JProfiler 16.1: 이제 AI 에이전트가 Java 애플리케이션을 프로파일링할 수 있습니다
JProfiler 1.0 이래로 프로파일링은 개발자가 GUI로 수행하는 작업이었습니다. 세션을 시작하고, 뷰를 탐색하고, 데이터를 해석합니다. 실제로 이는 컨텍스트 전환을 정당화할 만큼 문제가 심각할 때만 성능 분석이 이루어진다는 뜻이며, 많은 문제가 프로파일링조차 거치지 않은 채 프로덕션으로 배포됩니다.
JProfiler 16.1에서는 프로파일링의 작동 방식을 바꾸고 있습니다. 이제 AI 코딩 에이전트가 Java 애플리케이션을 프로파일링하고, 결과를 분석하며, 그 결과에 따라 조치를 취할 수 있습니다. 이는 JProfiler가 시작된 이래 개발자의 프로파일링 활용 방식에서 가장 큰 변화입니다.
@ej-technologies/jprofiler-mcp npm 패키지로 제공되는 새로운 JProfiler MCP 서버는 Model Context Protocol을 통해 JProfiler의 프로파일링 및 힙 분석 기능을 노출합니다. Claude Code, Cursor, Codex, Gemini CLI를 비롯해 MCP를 지원하는 모든 AI 코딩 도구와 함께 작동합니다.
문제: AI 에이전트는 런타임 동작을 볼 수 없습니다
AI 코딩 에이전트는 코드를 읽고, 구현을 생성하고, 테스트를 실행하는 데 탁월합니다. 하지만 런타임에서 무엇이 일어나는지는 볼 수 없습니다. 에이전트에게 성능 문제 해결을 요청하면 코드 패턴을 바탕으로 추측할 수밖에 없습니다. 실제로 어떤 메서드가 느린지, 어떤 데이터베이스 쿼리가 실행 시간을 지배하는지, 메모리가 어디에서 소모되는지 알 수 없습니다.
JProfiler 16.1은 MCP를 통해 프로파일링 데이터를 노출함으로써 이 격차를 해소하고, 지금까지 JProfiler가 사람 개발자에게 제공해 온 것과 동일한 성능 가시성을 AI 에이전트에 부여합니다.
핫스팟에서 근본 원인까지
에이전트는 이 전체 과정을 하나로 연결할 수 있습니다. 에이전트가 애플리케이션을 프로파일링하고, JDBC 쿼리가 실행 시간을 지배한다는 사실을 발견하며, 원인이 되는 구체적인 쿼리를 식별합니다. 이어서 중복된 데이터베이스 호출을 제거하도록 코드를 수정하고, 개선 여부를 확인하기 위해 다시 프로파일링하며, 구체적인 수치와 함께 개선 전후 비교를 제시합니다. 개발자가 JProfiler GUI를 열 필요 없이 진단부터 검증된 수정까지 완전한 성능 엔지니어링 주기가 완성됩니다.
에이전트는 추측이 아니라 실제 런타임 데이터를 기반으로 작업합니다. 그리고 스냅샷을 비교할 수 있기 때문에 수정이 실제로 효과가 있었음을 입증할 수 있습니다.
에이전트가 실제로 따르는 가이드형 워크플로
에이전트가 올바르게 사용할 수 있는 MCP 서버를 만드는 일은 겉보기에 보이는 것보다 어렵습니다. 우리는 에이전트가 전문가가 JProfiler를 사용하는 방식을 그대로 반영하는 프로파일링 워크플로를 안정적으로 따르도록 도구를 신중하게 설계하고 테스트했습니다. 에이전트는 먼저 대상 애플리케이션에 대한 프로파일링을 설정합니다. 테스트 실행이 완료되면 데이터 가용성을 확인합니다. 그런 다음 시간이 어디에 소요되는지 파악하기 위해 초기 집계 핫스팟 뷰를 조회합니다. 이후 호출 체인을 따라가며 근본 원인까지 특정 핫스팟을 상세 분석합니다. 각 단계가 자연스럽게 다음 단계로 이어집니다.
각 단계의 데이터는 신중하게 필터링되어, CPU 핫스팟, JDBC 및 JPA 쿼리, HTTP 호출, MongoDB 작업, 힙 덤프 등 무엇을 분석하든 에이전트가 방대한 정보에 압도되지 않고 중요한 내용만 볼 수 있습니다. 로컬 및 컨테이너화된 JVM의 라이브 프로파일링 외에도, 에이전트는 기존의 JProfiler, HPROF 또는 JFR 스냅샷을 불러와 분석할 수 있습니다.
시작하기
설정은 완전히 간소화되어 있습니다: MCP 서버가 첫 사용 시 JProfiler 바이너리를 자동으로 설치하고, MCP 프로토콜을 통해 라이선싱을 처리합니다. Claude Code에서는 단 한 줄의 명령이면 됩니다:
claude mcp add jprofiler -- npx -y @ej-technologies/jprofiler-mcp@latest
MCP 설정 페이지에서 Codex, Gemini CLI, Junie 등 MCP를 지원하는 다른 도구에 대한 설정 방법을 확인할 수 있습니다.
성능 문제는 늘 개발자가 몰입 상태에서 벗어나 도구를 전환하고 컨텍스트를 처음부터 다시 쌓아야 하는 일을 요구했습니다. JProfiler 16.1에서는 AI 에이전트가 이 모든 작업을 대신 수행합니다. 문제를 설명한 바로 그 대화에서 프로파일링하고, 진단하고, 수정하고, 검증합니다. 실제 프로파일링 세션에 대한 상세한 워크스루를 이후 게시물에서 계속 소개할 예정입니다.