Warp 20의 에이전트 중심 개발 환경을 도입하여 오늘날 제공 속도를 높이고 수익을 증대하십시오. 이는 프로젝트 전반의 종속성을 처리하고, 지루한 인계를 제거하며, 신뢰할 수 있는 최신 워크플로를 제공합니다. 이 시스템은 자동화를 넘어 의사 결정을 안내하고 실시간으로 위험을 드러내는 인지 코어인 를 통해 컴팩트한 에이전트에서 실행됩니다.
환경 내의 해당 에이전트는 응집력 있는 루프를 생성합니다. 이는 코드를 분석하고, 테스트를 오케스트레이션하며, 명확한 종속성 및 시스템 전체 가시성을 유지하면서 배포를 관리합니다.
구현하려면 현재 파이프라인을 매핑하고, 스킬을 목록화하고, 처리 작업의 병목 현상을 파악하십시오. 에이전트가 반복적인 단계를 소유하도록 워크플로를 재구성하고 인간의 감독을 잃지 않고 팀을 자동화로 유도합니다.
대부분의 팀은 속도와 정확성에서 놀라운 이점을 보고합니다. 이 접근 방식은 윤리적으로 유지되며 프로젝트 전반에 걸쳐 우수한 결과를 산출하여 수익을 늘리고 확장 가능한 제공을 지원합니다. 책임성을 유지하기 위해 항상 인간의 감독을 유지하십시오.
새로운 기능은 와 에이전트 중심 환경에서 제공되어 유효성 검사를 강화하고, 오류 처리를 개선하며, 시스템 통합을 확장합니다. 빠른 시범 운영을 위해 작은 기능에서 에이전트를 트리거하여 테스트를 выполните하고, 결과를 모니터링하고, 필요에 따라 종속성을 조정합니다.
Warp 20: AI 기반 코딩에 대한 실용적인 통찰력
Warp 20을 구성하여 문제를 적절한 AI 에이전트 및 일치하는 개발자에게 라우팅하고, 문제 유형 및 스킬 수준별로 작업을 할당하고, 스프린트 주기의 구체적인 다음 단계를 포함하는 간결한 보고서를 생성합니다.
현장에서 공유 언어 및 간결한 템플릿을 통해 협업을 구축하십시오. 살아있는 가이드에서 결정을 문서화하고 linkedin에서 업데이트를 공유하여 여러 팀과 향후 이정표를 조정합니다.
고급 워크플로는 여러 도구에 의존합니다. 문제가 발생하면 Warp 20은 샌드박스에서 구성 요소를 다시 작성한 다음 결과를 비교하고 주요 이점과 잔여 위험이 포함된 보고서를 제공했습니다.
개발자를 지원한다는 것은 언어에 구애받지 않는 인터페이스, 빠른 피드백 루프, 입력에서 출력까지 명확한 경로를 제공하는 것을 의미합니다. 사용자 필드에 입력으로 레이블을 지정하여 러시아어를 사용하지 않는 사람들에게 데이터가 시스템에 들어가는 위치를 상기시키십시오. 언어 전반에 걸쳐 유사한 작업에 대해 인터페이스를 직관적으로 유지하고 도구를 날카로운 편집을 위한 검으로 보십시오.
영향을 극대화하려면 예상되는 차단기를 추적하고, 간결한 보고서에서 메트릭을 수집하고, 매칭을 사용하여 지상 팀 간에 작업을 할당하십시오. AI 지원 코딩이 앞으로 몇 주 안에 달성할 수 있는 놀라운 사례를 강조하십시오.
협업을 위한 기본 규칙에는 결정 문서화, linkedin에서 진행 상황 공유, 유형 정의 정렬, 결과 구체화, 각 주기 শেষে 진행 상황의 주요 지표 제공이 포함됩니다.
에이전트 중심 개발 환경에서 AI 작업과 개발자 의도 정렬
코드 및 정책에서 의도 고정: 모든 AI 작업을 에이전트 개발 환경에서 개발자가 정의한 의도 계약에 바인딩합니다. 에이전트가 수행해야 할 작업에 대한 단일 출처가 존재해야 하며, 시스템은 해당 진실을 사람이 읽을 수 있는 문서와 기계 검사 가능한 제약 조건 모두에 유지해야 합니다. 제안된 작업을 제약 조건과 비교하고 차이가 발생하면 중단을 발생시키는 도구를 사용합니다. 실제 생산 환경에 적용하기 전에 단계별로 몇 달 동안 롤아웃하여 실제 시나리오에 대한 유효성을 검사하여 드리프트를 감지합니다. 팀은 제약 조건이 구체적인 검사와 어떻게 관련되는지 이해해야 합니다.
