1. Task Master AI 소개 및 설치 [0]

thumbnail AI 개발 시 발생하는 문제점을 해결하고 효율성과 정확성을 높이는 Task Master AI를 소개한다.

1.1. AI 개발의 문제점 [0]

  1. AI에게 복잡한 요구사항을 한 번에 전달하면 원하는 결과가 나오지 않거나 이상한 결과가 나올 수 있다. [0]
  2. AI는 처음에는 개발을 잘하다가도 갑자기 이상한 방향으로 가거나, [4]
    1. 이미 작성된 코드를 다시 짜는 경우가 발생한다. [6]
    2. 요청하지 않은 방대한 기능까지 개발하기도 한다. [7]
  3. 이러한 문제의 근본적인 이유는 명확한 지침과 체계 없이 AI가 복잡한 요구사항을 한 번에 해결하려 하기 때문이다. [8]
    1. 이는 마치 요리 초보가 한꺼번에 모든 요리를 만들려는 것과 같다. [10]

1.2. Task Master AI의 역할 [11]

  1. Task Master AI는 복잡한 프로젝트를 AI가 소화할 수 있는 작은 작업들로 나누어 순차적으로 완성할 수 있도록 돕는 도구이다. [11]
  2. 설치부터 실습까지 진행하며 Task Master AI를 완전 정복하는 방법을 알아본다. [12]

1.3. Task Master AI 설치 방법 [13]

  1. Task Master AI 사용을 위해서는 Node.js가 설치되어 있어야 한다. [13]
  2. Task Master AI 공식 문서에서 설치 방법을 확인할 수 있다. [14]
    1. CLI(Command Line Interface) 또는 MCP 서버를 이용한 설치가 가능하다. [16]
    2. 명확한 요청 시에는 CLI 사용이 편리하며, 작업을 수행할 때는 MCP 서버 이용이 편리하다. [18]
    3. 따라서 CLI를 먼저 설치하고, 작업 요청은 MCP 서버를 활용하는 방식을 사용한다. [19]
  3. Task Master AI CLI는 npm 명령어를 통해 설치한다. [21]
    1. 공식 GitHub 문서를 참고하여 설치를 진행한다. [22]
  4. 설치 후 터미널에 taskmaster를 입력하면 수행 가능한 작업 목록을 확인할 수 있다. [27]
    1. 프로젝트 셋업에는 INIT 명령어를 사용한다. [28]
    2. PRD 문서를 통해 작업 목록을 생성할 때는 task PRD 명령어를 사용한다. [29]

2. Task Master AI 프로젝트 초기화 및 설정 [30]

thumbnail Cursor AI와 함께 Task Master AI로 프로젝트를 초기화하고, AI 모델 설정을 포함한 프로젝트 구조를 살펴본다.

2.1. 프로젝트 초기화 [30]

  1. Cursor AI를 통해 Task Master로 프로젝트를 초기화한다. [30]
    1. Cursor AI나 MCP 서버에 대한 정보가 부족하다면 관련 영상을 참고하는 것이 좋다. [31]
  2. taskmaster init 명령어를 입력하여 초기화를 진행한다. [33]
    1. TM이라는 약칭 명령어를 설정할지 묻는 메시지가 나오면 Y를 눌러 기본값으로 설정한다. [34]
  3. 프로젝트의 Git 리포지토리를 초기화하고 Task를 저장하도록 설정한다. [36]
  4. Cursor AI를 사용하고 있다면, Cursor에서 스페이스바를 누르고 엔터를 하여 Cursor 도구에 맞게 최적화된 설정을 진행한다. [38]
  5. 선호하는 언어를 한국어로 설정한다. [40]

