Spotify Engineering

Spotify는 7만 개 이상의 데이터셋을 보유한 조직에서 자연어 질의를 신뢰 가능한 SQL로 변환하는 데이터 어시스턴트 Vedder를 구축했다. 핵심 문제는 LLM에 스키마만 넣는 방식이 컨텍스트 윈도우 한계와 도메인 지식 공백으로 신뢰할 수 없는 결과를 낳는다는 점이었다. 이를 해결하기 위해 도메인 전문가 지식을 구조화해 인코딩하는 컨텍스트 레이어를 설계했으며, 2025년 8월 출시 이후 2,100명 이상이 13,000건 이상의 대화에서 활용했다.

Spotify가 AI 코딩 도구를 조직 전반에 확산하며 얻은 결론은 "코딩은 더 이상 병목이 아니고, 이제 무엇을 만들지 결정하는 일이 새 병목"이라는 것이다. 프로덕션 코드베이스가 엔지니어 수보다 7배 빠르게 커지며 폭증한 유지보수 부담을, 배경 코딩 에이전트 Honk와 자동화 파이프라인으로 흡수한 과정을 다룬다.

A/B 실험 조직에서 LLM 자동 평가(evals)를 실험의 대체물로 볼지 앞단 선별 도구로 볼지에 대한 논쟁을 다룬다. Spotify의 답은 둘을 분기(fork)가 아니라 깔때기(funnel)로 엮는 것이다. 평가로 유망 후보를 거르고 실험으로 검증한 뒤 그 결과로 다시 평가를 보정한다.

Spotify가 30개 넘는 리소스 타입과 중첩 타겟팅 구조를 가진 복잡한 Ads API v3를 자연어로 다루게 만든 Claude Code 플러그인 사례다. "코네티컷 25-44세, 일 $100 예산 캠페인 만들어줘" 같은 문장을 올바른 다단계 API 호출 시퀀스로 변환하는 것이 목표다.

Spotify의 배경 코딩 에이전트 Honk 시리즈 4편으로, 대규모 데이터셋 마이그레이션을 에이전트로 자동화한 사례다. 핵심 결론은 에이전트 효율이 결국 데이터 생태계의 표준화와 자동 검증 기반에 좌우된다는 것이다.

Spotify가 2025 Wrapped를 위해 3억 5천만 사용자에게 14억 개의 개인화 AI 보고서를 사전 생성한 시스템을 다룬다. 핵심 교훈은 이 규모에서 진짜 어려운 부분은 모델 호출이 아니라 용량 계획, 복구 전략, 안전 루프, 고장 격리라는 것이다.

Spotify가 광고 미디어 플래닝의 복잡성을 Google ADK 기반 멀티에이전트 아키텍처로 푼 사례다. 자연어 입력을 받아 최적화된 광고 플랜을 수초 만에 만들어 기존 15~30분 수동 작업을 대체한다.

Spotify 모바일 앱은 Android, iOS, Desktop을 각각 릴리스해야 해 릴리스 매니저의 인지 부담이 컸다. 흩어진 릴리스 정보를 한 화면에 모으는 Release Manager Dashboard와 릴리스 상태 머신을 자동으로 진행시키는 로봇을 5년간 운영하며 평균 릴리스 사이클을 약 8시간 줄인 과정을 다룬다.

개인화와 실험은 둘 다 사용자 특성으로 동적 최적화를 한다는 점에서 닮았지만, Spotify는 이 둘을 의도적으로 분리해 운영한다. 개인화는 ML 스택에서 만들고 평가는 별도 실험 플랫폼 Confidence에서 한다는 관심사 분리 전략과 그 근거를 다룬다.

Spotify의 배경 코딩 에이전트 Honk 시리즈 3편으로, 에이전트가 만든 PR의 신뢰성을 검증 루프로 확보하는 방법을 다룬다. 특히 CI를 통과하지만 기능적으로 틀린 PR이 가장 위험하며 이를 막는 검증기와 LLM 심사관 구조가 핵심이다.

Spotify의 배경 코딩 에이전트 Honk 시리즈 2편으로, 대규모 마이그레이션에서 신뢰할 수 있는 PR을 만드는 프롬프트 엔지니어링과 도구 제한 전략을 다룬다. 약 50개 마이그레이션에 적용했고 Claude Code가 가장 좋은 성능을 냈다.