GLM 5.3 Flash로 한 달간 코딩하기

요약

한 달간 GLM 5.3 Flash 모델을 활용해 웹사이트 개발 및 UI 작업 등 실무 코딩을 수행한 실험 결과, 저렴한 Flash급 모델로도 일상적인 개발이 충분히 가능하다는 것을 확인했다.
실험을 통해 토큰 수뿐만 아니라 비용과 에너지 사용량을 기준으로 한 효율적인 모델 관리의 필요성을 강조했으며, 향후 비용 대비 성과를 중심으로 모델 활용을 최적화할 계획이다.

GLM 5.3 Flash만으로 한 달간 개발하는 실험에서 Wagtail과 웹사이트 개발, UI 작업, 문서 작성 등을 수행했으며, 해당 모델 사용 비용은 68달러였음
100만 토큰 컨텍스트와 이미지 이해로 긴 코딩 작업과 스크린샷 기반 개발을 처리했지만, 서비스 지연과 다른 모델 실험 때문에 전체 20억 토큰 중 절반만 이 모델에 사용함
프로토타입을 만들 때 비싼 모델을 잘못 선택해 거의 하룻밤에 150달러를 사용함. 모델과 에이전트 구성을 신중하게 골랐다면 비슷한 결과를 약 5분의 1 비용으로 얻을 수 있었을 것으로 봄
GLM 5.3 Flash 사용에 따른 에너지는 약 4kWh였지만, 다른 모델까지 포함하면 월간 사용량은 목표 10kWh를 넘는 약 35kWh에 달함
일상 개발은 저렴한 Flash급 모델 한두 개로도 충분히 가능했으며, 연구개발 예산을 따로 두고 토큰 수보다 비용·에너지·실제 성과를 기준으로 사용량을 관리할 필요가 있음

단일 오픈 모델 도전과 실제 사용량

9월 한 달 동안 효율적인 오픈 모델 하나만 사용하기에 도전했으며, 목표 모델은 GLM 5.3 Flash였음
사용량은 에이전트 엔지니어링 권장 사항에 포함된 AgentsView로 추적함
- 첫 보름은 목표 모델만 사용하는 데 성공함
- 해당 모델 사용량은 비용 68달러, 에너지 약 4kWh, 탄소 배출량 365g으로 예산 범위 안이었음
- 후반부에는 다른 모델에 10억 토큰을 사용함
최종적으로 목표 모델의 비중은 전체 20억 토큰 중 10억 토큰, 50% 에 그쳐 단일 모델 도전은 실패함
- 전체 에너지 사용량도 목표였던 10kWh 대신 약 35kWh에 달함

바이브 코딩 프로토타입의 비용

실험적인 Wagtail MCP 서버는 바이브 코딩으로 만든 프로토타입임
- 바이브 코딩은 평소 지향하는 개발 방식은 아니지만, 프로토타입에는 적합했음
- 다만 부적절한 모델 선택으로 거의 하룻밤 사이에 4억 5,000만 토큰, 150달러, 5kWh를 사용함
MCP 서버 자체는 잘 작동하고 기능을 보여주는 좋은 데모도 확보했지만, 큰 노력을 더하지 않고도 비슷한 결과를 비용 약 5분의 1로 얻을 수 있었을 가능성이 높음
프로토타입에도 별도 예산을 잡고, 모델 선택과 에이전트 활용 패턴을 더 신중하게 결정할 필요가 있음

추론 인프라 가용성과 모델 전환

오픈 웨이트 모델과 추론 공급자 비교를 거쳐 선택한 공급자들은 대부분 잘 작동했지만, 인기가 높고 GPU를 대량 확보한 대형 AI 연구소만큼의 처리 용량은 갖추지 못함
특히 추론 서비스의 응답 속도 저하를 경험함
- 관련 작업에 적합한 모델들의 파레토 프런티어에서 높은 위치를 차지해 수요가 몰렸을 가능성이 높음
- 비교 대상은 유럽 데이터센터에서 이용 가능하다고 확인된 오픈 모델로 한정했으며, 다른 지역의 추론도 허용하면 파레토 프런티어가 달라질 수 있음
가용성 문제로 DeepSeek V4.1 Flash와 Qwen 3.8 Flash 등 유사 모델로 전환해야 했음
- 전환 자체는 매우 간단했지만, 계획하지 않았던 일이었음

연구개발에는 여러 모델의 실험이 필요함

일상적인 엔지니어링에 모델 하나를 쓰는 것과 별개로, 공급자의 신제품을 따라가며 다양한 모델을 계속 시험할 필요가 있었음
Wagtail 작업 벤치마크를 시작하면서 여러 모델에 걸친 성능 데이터가 특히 중요해짐
- 구체적인 데이터가 있어야 더 적은 자원을 쓰는 선택지로 사람들을 안내하기 쉬움
- 에이전트 스킬과 새 Wagtail CLI 프로토타입으로 이런 선택지의 실용성을 높일 수 있음
- CLI 프로토타입은 에이전트와 잘 작동하도록 만드는 것이 목적임

GLM 5.3 Flash가 잘 수행한 작업

GLM 5.3 Flash 자체의 성능은 훌륭했으며, 앞으로도 연구개발을 제외한 전체 작업의 50% 이상을 차지하는 일상적인 실무에서는 도전을 이어갈 계획임
단일 모델 중심 개발에 적합한 특성을 갖춤
- 100만 토큰 컨텍스트 창으로 긴 코딩 작업을 수행할 수 있음
- 이미지 처리 지원으로 스크린샷을 바탕으로 개발하거나 시각적 품질 검증을 할 수 있음
- 여러 공급자가 제공하므로 공급자 간 경쟁의 이점을 누릴 수 있음
실제로 Wagtail 자체와 Wagtail 기반 사이트 개발, UI 작업, AI 연구개발, 일부 문서 작성, 다수의 평가에 폭넓게 사용함

10월의 개선 계획과 측정 기준

지속적인 로컬 사용량 측정과 보고를 수행할 계획임
- 토큰뿐 아니라 에너지 사용량과 지출을 추적하고, 가능하면 실제로 긍정적인 성과를 얼마나 만들었는지도 살펴볼 필요가 있음
실험 예산을 일상 업무 예산과 함께 확보하고, 어떤 프로토타입을 어떤 방식으로 만들 가치가 있는지 더 신중하게 결정할 계획임
프롬프트 선택과 멀티 에이전트 기법을 개선할 필요가 있음
- 조율, 탐색, 구현, 검토 에이전트의 역할을 구분하고 목표 범위를 제한하는 방식이 포함됨
- 고난도 기술은 아니지만 추가로 익혀야 할 영역임
더 효율적인 기법과 모델을 계속 탐색할 계획임
- Jev 스타일의 의사결정 확산 모델은 그만큼 효율적으로 실행될 수 있다면 유망함
- 최신 플래그십 모델들도 효율성 면에서 올바른 방향으로 나아가는 것으로 보임
일상적인 개발에서는 저렴한 Flash급 모델 한두 개에 집중하는 방식이 충분히 실용적임
- 10월에는 효율적인 모델이 AI 추론 작업의 대부분을 담당하도록 하는 것을 목표로 삼음
- 기준은 토큰 수보다 비용이나 에너지 사용량이어야 함
- 이후 진행 상황은 11월 Wagtail Space 2026에서 공유할 예정임