이번 주 일반 웹 개발 토론에서는 AI 소비자를 위한 최적화에 관한 두 가지 상호 보완적인 시각이 주목받았습니다. Addy Osmani는 Claude Code, Cursor, Cline 같은 AI 코딩 에이전트를 위한 기술 콘텐츠 구조화의 6개 레이어 규범인 Agentic Engine Optimization(AEO)을 소개했습니다. 스택은 robots.txt 접근 제어, llms.txt 디스커버리 인덱스, skill.md 기능 파일, Markdown 우선 포맷, 페이지별 토큰 수, Copy for AI 클립보드 버튼을 포함합니다. 토큰 경제가 핵심 과제인데, Cisco API 가이드 하나가 193,217 토큰에 달해 에이전트 컨텍스트 윈도우를 소진할 수 있습니다. 빠른 시작 페이지는 15,000 토큰, API 레퍼런스 페이지는 25,000 토큰 미만을 목표로 해야 합니다. DHH의 OpenCode 인터뷰도 같은 변화를 강조했습니다. 그의 일상 워크플로우는 Gemini K25와 Opus를 동시에 실행하는 dual-pane tmux 레이아웃을 사용한 에이전트 우선 방식입니다.
성능 최적화도 엄밀한 실증적 접근으로 다뤄졌습니다. 500개의 공개 저장소에 대한 esbuild 벤치마크에서 실제 영향을 미치는 번들 비대화 패턴은 단 두 가지로 나타났습니다. lodash CJS 기본 import는 lodash-es의 named import보다 gzip 기준 17.6배 더 많은 코드를 생성하며(import당 25.3 KB 낭비), moment.js는 dayjs보다 5.9배 무겁습니다. MUI와 antd의 배럴 import, react-icons의 네임스페이스 import는 sideEffects:false를 가진 현대적 번들러 아래에서 동일한 번들을 생성합니다. DebugBear의 지연 로딩 가이드는 화면 상단 이미지에 loading="lazy"를 적용하면 LCP가 지연된다는 점을 명확히 했으며, 해결책은 loading="eager"와 fetchpriority="high"를 함께 사용하는 것입니다.
워크플로우와 DX 개선도 주목할 만합니다. Nicholas Zakas는 CI에 merge_group 트리거를 추가하고, 스쿼시 병합을 활성화하며, 저장소 룰셋을 구성하는 GitHub 머지 큐를 안내해 수동 Update Branch 사이클을 제거하는 방법을 설명했습니다. METR 연구를 바탕으로 '바이브 실링' 개념이 제시됐는데, 개발자들이 AI 도구로 20% 더 빠르다고 느끼지만 성숙한 코드베이스에서는 실제로 19% 더 느렸다는 결과를 보여주며 리뷰 깊이를 조정하기 위한 Green/Yellow/Red 3단계 분류 프레임워크를 제안했습니다. 또한 한 개인의 대역폭 위기 포스트에서는 sips를 이용한 이미지 압축, Cache-Control immutable 헤더, stale-while-revalidate가 포함된 Netlify-CDN-Cache-Control, Astro Image 컴포넌트로의 마이그레이션 등 6가지 핵심 수정으로 배포 에셋 크기를 68% 줄인 경험을 공유했습니다.