계층화된 프롬프트 방식 채택: 외부 프롬프트는 개발자 의도를 인코딩하고, 내부 정책은 경계를 적용하고, 검증 프롬프트는 관점에 대한 결과를 테스트합니다. 여러 프롬프트를 사용하여 범위를 좁게 유지하고, 실행 전에 안전 검색을 통해 제한 확인을 실행합니다. 제안이 오래된 정보나 과장에 의존하는지 여부를 평가하는 인지 확인을 포함하고 생성 위험을 측정합니다. ast 기반 컨트롤을 적용하여 구조의 유효성을 검사하고, 양날의 위험 모델을 적용하여 의도하지 않은 결과를 예측합니다. Google 또는 기타 신뢰할 수 있는 출처의 외부 신호로 결과를 상호 검토합니다. 내부 제약 조건과 외부 출처 모두에서 신호를 수렴하여 우수한 안정성을 목표로 합니다.
구체적인 정렬 점수표 게시: 의도 내 유지, 오프 타겟 생성 감소, 실제 워크플로에서 사용 가능한 결과물 제공 능력을 측정합니다. 각 작업을 트리거 프롬프트 및 검증된 제약 조건에 매핑하는 전체 감사 추적을 유지합니다. 신뢰할 수 없는 패턴을 제거하기 위해 인간 루프 확인을 통해 매월 인시던트 로그를 검토합니다. 백트래킹하거나 일관성 없는 가정을 드러내는 추론 단계와 같은 인지 지표를 추적하고, 이러한 통찰력을 적용하여 프롬프트와 제약 조건을 강화합니다. 개발자는 점수가 위험 및 사용자 영향과 어떻게 관련되는지 이해해야 합니다.
투명한 거버넌스 확립: 버전이 지정된 의도, 변경 승인, 진화하는 도구에 대한 안전성을 테스트하기 위한 주기적인 테이블탑 연습. 팀이 표면 검사에 만족하지 않도록 하고, 고정된 주기로 로그를 검토하고, 작업이 의도를 위반하는 경우 롤백 경로를 유지합니다. 정렬을 조정하고 실제 피드백을 캡처하기 위해 다양한 출처의 외부 벤치마크를 구합니다.
정렬에 대한 라이브 뷰 유지: 명확한 개발자 의도에 대한 지속적인 평가를 수행하고, 감사 가능한 로그를 유지하고, 인지 및 생성 패턴에 대한 분기별 검토를 예약합니다. 실제 사용자의 피드백을 활용하고 결과를 프롬프트 조정 및 제약 조건 업데이트에 통합합니다. 작성하는 기사는 향후 반복 작업을 위한 참조 자료로 사용될 수 있습니다. 팀은 결과를 검토하고, 개선 사항을 확인하고, 업데이트된 가드를 다음 스프린트로 푸시해야 합니다.
Warp AI를 IDE 및 코드 검토 워크플로에 임베딩
권장 사항: Warp AI를 개발자의 머신 또는 안전한 로컬 샌드박스에서 실행되는 인에디터 지원으로 배포하고, AI가 생성한 인라인 제안을 생성하고 GitHub 또는 GitLab PR에서 검토 작업을 할당하는 경량 코드 검토 플러그인과 페어링합니다. 이 설정은 컨텍스트를 코더에 가깝게 유지하고 피드백 루프를 가속화합니다.
실시간 코드 힌트, diff 디스플레이 중 자동 품질 검사, 구조화된 커밋 후 검토 요약의 세 가지 핵심 기능에 집중합니다. 간결한 프롬프트를 사용하고 필요한 컨텍스트만 제공하며 드리프트를 피하기 위해 실행이 결정적으로 유지되도록 보장합니다. 린트와 같은 검사, 유형 힌트, 보안 신호와 같은 좁은 범위로 시작합니다. 파일럿 팀에서 검토 속도를 20-40% 높이는 것을 목표로 합니다.
