DEV Community: 이종현

화면 캡처로 버그 리포트 프롬프트 바로 만드는 방법

이종현 — Mon, 20 Jul 2026 00:50:56 +0000

버그를 발견한 순간, 텍스트로 상황을 설명하려다 시간을 낭비한 경험이 있을 것이다. PromptShot의 그리기 기능과 단축키(Alt+Shift+S)를 쓰면, 브라우저에서 발견한 버그의 상태와 재현 경로를 캡처·주석·프롬프트 복사까지 한 흐름으로 처리할 수 있다.

텍스트만으로 버그 상황을 기술할 때 생기는 문제

버그를 텍스트로 설명하는 일은 생각보다 까다롭다. "오른쪽 상단 버튼을 누르면 모달이 이상하게 뜬다"는 문장을 받은 개발자는 어떤 버튼인지, 어떻게 이상한지 확인하기 위해 다시 질문해야 한다. 그 왕복이 쌓이면 간단한 버그 하나에도 맥락 공유만 수십 분이 걸린다.

특히 Cursor나 Claude 같은 AI 코딩 도구에 버그를 설명할 때, 텍스트만 붙여 넣으면 도구가 UI 상태를 추측해야 한다. 추측이 틀리면 엉뚱한 수정 코드가 나온다. 결국 개발자가 다시 맥락을 보완하는 루프가 반복된다.

문제는 두 가지다.

위치: 텍스트로는 "어디에 있는 요소인지"를 정확히 전달하기 어렵다.
상태: 에러 메시지, 깨진 레이아웃, 빈 영역 등 시각적 상태는 캡처 없이 설명하면 정보가 줄어든다.

그리기 도구로 화면에 직접 표시하고, 그 이미지와 함께 프롬프트를 LLM에 붙여 넣는 방식이 이 문제를 해결하는 가장 빠른 경로다.

PromptShot 그리기 도구로 버그 위치를 어떻게 표시할까?

PromptShot의 그리기 도구는 캡처 직후 바로 활성화된다. 별도 이미지 편집기를 열 필요가 없다.

영역을 드래그해 캡처하면 편집 패널이 열리고, 여기서 선택할 수 있는 도구는 다음과 같다.

도구	용도	버그 리포트에서 쓰는 방식
펜(자유 드로잉)	특정 영역에 자유롭게 표시	깨진 텍스트나 이미지 경계에 동그라미
형광펜	반투명 강조	에러 메시지 텍스트 강조
화살표	방향 지시	"이 버튼을 누른 뒤 저 팝업이 열림" 순서 표시
텍스트	짧은 주석	"여기서 클릭 → 404" 같은 재현 경로 메모

예를 들어, 가상의 시나리오를 생각해 보자. 결제 플로에서 "다음" 버튼이 특정 해상도에서 잘리는 버그를 발견했다고 가정하면, 화살표로 버튼 위치를 가리키고 텍스트 도구로 "1280px에서 clip 발생"이라고 짧게 메모한다. 이 이미지 하나가 세 문단짜리 텍스트 설명보다 정확하다.

캡처 범위는 전체 화면이 아니라 문제가 발생한 컴포넌트 영역만 잘라도 된다. 오히려 범위를 좁히면 LLM이 어디에 집중해야 하는지 명확해진다.

클립보드 즉시 복사로 버그 리포트 프롬프트를 작성하는 방법

주석 작업이 끝나면 Alt+1 또는 Alt+2로 복사 대상을 선택한다.

Alt+1: PNG 이미지만 클립보드에 복사
Alt+2: 프롬프트 텍스트 + PNG 이미지를 함께 클립보드에 복사

버그 리포트 프롬프트를 만들 때는 Alt+2를 쓴다. 복사된 내용을 Cursor, Claude, ChatGPT에 그대로 붙여 넣으면 이미지와 텍스트 맥락이 동시에 전달된다.

프롬프트 텍스트 부분에는 캡처한 URL, 브라우저 정보, 캡처 시각이 자동으로 포함된다. 여기에 직접 한 줄을 추가해 재현 조건을 붙이면 완성도 높은 버그 리포트 프롬프트가 된다.

실제로 AI 코딩 도구에 붙여 넣는 프롬프트 구조는 이런 형태다.