2.2. AI 모델 설정 [41]

  1. Task Master AI는 AI 모델을 세 가지로 나누어 설정할 수 있다. [42]
    1. 메인 모델: 작업을 수행할 때 주로 사용할 AI 모델이다. [43]
    2. 리서치 모델: 최신 정보 검색이나 기술 동향 조사 등 선택 사항으로, 있으면 AI가 더 똑똑해진다. [45]
    3. 폴백 모델: 메인 모델이 실패할 경우 자동으로 전환되어 사용되는 모델로, 선택 사항이지만 있으면 더 안정적이다. [46]
  2. 모델 설정에 대한 자세한 설명은 잠시 후 진행하며, 일단은 'Cancel Model Setup'을 선택한다. [49]

2.3. 초기화된 프로젝트 구조 확인 [51]

  1. 초기화 후 다음 작업에 대한 지침이 나오며, 자동으로 생성된 프로젝트 구조를 살펴볼 수 있다. [51]
  2. Cursor 디렉토리: Cursor AI 설정을 담고 있으며, Cursor AI에 최적화된 룰이 생성되어 있다. [53]
    1. Cursor 룰에 대한 정보는 이전 영상을 참고할 수 있다. [56]
  3. mcp.json 파일: MCP 서버가 현재 프로젝트에서만 사용 가능하도록 설정된 파일이다. [57]
    1. MCP 툴즈에서 Task Master AI가 활성화되어 있는지 확인해야 한다. [59]
  4. Task Master 폴더: Task Master의 모든 데이터와 설정이 저장되는 메인 디렉토리이다. [60]
    1. docs: 프로젝트 문서, 가이드, 튜토리얼 등이 저장된다. [62]
    2. reports: 작업 진행 상황 및 프로젝트 보고서가 생성된다. [63]
    3. tasks: 개별 작업들이 저장되며, PRD 문서를 통해 생성된 단계별 작업들이 저장된다. [64]
    4. templates: 재사용 가능한 템플릿이 저장된다. [66]
      1. PRD 문서 샘플이 있어 이를 기반으로 문서를 만들 수 있다. [67]
  5. Task Master의 주요 설정과 현재 프로젝트 상태 정보가 담겨 있다. [69]

3. AI 모델 상세 설정 및 API 키 관리 [70]

thumbnail AI 모델 설정을 위한 API 키 설정 방법과 비용, 그리고 모델별 성능 지표를 비교하여 최적의 모델을 선택하는 방법을 알아본다.

3.1. AI 모델 설정 상세 설명 [70]

  1. AI 모델 설정에 대해 자세히 설명하며, 영상이 다소 길어질 수 있음을 안내한다. [71]

3.2. API 키 설정 및 관리 [75]

  1. AI 모델 사용을 위해서는 MCP 설정에 API 키를 설정해야 한다. [75]
    1. 공식 문서에 따르면 최소한 하나의 API 키가 설정되어 있어야 한다. [76]
    2. 메인 모델로 Claude를 사용하려면 제공 업체인 Anthropic API 키가 필요하다. [77]
      1. 단, Claude Code를 이용하는 경우 API 설정 없이 Claude Code CLI가 설치되어 있으면 된다. [78]
  2. Anthropic API 키 설정 방법: [80]
    1. 구글에서 'Anthropic API 키'를 검색하여 공식 문서를 찾는다. [81]
    2. 회원 가입 및 로그인을 진행한다. [82]
    3. 대시보드에서 'API 키' 메뉴로 이동하여 API 키를 생성한다. [83]
    4. 워스페이스를 설정하고 API 키를 입력한 후 'Add' 버튼을 클릭하여 생성한다. [85]
    5. 생성된 API 키는 유출되지 않도록 주의해야 하며, 유출 시에는 삭제 후 다시 생성하여 사용한다. [87]
    6. 복사한 API 키를 Cursor AI의 Anthropic API 키 설정란에 붙여넣는다. [91]
  3. API 키 사용을 위해서는 크레딧 결제가 필요하다. [92]
    1. 'Billing' 메뉴에서 'Buy Credits'를 통해 사용할 만큼 결제하면 충전된다. [93]
    2. Claude Pro 요금제와 Anthropic API 키 요금은 별개이다. [95]
  4. 영상이 길어지더라도 추가 팁을 제공한다. [97]

