Kimchi Coding은 CAST AI가 2026년 7월 15일 정식 출시한 엔터프라이즈 코딩 에이전트로, 하나의 대형 언어 모델에 모든 개발 작업을 맡기는 대신 작업의 복잡도와 예상 비용에 따라 여러 코딩 모델을 자동으로 라우팅한다. 코드 작성, 검토, 저장소 탐색처럼 성격이 다른 작업을 역할별 모델과 독립된 컨텍스트에 위임하고, 프로젝트 진행 단계와 비용을 함께 관리하는 구조다. 병원의 접수 창구가 환자의 상태에 따라 적절한 전문과로 안내하듯, Kimchi Coding은 들어온 개발 요청을 분석해 그 작업에 적합한 모델과 실행 맥락으로 전달하는 조정 계층에 가깝다. 특히 오픈 웨이트 모델 중심의 운용과 자체 VPC 배포를 결합해, 모델 선택권과 인프라 통제권을 함께 요구하는 조직을 주요 대상으로 삼는다.

일반적인 단일 모델 코딩 도구는 간단한 코드 검색에도 고성능 모델을 사용해 비용이 커지거나, 반대로 복잡한 리팩터링과 검토를 저비용 모델에 맡겨 결과의 일관성이 떨어질 수 있다. 긴 대화 하나에 구현과 검토를 모두 누적하면 작성 모델이 자신의 결정을 다시 평가하면서 초기 가정이나 오류를 그대로 답습하는 문제도 생긴다. Kimchi Coding의 차별점은 모델 라우팅(Model routing)을 통해 작업 난이도와 비용을 함께 고려하고, 작성·검토·탐색 역할에 독립 컨텍스트(Independent context)를 부여한다는 데 있다. 이는 한 명의 개발자에게 설계부터 품질 보증까지 모두 맡기는 방식보다, 구현자와 리뷰어가 별도 작업 기록을 바탕으로 협업하는 개발팀에 가깝다. 조직별 예산 한도와 비용 추적 기능은 이러한 다중 모델 운영을 실험 수준이 아니라 관리 가능한 업무 프로세스로 전환하는 역할을 한다.

생명정보학 연구자는 분석 파이프라인의 구성 요소를 역할별로 나눠 활용할 수 있다. 예를 들어 30개 샘플을 처리하는 Snakemake 워크플로에서 FASTQ 품질 검사, 정렬, 변이 호출 규칙의 초안을 작성 모델에 맡기고, 별도 검토 컨텍스트에서 파일 의존성, 재시작 가능성, 샘플 메타데이터 누락을 검사하도록 구성할 수 있다. 저장소 탐색 역할은 기존 Python 모듈과 설정 파일의 연결 관계를 먼저 파악하고, 구현 역할은 필요한 규칙만 수정하게 해 불필요한 전체 저장소 입력을 줄이는 방식으로 사용할 수 있다. 실제로 어떤 모델이 선택되고 처리 시간이 얼마나 단축되는지는 연결된 모델, 저장소 크기와 라우팅 설정에 따라 달라지므로 별도 벤치마크가 필요하다.

규제 또는 보안 요구가 있는 연구 조직에서는 자체 VPC에 배포해 소스 코드와 분석 로직의 처리 경계를 조직이 통제하는 구성을 검토할 수 있다. 예를 들어 환자 유래 데이터 자체는 입력하지 않고 비식별화된 스키마와 테스트 데이터만 제공한 뒤, 5개 Python 패키지로 구성된 임상 변이 주석 코드의 타입 오류 탐색, 단위 테스트 생성, 변경 검토를 각각 다른 역할에 배정할 수 있다. 프로젝트별 비용 추적과 조직별 예산 한도를 적용하면 탐색에는 상대적으로 경제적인 모델을, 복잡한 오류 수정과 최종 검토에는 더 강한 모델을 배치하는 운영 정책을 세울 수 있다. 다만 지원 모델 목록, 데이터 보존 정책, VPC 배포 방식과 보안 인증 범위는 제공된 Discovery 정보만으로 확인되지 않았으므로 실제 도입 전에 공식 문서와 배포 계약을 검토해야 한다.