구현 팁: Warp를 인기 에디터용 IDE 확장 프로그램으로 구축하고, 로컬 실행 경로와 대형 모델용 선택적 클라우드 폴백을 제공합니다. 현재 파일, 주변 파일 및 최근 커밋을 포함하는 컨텍스트 창을 사용하되, 비밀 정보는 수정합니다. 피드백은 실행 가능한 인라인 주석과 팀원이 할당하거나 무시할 수 있는 AI 생성 항목이 포함된 별도의 PR 체크리스트로 반환합니다.
워크플로 설계: 검토 시 제안된 변경 사항, 위험 플래그 및 실행 메모가 포함된 전용 창이 표시됩니다. 팀 규칙은 중요한 문제를 담당자에게 할당하고, 문서화되지 않은 패턴에 플래그를 지정하고, 교훈을 바탕으로 프롬프트를 계속 개선합니다. 지저분한 diff를 보이게 유지하되 변경 사항이 권장되는 이유를 주석으로 표시합니다. 이렇게 하면 의사 결정 속도가 빨라지고 검토자 신뢰도가 향상됩니다.
지표 및 결과: 병합 소요 시간 감소, 주석 품질 향상, 인적 검토 후 승인되는 AI 생성 항목의 비율을 측정합니다. 최종 변경 사항을 추적하고 오탐을 모니터링합니다. 성공적인 파일럿은 속도, 정확성 및 유지 관리 용이성에서 꾸준한 향상을 보여야 합니다. 팀이 계속 개선할 수 있도록 교훈을 공개 피드 또는 내부 위키에 문서화합니다.
보안 및 거버넌스: Warp를 샌드박스에서 실행하고, 비밀 정보에 대한 액세스를 제한하고, 민감한 파일에 대한 옵트아웃을 제공합니다. 담당자에게 중요한 결과를 라우팅하는 데 할당을 사용하고, 문서화되지 않은 기능을 명시적 토글 뒤에 보관합니다. Jira, Trello 또는 Slack과 통합된 앱은 프로젝트 보드에 업데이트를 푸시하고 팀을 정렬 상태로 유지할 수 있습니다.
채택 및 문화: 한 팀에서 파일럿을 시작하고, 투명성을 유지하기 위해 LinkedIn 및 내부 채널에 초기 학습 내용을 게시하고, 협업 공간에 피드백을 보관합니다. 그들은 프롬프트를 반복적으로 개선하고, 토큰 사용량을 공유하고, 코더 워크플로가 혼란스럽지 않고 자연스럽게 느껴지도록 배포를 발전시킬 것입니다.
AI 기반 기능을 통한 수익 창출: 가격 책정, 채택 및 ROI
고정 기본 플랜과 팀의 요구 사항에 맞는 명확한 추가 기능으로 시작한 다음, 사용량 기반 가격을 책정하여 채택이 증가함에 따라 가치를 포착합니다. 이러한 AI 기반 기능의 지휘자는 대화, 코더 및 어시스턴트를 완전한 프로젝트 결과로 조정하여 커밋을 가속화하고 앱 내 워크플로에서 측정 가능한 결과를 제공합니다.
가격 책정 모델
- 기본 플랜(사용자당 월별): 29 USD. 코드 제안, 대화형 안내, 기본 작업 추적과 같은 핵심 AI 기능이 포함됩니다. 이 고정 가격은 환경을 처음 시작하는 팀에게 예측 가능한 비용을 만듭니다.
- 성장 플랜(사용자당 월별): 59 USD. 다중 프로젝트 대시보드, 향상된 어시스턴트 및 확장된 거버넌스 제어가 추가되었습니다. 여러 시스템과 리포지토리에서 확장되는 팀을 지원합니다.
- 엔터프라이즈 플랜(맞춤형 가격): 개인 배포, SSO, 고급 감사 추적, 전담 성공 관리자 및 사용자 지정 가능한 규정 준수가 포함됩니다. 규제 환경 및 대규모 조직에 적합합니다.
- 추가 기능(사용량 기반):
- 프로젝트 자동화: 프로젝트당 월별 29 USD. 백로그에서 커밋까지 자동화된 워크플로를 구동하여 CI/CD 파이프라인의 수동 단계를 줄입니다.