3.3. 사용 가능한 AI 모델 및 성능 지표 [98]

  1. Task Master GitHub 문서의 'docs' 폴더에 있는 model.md 파일에서 현재 사용 가능한 모델 목록을 확인할 수 있다. [98]
  2. 모델별로 사용 가능한 모델 이름과 성능 지표를 비교할 수 있다. [100]
    1. SW Score: 소프트웨어 엔지니어링 점수로, AI의 코딩 능력을 측정하며 0에서 1 사이의 값을 갖는다. 점수가 높을수록 문제 해결 능력이 뛰어나다. [101]
    2. Input Cost: AI에게 질문 또는 요청을 보낼 때 드는 비용이다. [104]
    3. Output Cost: AI가 답변할 때 드는 비용으로, 100만 토큰당 달러로 계산된다. [105]

4. AI 모델 선택 및 변경 [108]

thumbnail AI 모델을 고용하는 것에 비유하며, 개인이나 팀의 상황에 맞춰 최적의 모델을 선택하고 변경하는 방법을 설명한다.

4.1. AI 모델 선택의 중요성 [108]

  1. AI 모델을 설정하는 것은 어떤 AI 직원을 고용할지 결정하는 것과 같다. [108]
  2. 비싸지만 최고 품질을 원할 때도 있고, 비용 절약이 중요할 때도 있다. [109]
  3. 따라서 모델 선택은 개인이나 팀의 상황에 맞게 신중하게 결정해야 한다. [111]

4.2. 현재 설정된 모델 확인 및 변경 [112]

  1. 현재 설정된 모델은 Task Master 디렉토리의 config 파일을 통해 확인할 수 있다. [113]
  2. 터미널에서는 TM models 명령어를 통해 활성화된 모델을 확인할 수 있다. [114]
  3. 모델 변경은 config 파일에 직접 설정하거나, 명령어 가이드를 통해 전체 모델 또는 개별 모델을 설정할 수 있다. [115]
  4. TM models setup 명령어를 사용하여 모델을 설정한다. [117]
    1. 메인 모델로 Anthropic의 Claude 3 Sonnet을 설정한다. [118]
    2. 리서치 모델과 폴백 모델은 변경 없이 그대로 사용한다. [119]
  5. 변경 후 config 파일을 다시 확인하면 메인 모델이 Claude 3 Sonnet으로 변경된 것을 볼 수 있다. [121]

5. PRD 문서 기반 작업 생성 및 관리 [122]

thumbnail PRD 문서를 파싱하여 작업을 생성하고, 작업 목록을 확인하며 복잡한 작업을 세부 작업으로 분할하는 과정을 설명한다.