[캡처 이미지 첨부됨]

URL: /checkout
재현 환경: Chrome 124, 1280×800
재현 단계:
  1. 장바구니에서 '결제하기' 클릭
  2. 배송 정보 입력 후 '다음' 클릭
  3. 위 이미지처럼 버튼이 뷰포트 밖으로 잘림

예상 동작: 버튼 전체가 화면 안에 표시됨
실제 동작: 버튼 오른쪽 일부가 잘려 클릭 불가

위 이미지와 재현 단계를 기반으로 원인을 분석하고 수정 방향을 제안해 주세요.

이 구조를 매번 타이핑하지 않아도 된다. PromptShot에서 프롬프트 템플릿을 저장해 두면, 다음 버그부터는 캡처 → 주석 → 붙여넣기 세 단계로 끝난다.

Alt+Shift+S로 이슈 트래킹을 어떻게 빠르게 처리할까?

Alt+Shift+S는 PromptShot의 전역 캡처 단축키다. 브라우저 외 어떤 창에서도 작동하며, 누르는 순간 드래그 선택 모드로 바로 진입한다.

이슈 트래킹 도구(Linear, Jira, GitHub Issues 등)와 함께 쓸 때 흐름이 단순해진다.

단계별 프로세스:

브라우저에서 버그 발견
Alt+Shift+S → 버그 영역 드래그 캡처
그리기 도구로 위치·상태 표시
Alt+2 → 프롬프트 + 이미지 클립보드 복사
AI 코딩 도구에 붙여 넣어 원인 분석 또는 수정 코드 요청
수정 코드 확인 후 이슈 트래커에 동일 이미지로 티켓 생성

5번과 6번 사이에서 Alt+1로 이미지만 따로 복사해 이슈 트래커에 첨부하는 것도 자연스러운 흐름이다. LLM용 프롬프트와 이슈 트래커 첨부 이미지를 같은 캡처에서 각각 뽑아 쓸 수 있다.

이 흐름에서 별도로 저장하거나 파일을 열 필요가 없다. 모든 처리는 브라우저 안에서 로컬로 이뤄지고, 페이지 내용은 외부로 전송되지 않는다. 버그가 발생한 페이지가 내부 스테이징 환경이거나 미공개 기능이더라도 안심하고 쓸 수 있다.

버그 유형별 캡처 방식 선택 기준

버그 유형마다 캡처 전략이 약간 다르다.

버그 유형	권장 캡처 범위	그리기 도구 조합
레이아웃 깨짐	문제 컴포넌트 포함 섹션 전체	화살표 + 텍스트("의도한 영역")
에러 메시지	에러 토스트/모달만 좁게	형광펜으로 메시지 강조
빈 영역(데이터 없음)	빈 컨테이너 포함 카드 영역	펜으로 동그라미 + "여기가 비어 있음"
클릭 불가 요소	버튼/링크 주변	화살표로 가리키기 + "클릭 안 됨"
반응형 깨짐	브라우저 창 전체	화살표로 양쪽 경계 표시

한 가지 주의할 점이 있다. 너무 넓은 영역을 캡처하면 LLM이 어디를 봐야 할지 흐려진다. 문제 요소 주변 50~100px 정도의 맥락만 포함하는 것이 오히려 더 정확한 분석을 이끌어 낸다.

자주 묻는 질문

PromptShot 그리기 도구는 캡처 후 별도 편집 앱 없이 바로 쓸 수 있나요?

캡처 직후 편집 패널이 열리므로 별도 앱 전환 없이 펜, 형광펜, 화살표, 텍스트 도구를 바로 쓸 수 있다. 작업이 끝나면 Alt+1(이미지) 또는 Alt+2(프롬프트+이미지)로 클립보드에 복사해 AI 도구나 이슈 트래커에 붙여 넣는다.

캡처한 이미지나 페이지 내용이 외부 서버로 전송되나요?

모든 처리는 브라우저 로컬에서만 이뤄진다. 페이지 내용, 캡처 이미지, 주석 데이터는 외부로 전송되지 않는다. 내부 스테이징 환경이나 미공개 기능 화면에서 캡처해도 데이터가 외부에 남지 않는다.