- 프리미엄 어시스턴트: 사용자당 월별 12 USD. 복잡한 코더 워크플로에 대한 더 깊은 컨텍스트, 더 풍부한 대화 및 더 빠른 문제 해결을 잠금 해제합니다.
- 문서 툴킷: 성장 및 엔터프라이즈에 포함, 기본에 대한 선택 사항; 앱 내 가이드, API 문서 및 PR 노트를 생성하여 채택을 가속화합니다.
- 결제 주기
- 기본적으로 매월; 연간 선불 결제는 티어에 따라 20% 미만으로 비용을 낮추어 연간 ROI를 보다 간단하게 계산할 수 있습니다.
채택 및 롤아웃 전략
- 주간별 계획으로 온보딩: 1주차에는 문서 및 리포지토리 설정에 집중하고, 2주차에는 어시스턴트와의 대화를 늘리고, 3주차에는 프로젝트 자동화를 도입하고, 4주차에는 다중 프로젝트 워크플로로 확장합니다.
ROI 프레임워크 및 측정
- 프로젝트 또는 분기별 주요 지표(사이클 시간, PR 처리량, 결함 재작업, 시간당 비용)를 정의합니다. 이러한 지표를 비즈니스 목표와 연계하여 빠른 성공이 투명하게 나타나도록 합니다.
- 순이익 계산: 자동화 및 빠른 대화로 절약된 시간, 재작업 감소, 주당 달러로 캡처된 가치. 월별 라이선스 및 추가 비용을 빼서 순이익을 구합니다.
- ROI 공식: ROI = (기간별 순이익 − 비용) / 비용. 분기별로 비율을 추적하여 궤도가 지속적으로 긍정적으로 유지되고 성장하는지 확인합니다.
- 기준 설정: AI 기능을 광범위하게 롤아웃하기 전에 최소 2주 동안 데이터를 수집한 다음 온보딩 후 4주 창과 비교하여 영향을 정량화합니다.
- 인앱 분석 및 간단한 기사 스타일 보고서를 사용하여 진행 상황을 이해 관계자에게 전달합니다. 일반적인 약속 대신 구체적인 결과에 초점을 맞춥니다.
구체적인 ROI 예시
- 팀 규모: 개발자 8명; 기본 사용자: 8명; 기본 월별 비용: 8 × 29 = 232 USD.
- 추가 기능: 자동화 기능이 있는 프로젝트 2개, 각 29 USD; 총 추가 기능: 58 USD; 월별 라이선스 비용: 290 USD.
- 가정된 이점: 자동화된 지침 및 간소화된 대화로 인해 개발자당 주당 1.5시간 절약; 시간당 요금: 60 USD.
- 시간 절약 가치: 개발자 8명 × 주당 1.5시간 × 4주 × 60 USD = 월 2,880 USD.
- 추가 결함 감소 및 처리량 증가: 재작업 절감 및 빠른 PR 완료로 인한 가치로 월 500 USD로 추정.
- 총 월별 이점: 3,380 USD. 연간 이점: 40,560 USD.
- 순 연간 ROI: (40,560 − 3,480) / 3,480 ≈ 10.7배.
- 핵심 내용: 이 시나리오에서는 AI 기반 기능을 통한 수익 창출이 빠르게 회수되며, 팀이 더 많은 프로젝트를 할당하고 저장소 전체에서 어시스턴트를 확장함에 따라 이익이 복합적으로 증가합니다.
지속 가능한 성장을 위한 운영 플레이북
- 사용량과 팀 규모에 따라 확장되는 완전한 가격 모델을 약속합니다. 고정된 기본 비용을 예측 가능하게 유지하면서 프로젝트 볼륨이 증가함에 따라 라인 아래 채택이 증가하도록 허용합니다.
- 채택 실험 및 결과를 문서화합니다. 다른 사람들이 재사용할 수 있도록 성공적인 워크플로우 및 지침 저장소를 유지 관리합니다.
- 윤리적 사용, 데이터 처리 및 모델 프롬프트에 대한 거버넌스를 도입합니다. 모든 프로젝트가 일관된 표준을 채택하고 개인 정보를 존중하는지 확인합니다.
- 프로젝트 전반의 주간 진행 상황을 추적하여 초기 리더를 식별하고 입증된 패턴을 팀 전체에 공유합니다.
