한 개방형 프로토콜로, Claude Code가 외부 도구(Databricks, Slack, JIRA, GitHub 등)와 표준화된 방식으로 연동합니다. MCP 서버를 추가하면 Claude Code의 능력이 무한히 확장됩니다.
* **CLAUDE.md**: 프로젝트 루트에 배치하는 지시 파일로, 코딩 컨벤션, 아키텍처 원칙, 금지 패턴 등을 정의합니다. `.cursorrules`와 유사하지만, 파일 시스템 구조, 배포 프로세스, 테스트 전략까지 더 포괄적인 컨텍스트를 제공할 수 있습니다.
* **비용 효율적 대규모 작업**: API 종량제이므로 간단한 작업은 $0.01 미만, 대규모 리팩토링도 $1\~5 수준. 월정액 도구와 달리 사용한 만큼만 지불합니다.

**한계:**

* GUI가 없어 시각적 diff 비교가 IDE 대비 불편 (VS Code 확장으로 보완 가능)
* API 종량제라 팀 단위 비용 예측이 어려울 수 있음. 개발자마다 사용 패턴이 크게 다름
* 자율 실행 모드에서 예상치 못한 파일 수정 가능. `--allowedTools` 플래그와 권한 설정으로 제어하되, 중요 브랜치에서는 반드시 리뷰 후 병합
* 네트워크 지연에 민감. 로컬 IDE 어시스턴트 대비 응답 시간이 길 수 있음

> **참고**
> Claude Code는 이 프로젝트(Databricks Enablement Blog)의 작성에도 활용되고 있습니다. `.claude/CLAUDE.md` 파일에 프로젝트 규칙을 정의하면, Claude Code가 해당 규칙을 준수하며 작업합니다.

### Windsurf (구 Codeium)

Codeium에서 만든 AI 코딩 어시스턴트로, **무료 티어** 를 제공하여 진입 장벽이 낮습니다. **Cascade** 라는 독자적인 에이전트 시스템이 특징입니다.

> **참고**
> 2025년 3월, **OpenAI가 Windsurf(Codeium)를 약 30억 달러에 인수** 한다고 발표했습니다. 이는 OpenAI가 GitHub Copilot(Microsoft)에 맞서 자체 코딩 어시스턴트 생태계를 구축하려는 전략적 움직임으로 해석됩니다. 인수 완료 후 Windsurf의 Cascade 기술이 OpenAI의 모델과 어떻게 통합될지가 업계의 주요 관심사입니다.

**Cascade 컨텍스트 엔진의 차별점:**

Cascade는 단순히 현재 파일만 보는 것이 아니라 **대화의 전체 흐름(flow)을 추적** 합니다. 사용자가 이전 대화에서 수정한 파일, 참조한 문서, 실행한 명령을 모두 기억하고, 이를 후속 작업의 컨텍스트로 활용합니다. Cursor의 인덱싱이 "코드베이스의 정적 이해"라면, Cascade는 "작업 세션의 동적 이해"에 강점이 있습니다.

**핵심 강점:**

* **무료 사용 가능**: 기본 자동완성과 채팅이 무료. 학생이나 개인 개발자에게 가장 접근성이 높은 도구
* **Cascade**: 대화의 흐름(flow)을 추적하여 컨텍스트를 유지하는 에이전트 시스템. 여러 단계의 작업을 연속적으로 수행할 때 이전 컨텍스트 손실이 적음
* **빠른 자동완성**: 자체 경량 모델(Codeium 엔진)로 지연 없는 인라인 제안. 30ms 이내 응답을 목표로 최적화
* **엔터프라이즈 보안**: 코드가 학습에 사용되지 않음을 보장. SOC 2 Type II 인증

**한계:**

* Cursor 대비 Agent 모드의 성숙도가 낮다는 평가. 특히 multi-file 리팩토링에서 정확도 차이가 체감됨
* OpenAI 인수 후 독립적 모델 선택의 유연성이 제한될 가능성
* 커뮤니티 규모가 상대적으로 작아 `.windsurfrules` 같은 공유 설정 예시가 부족

***

## 아키텍처 비교: 세 가지 패러다임

AI 코딩 어시스턴트는 아키텍처에 따라 세 가지 패러다임으로 분류됩니다. 이 분류를 이해하면 어떤 도구가 어떤 워크플로에 적합한지 명확해집니다.