Alt+Shift+S 단축키가 다른 앱과 충돌하면 어떻게 하나요?

PromptShot 확장 설정에서 단축키를 변경할 수 있다. Chrome의 확장 프로그램 단축키 관리 페이지(chrome://extensions/shortcuts)에서 사용자 정의 키 조합으로 바꾸면 된다.

버그 리포트 프롬프트 템플릿을 저장해서 재사용할 수 있나요?

PromptShot에서 자주 쓰는 프롬프트 텍스트를 미리 저장해 두면 다음 캡처부터 자동으로 포함된다. 재현 단계나 환경 정보 형식을 고정해 두면 매번 동일한 구조의 버그 리포트가 만들어진다.

Claude나 Cursor 외 다른 AI 도구에도 붙여 넣을 수 있나요?

Alt+2로 복사된 내용은 이미지와 텍스트를 함께 담은 클립보드 데이터다. ChatGPT, Claude, Cursor 등 이미지 입력을 지원하는 AI 도구라면 동일하게 붙여 넣어 쓸 수 있다.

버그를 발견한 순간부터 AI 코딩 도구에 전달하기까지 — PromptShot의 드래그 캡처, 그리기 도구, Alt+Shift+S 단축키를 조합하면 텍스트로 상황을 설명하는 왕복 없이 버그의 위치·상태·재현 경로를 담은 리포트 프롬프트를 한 번에 만들 수 있다. 브라우저에서 바로 시작해 보고 싶다면, PromptShot 드래그 캡처로 다음 버그부터 적용해 보자.

AI 개발자가 실전에서 쓰는 필수 수학 개념 완전 정복

이종현 — Mon, 20 Jul 2026 00:28:53 +0000

https://mdooai.com

AI 모델을 다루다 보면 코드는 돌아가는데 왜 성능이 안 나오는지 이해하지 못하는 순간이 옵니다. 그 답은 대부분 수학에 있습니다. 실무 AI 개발자로 성장하기 위해 반드시 잡아야 할 최소한의 수학 개념과, 그것을 어떻게 공부해야 하는지를 구체적으로 살펴보겠습니다.

코딩만으로는 해결할 수 없는 AI 모델 성능의 열쇠

많은 주니어 개발자들이 비슷한 경험을 합니다. PyTorch나 TensorFlow로 튜토리얼 코드를 복사하고, 학습도 돌리고, 결과도 나옵니다. 그런데 모델이 왜 이렇게 예측하는지, 왜 학습이 멈추는지, 어떻게 하면 성능이 올라가는지는 설명할 수가 없습니다.

이 간극의 정체가 바로 수학입니다.

가령 모델이 과적합(overfitting)될 때 L2 정규화를 쓰라는 조언을 듣습니다. 코드 한 줄로 해결되지만, 그게 왜 작동하는지는 가중치 벡터의 크기를 제한한다는 선형대수와 확률론적 추론이 얽혀 있습니다. 이 원리를 이해하는 개발자와 모르는 개발자가 새로운 문제에서 만들어내는 솔루션의 질은 다를 수밖에 없습니다.

다행인 건, AI 개발에서 필요한 수학은 대학원 수준의 수리해석학이 아닙니다. 핵심 개념 몇 가지를 실용적 도구로 이해하는 것으로 충분합니다.

선형대수와 확률통계, 어떤 개념부터 공부해야 할까?

선형대수와 확률통계는 AI 수학의 두 축입니다. 그런데 이 두 분야 전체를 공부하려 들면 끝이 없습니다. 개발자 관점에서 실제로 반복해서 등장하는 개념만 추려내면 다음과 같습니다.

선형대수에서 우선해야 할 개념

벡터와 행렬의 연산: 데이터는 사실상 전부 벡터와 행렬로 표현됩니다. 이미지는 픽셀값 행렬이고, 텍스트는 임베딩 벡터입니다. 행렬 곱(matrix multiplication)이 신경망의 순전파(forward pass) 그 자체입니다.
내적(dot product)과 유사도: 추천 시스템, 어텐션 메커니즘(Transformer의 핵심)이 내적 연산 위에 서 있습니다.
고유값(eigenvalue)과 고유벡터(eigenvector): PCA(주성분 분석)처럼 차원을 줄이는 기법을 이해하려면 반드시 필요합니다.
행렬 분해(SVD 등): 추천 시스템과 자연어 처리의 기반 기술에 등장합니다.