- 기능 도입 및 가치 제공을 정기적으로 검토합니다. 실현된 이점과 시장 수요를 반영하도록 가격 책정 또는 추가 기능을 조정합니다.
운영 참고 사항 및 언어 고려 사항
- 커뮤니케이션에서 명확한 용어("문서", "저장소", "프로세스" 및 "대화")를 사용하여 팀이 가치를 일상 업무에 연결할 수 있도록 돕습니다.
- 엔지니어링 외부의 사람과 ROI에 대해 논의할 때는 이점을 실제 결과(더 빠른 커밋, 더 적은 결함, 더 원활한 프로젝트 핸드오프)에 연결합니다.
- 보정 상태를 엄격하게 유지합니다. 기사 스타일 업데이트에서는 측정 가능한 이점과 팀이 이를 달성하기 위해 취한 구체적인 단계를 강조해야 합니다.
- 윤리적 경계를 존중하고 기능의 신뢰성과 설명 가능성을 보장합니다. 윤리적 사용은 도입률과 장기적인 가치를 높입니다.
- 고정 비용과 변동 수익을 모니터링합니다. 매주 눈에 띄는 개선 사항을 보여주어 도입률을 높이는 것을 목표로 합니다.
결론
견고한 고정 기반과 투명한 추가 기능, 체계적인 도입 계획 및 엄격한 ROI 추적을 결합한 가격 정책은 AI 기반 기능을 측정 가능한 비즈니스 결과로 전환합니다. 처리량의 실질적인 증가와 재작업 감소를 입증함으로써 팀은 투자를 정당화하고, 추진력을 가속화하며, 프로젝트, 시스템 및 워크플로 전반에서 성장을 유지할 수 있습니다. 이 방법은 앱 내 기능과 AI가 제공하는 대화형 에지를 최대한 활용하여 코드 리포지토리와 같은 기술적인 것을 가치 창출의 명확한 경로로 전환합니다.
코드 품질 개선 측정: 지표, 대시보드 및 사례 결과
코드 1,000줄당 결함 밀도, PR 리드 타임, 유닛 테스트 범위, 순환 복잡도 및 코드 검토 재작업률의 5가지 구체적인 지표를 사용하여 기준선을 설정하는 것으로 시작합니다. 이 시작점은 팀에 자연스러운 진행 상황 참조와 개선을 위한 경로를 제공합니다. 시스템의 여러 부분에서 이러한 지표에 맞게 대시보드를 조정하여 단일 영역에서 편향이 발생하지 않도록 합니다.
모듈별, 이슈별 및 할당 대상자별로 추세를 한눈에 보여주는 대시보드를 디자인합니다. 병합 시간, CI 실패율 및 테스트 오류 횟수와 회귀 게이지를 표시합니다. 이상 징후를 표시하고 보고서 생성 주기를 트리거하는 인앱 위젯을 포함하여 팀이 변경 사항에 신속하게 대응할 수 있도록 합니다.
github 및 CI 파이프라인에서 데이터를 소싱한 다음 검색 및 필터링을 적용하여 관련 신호를 추출합니다. 각 지표를 소유자 책임이 있는 사용자에게 매핑하고, 추적 가능성을 위해 이를 이슈에 연결합니다. ist источник 데이터 내보내기를 사용하여 기준선을 정확하고 반복 가능하게 유지하여 여러 세대의 코드에서 결과를 재현할 수 있도록 합니다.
자동화는 추진력을 제공합니다. 대시보드는 야간마다 자동으로 업데이트되며, 보고서 생성 단계는 클릭 한 번으로 또는 워크플로의 트리거에 의해 시작될 수 있습니다. 이렇게 하면 수동 오버헤드 없이 이해 관계자가 조정되고 팀의 원활한 협업 루프가 지원됩니다.
사례 결과는 구체적인 이점을 보여줍니다. 8주 파일럿에서 결함 밀도는 0.92에서 0.63 결함/KLOC로 감소했고, 테스트 범위는 68%에서 82%로 증가했으며, PR 리드 타임은 4.8일에서 2.3일로 단축되었고, 코드 검토 재작업은 11%에서 5%로 감소했습니다. 이슈 분류 속도를 개선하고 사용자가 사이클 초기에 소유자를 할당할 수 있도록 권한을 부여하여 원시 숫자 이상으로 발전했으며, 이는 모듈 및 세대의 작업 전반에 걸쳐 꾸준한 전진 운동을 강화했습니다.