아래 테이블은 세 가지 아키텍처 패러다임의 핵심 차이를 비교합니다.

| 기준          | IDE 플러그인형 (Copilot) | AI-first IDE (Cursor, Windsurf) | CLI 에이전트 (Claude Code) |
| ----------- | ------------------- | ------------------------------- | ---------------------- |
| **AI의 위치**  | IDE에 추가된 기능         | IDE의 핵심 엔진                      | 독립적 프로세스               |
| **컨텍스트 범위** | 현재 파일 + 열린 탭        | 전체 코드베이스 (인덱싱)                  | 파일 시스템 전체 + 쉘          |
| **자율성 수준**  | 제안 → 사용자 수락         | Agent 모드로 multi-file 수정         | 완전 자율 (커밋, 테스트, 배포)    |
| **UI 통합도**  | 기존 IDE UX 그대로       | AI 최적화 UI (diff 뷰, 인라인 편집)      | GUI 없음 (터미널 출력)        |
| **자동화 가능**  | 제한적                 | 제한적                             | CI/CD, 스크립트 통합 가능      |
| **최적 사용자**  | IDE를 바꾸고 싶지 않은 팀    | AI 중심 개발을 원하는 개발자               | 시니어/인프라 엔지니어, 자동화      |

이 비교에서 핵심 인사이트는 **자율성과 제어 가능성의 트레이드오프** 입니다. Copilot은 가장 안전하지만 수동적이고, Claude Code는 가장 강력하지만 예측 불가능성이 높습니다. Cursor는 그 사이에서 균형점을 찾습니다. 실무에서는 하나만 선택하기보다, **일상적 코딩은 Cursor, 대규모 리팩토링은 Claude Code, 팀 표준은 Copilot** 처럼 조합하는 전략이 효과적입니다.

***

## Vibe Coding: 새로운 패러다임

2025년 초, AI 분야의 저명한 연구자 **Andrej Karpathy** 가 "Vibe Coding"이라는 용어를 소개했습니다. 이는 **개발자가 코드를 직접 작성하지 않고, AI에게 자연어로 지시하여 소프트웨어를 만드는** 새로운 개발 방식입니다. 핵심은 코드를 "쓰는" 것이 아니라 "지시하는" 것으로의 패러다임 전환입니다.

### Vibe Coding의 핵심 원칙

1. **자연어로 설명**: "사용자 인증 기능을 추가해줘. JWT 기반으로, 리프레시 토큰도 포함해"
2. **AI가 코드 생성**: AI가 필요한 파일을 생성하고, 라이브러리를 설치하고, 코드를 작성
3. **개발자는 검증**: 생성된 코드를 리뷰하고, 테스트하고, 수정을 지시
4. **반복 개선**: "에러 핸들링을 추가해줘", "테스트를 작성해줘" 등 추가 지시

### Vibe Coding에 적합한 도구

아래 테이블은 Vibe Coding 방식에 특히 적합한 도구들과 그 이유를 정리합니다.

| 도구                  | Vibe Coding 적합도 | 이유                            |
| ------------------- | --------------- | ----------------------------- |
| **Claude Code**     | 매우 높음           | CLI에서 자연어 지시만으로 전체 프로젝트 생성/수정 |
| **Cursor Composer** | 매우 높음           | Agent 모드에서 여러 파일 동시 생성/수정     |
| **v0.dev**          | 높음 (프론트엔드)      | 프롬프트로 UI 컴포넌트 생성              |
| **Lovable**         | 높음 (풀스택)        | 프롬프트로 전체 웹 앱 생성               |
| **GitHub Copilot**  | 보통              | Agent 모드 제공하나 자율성이 상대적으로 낮음   |

이 표에서 알 수 있듯이, Vibe Coding은 **Agent 모드를 지원하는 도구** 에서 가장 효과적입니다.

### Vibe Coding의 실무 적용: 가능한 영역과 한계

Vibe Coding은 모든 소프트웨어 개발에 적용 가능한 것이 아닙니다. 실무 관점에서 **적합한 영역과 위험한 영역** 을 명확히 구분하는 것이 중요합니다.