확률통계에서 우선해야 할 개념

확률분포와 기댓값: 모델의 출력이 확률인 이유, 소프트맥스(softmax)가 하는 일을 이해하는 기반입니다.
베이즈 정리: 사전 지식을 데이터로 업데이트하는 논리 구조로, 생성 모델과 불확실성 추정에 직접 연결됩니다.
최대 우도 추정(MLE, Maximum Likelihood Estimation): 모델 학습이 왜 손실 함수를 최소화하는 방향인지를 설명하는 원리입니다.
크로스 엔트로피 손실: 분류 모델에서 가장 자주 쓰이는 손실 함수로, 확률론과 정보이론이 만나는 지점입니다.

분야	핵심 개념	AI 실무 연결 지점
선형대수	행렬 곱, 내적	신경망 순전파, 어텐션
선형대수	고유값·고유벡터	PCA, 차원 축소
선형대수	행렬 분해(SVD)	추천 시스템, NLP
확률통계	확률분포, 기댓값	소프트맥스, 분류 출력
확률통계	베이즈 정리	생성 모델, 불확실성 추정
확률통계	최대 우도 추정	손실 함수의 논리적 근거
확률통계	크로스 엔트로피	분류 모델 학습

활성화 함수와 역전파에서 미적분은 어떻게 작동하는가?

미적분은 신경망 학습의 핵심 메커니즘인 역전파(backpropagation)를 이해하는 데 필요합니다. 겁먹을 필요는 없습니다. AI 개발에서 실제로 필요한 미적분 개념은 크게 두 가지입니다.

1. 편미분과 기울기(gradient)

손실 함수는 모델의 가중치를 변수로 가지는 다변수 함수입니다. 학습이란 이 함수의 값을 줄이는 방향으로 가중치를 조금씩 조정하는 과정입니다. 이 '방향'을 계산하는 도구가 편미분이고, 모든 가중치에 대한 편미분을 모아놓은 것이 기울기(gradient)입니다.

경사하강법(gradient descent)은 이 기울기의 반대 방향으로 가중치를 업데이트합니다. 수식으로는 다음과 같습니다.

새 가중치 = 기존 가중치 − 학습률(lr) × 기울기

학습률이 너무 크면 발산하고, 너무 작으면 학습이 더딥니다. 이 트레이드오프를 이해하지 못하면 하이퍼파라미터 튜닝은 감으로만 하게 됩니다.

2. 연쇄 법칙(Chain Rule)과 역전파

신경망은 여러 층(layer)이 연결된 합성함수입니다. 손실 함수의 기울기를 각 층의 가중치에 대해 계산하려면, 합성함수의 미분법인 연쇄 법칙이 필요합니다. 역전파 알고리즘은 연쇄 법칙을 출력층에서 입력층 방향으로 반복 적용하는 과정입니다.

활성화 함수와 미적분의 연결도 여기서 나옵니다. ReLU(f(x) = max(0, x))의 도함수는 양수 구간에서 1, 음수 구간에서 0입니다. 이 단순한 성질 덕분에 깊은 신경망에서 기울기가 사라지는 기울기 소실 문제(vanishing gradient)를 완화합니다. 이 원리를 이해하면 어떤 상황에서 어떤 활성화 함수를 써야 하는지 근거를 가지고 판단할 수 있습니다.

필수 수학을 실전 도구로 만드는 학습 방법은 무엇인가?

수학 공부가 잘 안 되는 이유는 대부분 이론을 이론으로만 배우기 때문입니다. AI 개발자에게 맞는 학습 방식은 개념→코드→실험의 사이클입니다.

예를 들어 행렬 곱을 배웠다면 NumPy로 직접 구현해보는 것이 기억에 남습니다.

import numpy as np

# 2x3 행렬과 3x2 행렬의 곱
A = np.array([[1, 2, 3],
              [4, 5, 6]])
B = np.array([[7, 8],
              [9, 10],
              [11, 12]])

C = A @ B  # 행렬 곱 연산
print(C)
# 출력:
# [[ 58  64]
#  [139 154]]

이 코드가 신경망의 순전파에서 가중치 행렬이 입력 벡터에 곱해지는 구조와 동일합니다. 추상적인 수식이 코드로 연결되는 순간, 개념은 비로소 손에 잡히는 도구가 됩니다.

