
React Query 캐시 전략에 대한 고찰
React Query의 staleTime, gcTime, 키 팩토리, 무효화 전략을 중심으로 캐시 운영법을 정리했습니다. 전역 기본값과 직접 갱신을 통해 불필요한 재요청과 화면 깜빡임을 줄이는 방법을 제안했습니다.

React Query의 staleTime, gcTime, 키 팩토리, 무효화 전략을 중심으로 캐시 운영법을 정리했습니다. 전역 기본값과 직접 갱신을 통해 불필요한 재요청과 화면 깜빡임을 줄이는 방법을 제안했습니다.

기획전 API의 중복 조회와 중첩 저장 구조를 분리해 성능을 개선한 사례를 다뤘습니다. 다만 구조 분리만으로는 충분하지 않아 실제 조회 패턴과 운영 부하까지 함께 고려해야 했습니다.

다이얼로그 수정 폼에서 useEffect 기반 수동 바인딩으로 발생한 상태 꼬임 문제를 정리했습니다. React Hook Form의 values로 선언적 동기화를 적용해 잔상과 레이스 컨디션을 줄였습니다.

모노레포를 유지하면서도 모놀리스화를 막기 위한 프론트엔드 계층 구조와 규칙을 설명했습니다. 공통 패키지 남용을 줄이고 의존성과 변경 전파를 제어하는 방법을 정리했습니다.

생성형 AI의 한계를 넘기 위해 개발 전 과정을 AI와 함께 수행하는 AI-DLC 방법론을 소개했습니다. 기획부터 운영까지 컨텍스트와 이력을 보존하는 워크플로우를 통해 엔터프라이즈 개발 생산성을 높이는 접근을 다뤘습니다.
![[의존성의 방향을 따라 2/5] 의존 그래프를 읽는 Planner](https://flex.team/blog/og/main.jpg)

레포 간 의존성을 그래프로 복원해 변경 전파 순서를 자동 계산하는 Planner를 설명했습니다. 또한 Kotlin과 Spring Boot처럼 변경 유형에 따라 upstream-first와 downstream-first를 구분하는 방법을 정리했습니다.
![[AI가 읽을 수 있는 코드베이스 5/5] AI 접근성 등급으로 보는 코드베이스](https://cdn.sanity.io/images/v31psllp/production/fa5b3c7e2429ae8264908c69c7d665726ffd5940-1684x1030.png)

코드 품질만으로는 AI 코딩 에이전트의 작업 가능성을 설명할 수 없다는 점을 다뤘습니다. 구조적 일관성과 빌드 가드레일이 AI 접근성을 높이는 핵심이라고 정리했습니다.

AI에게 에디터 성능 개선을 맡겨 Auto Research 루프를 실험했습니다.\n평가 지표 설계가 핵심이었고, 실제 체감 성능에 맞는 벤치마크가 중요하다고 정리했습니다.
![[미래를 담아낸 뼈대 7/7] 의존성의 방향을 따라](https://cdn.sanity.io/images/v31psllp/production/85a2456afffb0f96fb7c09ce89e31b7ad3400ab7-1684x1030.png)

의존성 그래프를 따라 마이그레이션을 자동 전파하는 Evergreen 구조를 소개했습니다. 표준화된 빌드 규칙과 AI 보조로 대규모 버전업을 빠르게 처리했습니다.

공통 컴포넌트를 언제 만들고 언제 정리할지에 대한 팀의 판단 기준을 공유했습니다. 재사용성보다 유지 비용과 실제 사용성을 함께 보며 질문을 더 자주 남기자는 내용입니다.

라포랩스 Server Engineer들이 치열한 논의와 책임 있는 실행을 바탕으로 일하는 방식을 소개했습니다. 또한 AI 활용, 피드백 문화, 성장 기회와 과제까지 조직의 밀도를 보여주었습니다.

병원 예약을 진료 항목별 가변 슬롯 구조로 전면 개편한 사례를 다루었습니다. 동시성 제어와 추적 가능성을 위해 분산 락과 개별 레코드 기반 카운팅도 도입했습니다.