차량과 임베디드 시스템을 검증하려면 요구사항을 분석해 테스트 코드를 작성하고 시뮬레이션을 실행한 뒤 오류를 찾아 수정하는 과정을 반복해야 한다. 통신 규격과 제어기, 시험 환경이 복잡해질수록 테스트 시나리오 구성과 코드 작성에 필요한 시간도 늘어난다. 벡터는 이 과정을 자연어 지시로 연결하는 AI 에이전트와 MCP 서버를 개발·테스트 환경 ‘CANoe’에 적용했다. AI가 작업을 수행하는 동안 엔지니어는 실행 단계를 확인하고 결과를 검증한 뒤 최종 승인할 수 있다.
차량 네트워크와 임베디드 시스템 개발 솔루션 기업 벡터코리아는 CANoe 20 SP2에 AI 에이전트와 모델 컨텍스트 프로토콜(MCP·Model Context Protocol) 기능을 적용한 ‘CANoe AI 패키지’를 출시했다.
개발, 테스트 및 분석을 위한 AI 기반 엔지니어링 어시스턴트로 진화한 ‘CANoe’ (자료 제공: 벡터코리아)
CANoe는 전자제어장치(ECU)와 차량 네트워크, 분산형 임베디드 시스템의 통신을 분석하고 기능을 시뮬레이션·테스트하는 개발 환경으로, 차량뿐 아니라 의료기기와 철도, 산업 시스템 등 통신 기반 전자 시스템의 소프트웨어인더루프(SIL)와 하드웨어인더루프(HIL) 검증에도 활용된다.
이번 AI 기능은 엔지니어가 수행하던 개별 작업을 하나의 흐름으로 연결하는 데 초점을 맞췄다. 사용자가 자연어로 요구사항과 수행할 작업을 입력하면 전문 에이전트가 요청을 분석하고 필요한 스킬과 도구를 선택해 실행 순서를 구성한다.
대표적인 활용 방식은 요구사항 기반 테스트 자동화다. AI 에이전트가 요구사항 정의서를 해석해 벡터의 차량 네트워크 시험용 프로그래밍 언어인 CAPL 테스트 코드를 생성하고 CANoe에서 테스트를 실행한다. 오류가 발생하면 실행 결과와 로그를 분석해 코드를 수정한 뒤 재시험한다.
작업을 마치면 에이전트는 CANoe 화면과 개발 환경을 동기화해 실행 결과를 사용자에게 전달한다. 엔지니어는 생성된 코드와 테스트 조건, 오류 수정 내역, 최종 결과를 확인하고 승인 여부를 결정한다.
벡터는 기존에 수시간에서 수일이 걸리던 일부 테스트 작업을 수분 안에 처리할 수 있다고 설명했다. 다만 소요 시간은 요구사항의 복잡도와 CANoe 구성, 연결한 언어모델의 성능, 테스트 대상과 검증 범위에 따라 달라진다. 이번 발표에는 비교한 프로젝트 규모나 시험 조건이 제시되지 않아 ‘수분 내 완료’는 모든 개발 환경에 적용되는 성능 보장치보다 벡터가 제시한 활용 사례로 보는 것이 적절하다.
MCP로 CANoe 기능 호출…에이전트·스킬 조합해 워크플로우 구성
CANoe 20 SP2에는 외부 AI 클라이언트가 CANoe의 기능을 도구처럼 호출할 수 있도록 MCP 서버가 통합됐다. MCP는 언어모델과 애플리케이션의 데이터·기능을 표준화된 방식으로 연결하는 인터페이스다. 이를 활용하면 AI 에이전트가 CANoe 설정을 조회하거나 시뮬레이션을 제어하고 테스트를 실행하는 작업을 하나의 대화형 흐름에서 수행할 수 있다.
사용자는 깃허브 코파일럿과 클로드 등 기존에 사용하는 LLM 환경을 연결할 수 있다. 벡터는 특정 모델 하나에 종속되지 않도록 에이전트와 스킬, MCP 도구로 구성된 개방형 AI 계층(Open AI Layer)을 제공한다. 여기서 Open AI Layer는 개방형 확장 구조를 의미하며, 기업명인 오픈AI(OpenAI)와는 구분된다.
에이전트는 사용자의 프롬프트와 현재 CANoe 구성을 바탕으로 필요한 스킬과 MCP 도구를 선택한다. 설정 조회와 변경, 시뮬레이션 시작·중지, 테스트 케이스 생성, 통신 흐름 분석 등을 수행하고 CAPL과 C#, 파이썬 코드를 생성하거나 기존 코드를 최적화할 수 있다.
기업은 기본으로 제공되는 에이전트와 스킬을 업무 절차에 맞춰 수정하거나 자체 도메인 지식과 내부 도구를 연결한 전용 에이전트를 구성할 수 있다. 예를 들어 특정 완성차 업체의 통신 규칙이나 부품사의 시험 절차, 사내 코딩 표준을 스킬과 도구에 반영해 조직별 테스트 워크플로우를 설계하는 방식이다.
CANoe AI 패키지에는 벡터의 기술 문서와 자료를 검색하는 ‘Vector-RAG’도 적용됐다. 에이전트가 질문이나 코드 작성에 필요한 정보를 벡터의 지식 기반에서 검색한 뒤 관련 내용을 언어모델의 응답 생성에 활용한다. 범용 모델의 학습 정보에만 의존할 때보다 CANoe 기능과 CAPL 문법에 맞는 답변을 생성하도록 근거를 보강하는 구조다.
RAG 적용이 언어모델의 오류나 환각 가능성을 완전히 제거하는 것은 아니다. 검색된 문서의 범위와 최신성, 사용자가 입력한 요구사항, 연결한 모델의 추론 능력에 따라 결과가 달라질 수 있다. 벡터가 각 작업 단계를 실시간으로 공개하고 사용자가 에이전트의 자율성 수준과 최종 승인 범위를 설정하도록 한 이유도 이 때문이다.
사용자는 질문에 답하는 보조 기능부터 코드와 테스트를 실행하는 작업형 에이전트, 여러 단계를 연결하는 통합 워크플로우까지 자동화 범위를 선택할 수 있다. CANoe와 개발 환경에서 에이전트가 호출한 MCP 도구와 사용한 스킬, 변경한 코드, 실행 결과를 확인하며 필요한 단계에 개입할 수 있다.
CANoe AI 패키지는 CANoe 20 SP2 이상과 호환되며 벡터 공식 웹사이트에서 무료로 내려받을 수 있다. 무료 제공 대상은 AI 패키지이며 기반 소프트웨어인 CANoe 사용 권한과 사용자가 연결하는 LLM 환경은 별도로 준비해야 한다. 외부 언어모델의 이용 가능 범위와 비용, 데이터 처리 방식도 각 모델과 서비스의 정책에 따라 달라진다.
벡터는 AI 기능의 설계 원칙을 ‘에이전트가 작업하고 사용자가 결정하는 인간 참여형 구조’로 제시했다. 생성된 코드와 테스트 결과가 엔지니어의 판단을 대신하기보다 반복 작업을 줄이고 검토와 의사결정을 지원하도록 CANoe의 에이전트와 스킬, MCP 도구를 확장할 계획이다.
The post 요구사항 읽고 CAPL 테스트·오류 수정까지…벡터, CANoe에 AI 에이전트 탑재 appeared first on 벤처스퀘어.