5.1. PRD 문서 생성 및 파싱 [124]

  1. 프로젝트 초기화가 완료되면 PRD 문서를 파싱하여 진행해야 할 작업을 생성하는 것이 Task Master의 핵심 기능이다. [124]
  2. PRD 문서: 제품 요구 사항 문서의 줄임말로, 개발할 제품이나 기능에 대한 상세한 요구 사항을 정리한 문서이다. [126]
    1. Task Master 'docs' 디렉토리에 PRD 문서를 위치시킨 후 task PRD 명령어로 문서를 분석하여 세부 사항을 'tasks' 디렉토리에 정리한다. [127]
    2. 'templates' 디렉토리의 PRD 문서 샘플을 활용하여 문서를 작성할 수 있다. [128]
  3. PRD 문서 작성 예시: [129]
    1. "모바일 청첩장 웹 문서를 만들어 줘"와 같이 요구 사항을 요청하면 Claude가 PRD 문서를 작성한다. [130]
    2. 작성된 PRD 문서를 그대로 개발에 사용하는 것은 지양해야 하며, 꼼꼼히 읽어보고 구현 범위를 잘 정해야 한다. [137]
    3. 구현 범위가 너무 많다고 느껴지면 Task Master에 끊어서 요청할 수 있다. [139]
      1. 예를 들어, 전체 구현 범위 중 일부만 먼저 만들고, 구현이 완료되면 다음 부분을 진행하는 방식이다. [140]
      2. Task Master가 PRD를 분리해주지만, 사용자의 의견도 반영하는 것이 좋다. [143]
  4. PRD 문서 수정 예시: [144]
    1. 백엔드 데이터 처리, 백엔드 서비스, 인프라 등을 설명하는 문서에서 UI만 개발할 수 있도록 PRD 문서를 수정 요청한다. [145]
    2. 결과적으로 프론트엔드 아키텍처로 설계되고 실용적인 기능이 재정의되며, 데이터베이스 관련 내용은 설정 파일로 분리된다. [146]
  5. 수정된 PRD 문서를 docs/prd.txt 파일로 저장한다. [149]
  6. PRD 파일 파싱 및 테스크 생성: [150]
    1. TM, parse PRD 명령어를 사용하여 PRD 파일을 파싱하고 테스크를 생성한다. [150]
    2. API 키 오류 발생 시: MCP 서버를 사용할 때는 mcp.json 파일의 ENV 섹션에 환경 변수를 설정하지만, CLI를 사용할 때는 프로젝트 루트의 .env 파일에 정의해야 한다. [154]
      1. .env.example 파일을 복사하여 .env로 변경하고 API 키를 설정한다. [159]
    3. PRD 문서 파싱이 성공적으로 완료되면 10개의 테스크가 생성되어 해당 디렉토리에 저장된다. [162]
  7. 다음 단계로 모든 작업 목록을 확인하는 명령어를 활용할 수 있으며, 복잡한 특정 작업을 세부 작업으로 나눌 수도 있다. [166]
    1. 사용량에 대한 정보도 확인할 수 있다. [168]

5.2. 작업 목록 확인 및 관리 [169]

  1. tasks.json 파일에서 생성된 작업들을 확인할 수 있으며, TM list 명령어로 작업 목록을 조회할 수 있다. [169]
  2. 작업 목록 정보: [171]
    1. 전체 테스크는 10개이며, 상태는 '대기 중(Pending)'이다. [171]
    2. 우선순위는 높음, 중간, 낮음으로 나뉜다. [173]
    3. 의존성이 있어 특정 작업이 완료되어야 다음 작업을 진행할 수 있다. [175]
  3. 복잡한 작업을 다시 서브 테스크로 나누기 위해 복잡도 분석을 수행한다. [176]
    1. analyze complexity 명령어를 통해 각 테스크의 복잡도를 분석한다. [177]
    2. 분석 결과, 10개의 테스크 중 1개가 높은 복잡도를 가진 것으로 나타났다. [180]
  4. 복잡도 분석 결과는 reports에서도 확인할 수 있다. [182]
  5. 각 테스크의 복잡도 형태를 읽기 쉬운 형태로 보고 싶다면 taskmaster complexity report 명령어를 사용한다. [183]

5.3. 복잡한 작업 세부화 (확장) [185]

  1. 복잡한 테스크를 서브 테스크로 나누기 위해 TM expand 명령어를 사용한다. [185]
    1. TM expand all은 모든 대기 중인 테스크를 복잡도를 기반으로 자동으로 확장한다. [186]
    2. 특정 ID를 입력하면 하나의 특정 테스크를 더 작은 서브 테스크들로 분할할 수 있다. [187]
    3. 명령어 사용 방법은 표를 참고할 수 있다. [188]
  2. TM expand 5 명령어를 사용하여 복잡도를 기반으로 자동으로 테스크를 확장한다. [189]
    1. 권장 사항은 가장 복잡한 테스크를 우선 나누고, 그 후에 자동으로 세분화하는 것이다. [190]
  3. 작업 완료 후 TM list 명령어로 서브 테스크까지 포함된 작업 목록을 확인한다. [191]
    1. 메인 테스크별로 각각의 서브 테스크가 나뉘어진 것을 확인할 수 있다. [195]

6. Task Master AI 워크플로우 및 작업 수행 [196]

thumbnail Task Master AI의 작업 상태 관리와 순차적인 작업 수행 과정을 설명하며, 실제 개발 작업을 진행하는 방법을 보여준다.