**Vibe Coding이 효과적인 영역:**

* **프로토타입/MVP**: 아이디어 검증이 목적이므로 코드 품질보다 속도가 중요. 1일 안에 동작하는 프로토타입 생성 가능
* **내부 도구/대시보드**: 사용자가 제한적이고, 보안 요구사항이 낮은 도구. 예: 팀 내부 데이터 뷰어, 관리자 패널
* **학습/실험**: 새로운 기술 스택을 빠르게 탐색할 때. 예: "Streamlit으로 Databricks 대시보드를 만들어봐"
* **CRUD 앱**: 패턴이 반복적이고 AI가 이미 대량의 학습 데이터를 보유한 영역

**Vibe Coding이 위험한 영역:**

* **금융 거래/결제 시스템**: AI가 생성한 코드의 엣지 케이스 처리가 불완전할 수 있으며, 이는 직접적 금전 피해로 이어짐
* **보안 핵심 코드**: 인증, 암호화, 접근 제어 등. AI는 "동작하는" 코드를 만들지만 **"안전한" 코드** 를 보장하지 않음. OWASP Top 10 취약점이 그대로 재현될 수 있음
* **규제 준수 시스템**: 의료, 금융 등 규제 산업의 감사 대상 코드. AI 생성 코드의 감사 가능성(auditability) 문제
* **성능 크리티컬 시스템**: AI는 "동작하는 가장 일반적인 패턴"을 생성하므로, 특수한 최적화가 필요한 영역에서는 성능이 부족할 수 있음

> **주의**
> Vibe Coding의 가장 큰 위험은 **"이해하지 못하는 코드가 프로덕션에 들어가는 것"** 입니다. Karpathy 본인도 "개인 프로젝트에서만 하라"고 언급했습니다. 프로덕션 환경에서는 AI가 생성한 코드를 반드시 **보안 스캔(SAST), 의존성 감사(dependency audit), 성능 프로파일링** 을 거쳐야 합니다. "AI가 만들었으니 괜찮겠지"라는 태도는 기술 부채의 가장 빠른 축적 경로입니다.

***

## 선택 가이드: 용도별 추천

### 기업 환경에서의 표준 도구가 필요하다면

**GitHub Copilot** 을 추천합니다. 가장 넓은 IDE 지원, GitHub 생태계 통합, 엔터프라이즈 보안 인증이 강점입니다. 대부분의 기업 보안 정책을 충족합니다.

### AI-first 개발 경험을 원한다면

**Cursor** 를 추천합니다. 코드베이스 인덱싱과 Composer 모드가 가장 자연스러운 AI 통합 경험을 제공합니다. VS Code 사용자라면 전환 비용이 거의 없습니다.

### 터미널 중심 워크플로를 선호한다면

**Claude Code** 를 추천합니다. SSH 환경, CI/CD 파이프라인, 자동화 스크립트에서도 활용 가능합니다. MCP를 통한 외부 도구 연동이 특히 강력합니다.

### 비용을 최소화하고 싶다면

**Windsurf** (무료 티어) 또는 **Gemini Code Assist** (무료 프리뷰)를 시작점으로 추천합니다.

### AWS 환경에 최적화하고 싶다면

**Amazon Q Developer** 를 추천합니다. AWS 서비스와의 네이티브 통합, Java/Python 코드 변환 기능이 강점입니다.

***

## Databricks 개발자를 위한 활용 팁

Databricks 환경에서 AI 코딩 어시스턴트를 활용하는 구체적인 방법들입니다.

1. **노트북 개발**: Cursor나 VS Code(Copilot) + Databricks Extension으로 로컬에서 노트북 개발 후 워크스페이스에 동기화
2. **PySpark 코드**: AI 어시스턴트들은 PySpark 코드 생성에 강점을 보임. 스키마 정보를 컨텍스트로 제공하면 정확도 향상
3. **Delta Live Tables**: DLT 파이프라인의 반복적인 패턴을 AI가 자동 생성
4. **MLflow 실험 코드**: 실험 설정, 모델 로깅, 배포 코드를 AI가 빠르게 생성
5. **Claude Code + MCP**: Databricks MCP 서버를 연결하면 SQL 쿼리 실행, 테이블 탐색, 작업 관리를 터미널에서 자연어로 수행

> **참고**
> Databricks는 자체적으로 **Databricks Assistant** 를 노트북 내에서 제공합니다. 외부 AI 코딩 어시스턴트와 Databricks Assistant를 함께 사용하면, 로컬 개발(외부 도구)과 클라우드 노트북(Databricks Assistant) 양쪽에서 AI 지원을 받을 수 있습니다.