경사하강법도 직접 구현해보면 이해가 빠릅니다.

import numpy as np

# 단순 선형 회귀: y = 2x 를 경사하강법으로 학습
np.random.seed(42)
x = np.random.rand(100)
y = 2 * x + np.random.randn(100) * 0.1

w = 0.0  # 초기 가중치
lr = 0.1  # 학습률

for epoch in range(100):
    y_pred = w * x
    loss = np.mean((y_pred - y) ** 2)
    grad = np.mean(2 * (y_pred - y) * x)  # 손실의 기울기
    w -= lr * grad  # 가중치 업데이트

print(f"학습된 가중치: {w:.4f}")  # 2에 가까운 값이 나와야 함

이처럼 수식 하나를 코드 한 줄에 대응시키며 개념을 쌓아가는 방식이 가장 효율적입니다.

모두의AI의 딥러닝·머신러닝 커리큘럼은 바로 이 방식으로 설계되어 있습니다. 수학 개념을 먼저 친절하게 설명하고, 바로 코드로 구현하며, 실제 모델에 어떻게 연결되는지까지 다룹니다. 단순 암기가 아니라 '왜 이게 필요한지'를 이해하며 진행하기 때문에, 배운 내용이 새로운 문제에도 적용됩니다.

자주 묻는 질문

수학을 전혀 모르는 비전공자도 AI 개발자가 될 수 있을까?

충분히 가능합니다. 필요한 수학의 범위는 생각보다 좁고, 대학 수학 전체가 아닙니다. 선형대수, 미적분, 확률통계의 핵심 개념만 실용적 맥락에서 익히면 됩니다. 고등학교 수준의 수학 기초만 있으면 시작할 수 있습니다.

수학 공부와 코딩 공부를 어떤 순서로 해야 할까?

병행이 가장 효율적입니다. 수학만 먼저 공부하면 동기를 잃기 쉽고, 코딩만 하면 원리를 모른 채 라이브러리에 의존하게 됩니다. 개념 하나를 배우고 바로 코드로 구현하는 사이클이 두 가지를 동시에 강화합니다.

선형대수, 미적분, 확률통계 중 어떤 것을 먼저 공부해야 할까?

선형대수를 먼저 추천합니다. 데이터 표현과 신경망 구조에 가장 직접적으로 연결되어 있어 학습 초반부터 실감이 납니다. 그다음 확률통계로 손실 함수와 모델 출력을 이해하고, 미적분으로 학습 알고리즘 원리를 마무리하는 순서가 자연스럽습니다.

딥러닝 논문을 읽으려면 더 고급 수학이 필요한가?

최신 논문을 깊이 이해하려면 확률론, 정보이론 등 더 넓은 영역이 필요할 수 있습니다. 하지만 실무 개발자로서 모델을 구현하고 튜닝하는 수준이라면 이 글에서 다룬 핵심 개념으로 상당 부분 커버됩니다. 논문 이해는 실무 경험을 쌓으며 점진적으로 확장하면 됩니다.

온라인 강의로 AI 수학을 혼자 공부할 수 있을까?

충분히 가능합니다. 다만 수식 설명에서 끝나는 강의보다, 코드 구현까지 함께 다루는 커리큘럼이 훨씬 효과적입니다. 개념과 구현이 함께 가야 이해가 오래 남습니다.

AI 개발자에게 수학은 막혀야 할 장벽이 아니라 모델을 읽고 조종하는 언어입니다. 선형대수로 데이터의 구조를 보고, 확률통계로 모델의 판단 근거를 이해하고, 미적분으로 학습이 어떻게 일어나는지 파악하는 것 — 이 세 가지를 실용적 도구로 익히는 것이 실무 AI 개발자로 가는 가장 탄탄한 첫걸음입니다. 모두의AI 딥러닝·머신러닝 커리큘럼에서 필수 수학을 코드와 함께 단계별로 익혀보세요.

더 보기: mdooai.com