6.1. 작업 상태 관리 [196]

  1. 각 테스크에는 현재 상태를 표시하는 'status' 항목이 있다. [196]
  2. 일반적인 테스크 상태 흐름은 'Pending' (대기 중), 'In Progress' (진행 중), 'Done' (완료)이다. [197]
  3. 검토가 필요한 경우 'Review', 추후 연기된 경우 'Deferred', 취소된 경우 'Canceled' 상태로 표시된다. [198]
  4. 검토, 연기, 취소 등 필요한 경우 해당 상태를 변경할 수 있다. [199]
  5. 다음 작업을 확인하고 본격적으로 개발을 시작한다. [200]

6.2. 작업 수행 및 진행 [201]

  1. 첫 번째 작업(Task 1)을 채팅 패널에서 요청하여 시작한다. [201]
    1. MCP 서버가 Task Master의 첫 번째 작업을 시작하고 세부 작업을 순차적으로 진행한다. [203]
  2. Cursor AI 설정에서 'Auto Run'을 활성화하면, AI가 물어보지 않고 자동으로 계속 작업을 수행한다. [205]
  3. 첫 번째 테스크가 완료되면 'Done' 상태로 변경된다. [206]
  4. 웹페이지에는 기본 문서 구조만 갖춰진 것을 확인할 수 있다. [208]
  5. 두 번째 테스크를 진행하며, 오류 발생 시 수정 사항을 요청하고 진행할 수 있다. [209]
  6. 두 번째 작업도 잘 수행된 것을 확인한다. [212]
  7. 세 번째 테스크를 진행하거나, 필요에 따라 복잡도를 다시 분석하고 리포팅하거나 특정 테스크를 분할할 수 있다. [213]
  8. 이러한 과정을 반복하여 모든 작업이 완료될 때까지 진행한다. [216]

7. Task Manager vs. Task Master AI 비교 [218]

thumbnail Shrimp Task Manager와 Task Master AI의 핵심 철학을 비교하며, 각 도구의 특징과 활용 방안을 설명한다.

7.1. 핵심 철학 비교 [218]

  1. Shrimp Task Manager: AI가 개발자가 되어 주도적으로 개발한다. [218]
    1. 마치 시니어 개발자를 고용한 것처럼, AI가 기술 스택 조사, 프로젝트 규칙 설정, 작업 계획 수립 및 구현까지 모두 수행한다. [220]
    2. 과거 작업을 기억하여 점점 더 똑똑해지며, 경험 많은 개발자가 프로젝트를 거듭할수록 나아지는 것과 같다. [222]
  2. Task Master AI: 사용자와 AI가 협력하여 체계적으로 개발한다. [218]
    1. PRD 문서 작성, 작업 분할 제안, 최신 기술 스택 조사 등 사용자와 AI가 계속 상의하며 진행하는 협업 스타일이다. [224]

7.2. 활용 방안 및 향후 계획 [226]

  1. 각 도구를 상황에 맞게 잘 사용하는 것이 중요하다. [226]
  2. Task Master AI 사용 경험을 공유할 내용이 있다면 추가로 공유할 예정이다. [227]

8. 마무리 및 추가 정보 [228]

thumbnail
  1. Task Master AI에 대한 자세한 내용을 알아보았다. [228]
  2. 현재 AI 활용 실무 교육 강의를 준비 중이며, 궁금한 점은 댓글로 남겨 강의 제작에 참고하도록 한다. [229]
  3. 영상이 도움이 되었다면 구독, 좋아요, 알림 설정을 부탁한다. [231]