Lloyd는 지표를 집중적이고 실행 가능하게 유지하는 실용적인 프레임워크를 설계했습니다. 두 개의 리포지토리 파일럿으로 시작한 다음, 자신감이 생김에 따라 세 개의 구성 요소로 확장했습니다. 팀은 소유권을 성문화하고, 대시보드를 사용하여 위험이 높은 영역을 식별하고, 간결한 보고서를 공유하여 지속적인 개선 세대를 촉진함으로써 발전할 수 있습니다.
거버넌스 및 보안: AI 지원 코딩을 위한 위험 통제
모든 제품에 대한 전담 위험 소유자, 병합 전 AI 제안 코드에 대한 필수 2인 검토와 함께 공식적인 AI 위험 거버넌스 프레임워크를 구현합니다. 이렇게 하면 회사 제품 전반에 걸쳐 유사한 통제가 확립되고 안전 기대치가 기술 팀과 일치하게 됩니다.
입출력 규율 강화: 모든 프롬프트, 입력 및 차이점을 기록하고 프롬프트를 프로덕션 보안 정보와 분리합니다. 감사를 지원하기 위해 안전한 샌드박스를 사용하여 생성을 수행하고 액세스 제어되고 변경 불가능한 로그 저장소에 출력을 저장합니다.
벤치마크 및 지표 정의: 코드 1,000줄당 보안 결함, AI 변경 사항 검증 시간, 첫 시도에 유효성 검사를 통과하는 비율을 추적합니다. 이러한 벤치마크를 사용하여 보안, QA 및 개발 팀 간의 협업을 유도하고 이해 관계자에게 진행 상황을 보여줍니다.
데이터 경계에서 데이터 노출 및 거버넌스 제한: 프롬프트에서 보안 정보를 마스킹하고, 키를 순환하고, 사용 후 모델 토큰을 폐기합니다. 프로덕션이 아닌 입력으로 학습 데이터를 제한하는 정책인 adicionar와 함께 출처 및 설명 가능성에 대한 더 심층적인 제어를 유지합니다. 타사 AI 위험에 대한 Lloyds 지침을 포함하여 업계 기대치에 부합하고 공급업체와의 계약 언어를 알려야 합니다.
보안, 법률, 제품 및 엔지니어링 간의 협업 강화; 책임자가 문서화되어 있고; 일반적인 작업에 대한 일치 패턴을 보여주는 예제 중심 접근 방식을 만듭니다. 팀을 가장 빠르고 안전한 AI 지원 작업으로 이동시키는 경로를 구축합니다.
| 영역 | 제어 | 소유자 | 빈도 | 지표 |
|---|---|---|---|---|
| 입력 관리 | 보안 정보 마스크; 프롬프트 삭제; 프롬프트에서 보안 정보 금지 | 보안 책임자 | 릴리스당 | 보안 정보 누출 제로; 안전한 길이로 다듬어진 프롬프트 |
| 모델 및 데이터 위험 | 승인된 공급자 사용; 감사 로깅 활성화; 모델 출처 | AI 거버넌스 | 지속적 | 감사 통과율; 드리프트 검사 |
| 코드 통합 | 2인 검토; 테스트 하니스; 단위 테스트 | 엔지니어링 책임자 | PR당 | 결함 밀도; 롤백 비율 |
| 데이터 보존 및 출처 | 로그 보존; 설명 가능성; 데이터 계보 | 준수 | 분기별 | 보존 준수; 계보 완전성 |
외부 관계에서는 타사 AI 위험에 대한 Lloyds 기대치에 부합해야 합니다. 계약에 데이터 처리, 모델 출처, 사고 보고 및 감사 권한을 명시해야 합니다. 이는 유사한 파트너 프로그램을 지원하고 가장 빠르게 움직이는 기술 제품 전반에 걸쳐 위험 태세를 강화합니다.
다음 단계: 거버넌스를 검증하고 피드백을 수집하고 제어를 조정하기 위해 소규모 저장소 세트로 파일럿을 실행합니다. 팀이 가치를 제공하면서 안전하게 확장할 수 있도록 입력, 차이점 및 유효성 검사 주기를 강화하여 학습 내용을 바탕으로 더 광범위한 채택으로 이동합니다.
