Visual Studio 2022 Copilot vs Copilot CLI 아키텍처 비교

공통점

• 동일한 GitHub Copilot 백엔드 인프라 사용
• GitHub 인증 및 라이선스 공유

주요 차이점

1. 컨텍스트 수집 (전처리)

구분	Visual Studio 2022	Copilot CLI
컨텍스트 소스	Semantic Index (의미론적 인덱스)	MCP (Model Context Protocol) 서버
코드 이해	정의/참조 위치, 심볼 정보, 타입 정보	파일 시스템, Git 상태, GitHub API
범위	열려있는 솔루션/프로젝트 전체	현재 디렉토리 + MCP 서버가 제공하는 데이터

Visual Studio:

[소스코드] → [Semantic Indexing Service] → [정의/참조/심볼 추출] → [LLM 컨텍스트 구성]

• LSP(Language Server Protocol) 기반으로 코드 구조 파악
• 클래스 정의, 메서드 시그니처, 참조 관계 등을 인덱싱
• BlingFire 등의 토크나이저로 코드 분석

Copilot CLI:

[프롬프트] → [MCP 서버 조회] → [파일/GitHub 데이터 수집] → [LLM 컨텍스트 구성]

• MCP 서버를 통해 외부 도구/데이터 소스 연결
• 파일 시스템 직접 접근
• GitHub API를 통한 PR, 이슈 등 조회

---

2. 아키텍처 구조

---

3. 후처리

구분	Visual Studio 2022	Copilot CLI
응답 처리	코드 삽입 위치 계산, 들여쓰기 조정, 문법 검증	명령어 실행, 파일 수정, Git 작업 수행
실행 방식	사용자가 Accept/Reject 결정	Agentic 루프 (자동 계획-실행-평가)
안전장치	IDE 내 Undo/Redo	도구 실행 전 사용자 승인 요청

---

4. 기본 LLM 모델

구분	Visual Studio 2022	Copilot CLI
기본 모델	시간에 따라 변경됨 (선택 가능)	Claude Sonnet 4.5
모델 선택	설정에서 변경 가능	기본 고정

---

요약

측면	Visual Studio 2022	Copilot CLI
전처리	Semantic Index 기반 정적 분석	MCP 기반 동적 데이터 수집
통신	LSP + vs-streamjsonrpc	MCP (Model Context Protocol)
철학	IDE 통합, 코드 완성 중심	Agentic, 작업 자동화 중심
컨텍스트	프로젝트/솔루션 범위	파일시스템 + 외부 서비스
확장성	VS 확장 모델	커스텀 MCP 서버

핵심 차이는 컨텍스트 수집 방식이다:

• VS 2022는 정적 코드 분석 인덱스로 풍부한 코드 구조 정보 제공
• CLI는 MCP 프로토콜로 다양한 외부 도구/데이터 소스에 동적 접근

---

Semantic Index vs MCP: 핵심 차이

1. 근본적인 철학

구분	Semantic Index	MCP
접근 방식	컴파일러 기반 정적 분석	런타임 동적 조회
데이터 준비	사전 인덱싱 (미리 분석)	요청 시 조회 (Just-in-time)
데이터 범위	코드 구조 + 의미	모든 외부 데이터 소스

---

2. Semantic Index (Visual Studio)

작동 원리:

제공하는 정보:

// 예: 사용자가 "Person" 클래스 관련 코드 완성 요청 시

class Person {
    string Name;  // ← 인덱스가 이 정의를 알고 있음
    int Age;      // ← 타입 정보도 알고 있음
};

void foo() {
    Person p;
    p.  // ← Copilot이 "Name", "Age"를 정확히 제안 가능
}

Semantic Model이 답할 수 있는 질문들:

• “이 위치에서 사용 가능한 이름(변수/함수)은?”
• “이 메서드에서 접근 가능한 멤버는?”
• “이 이름/표현식이 참조하는 것은?”
• “이 블록에서 사용된 변수는?”

최신 기능 (Remote Semantic Search - VS 17.14+):

• 키워드 매칭(BM25) + AI 벡터 임베딩 결합
• “fetch user credentials” ↔ “get authentication token” 의미적 연결
• 함수의 목적, 변수의 의도, 주석의 맥락까지 이해

---

3. MCP (Model Context Protocol)

작동 원리:

MCP 서버가 노출하는 3가지:

실제 동작 흐름:

1. 사용자: “이 PR의 리뷰 코멘트 정리해줘”
2. LLM 판단: GitHub MCP 서버의 get_pr_comments 도구 필요
3. MCP Client → GitHub Server:

   {
     "method": "tools/call",
     "params": { "name": "get_pr_comments", "arguments": { "pr": 123 } }
   }
   

4. GitHub Server: GitHub API 호출 → 결과 반환
5. Client → Host: 결과를 LLM 컨텍스트에 추가
6. LLM: 결과 기반으로 최종 응답 생성

---

4. 핵심 차이 비교

측면	Semantic Index	MCP
데이터 소스	소스코드만	무엇이든 (파일, API, DB, 웹)
분석 깊이	컴파일러 수준 (타입, 심볼, 참조)	도구가 반환하는 것만큼
시점	빌드/편집 시 사전 인덱싱	쿼리 시 실시간 조회
코드 이해	깊이 이해 (타입 추론, 상속)	텍스트 수준
외부 연동	불가능	무제한 확장
응답 속도	빠름 (미리 인덱싱)	도구 실행 시간에 의존

---

5. 실제 예시로 보는 차이

질문: “이 함수에서 사용하는 Person 클래스의 모든 속성을 알려줘”

Semantic Index (VS):

1. 인덱스 조회 → Person 클래스 정의 위치 즉시 파악
2. SemanticModel에서 멤버 목록 추출
3. 타입 정보까지 포함하여 LLM에 전달

결과: { Name: string, Age: int, Address: Address, ... } (타입, 접근제한자, 상속 관계까지 정확)

MCP (CLI):

1. File Server의 read_file 도구로 소스 파일 읽기
2. grep/search 도구로 “class Person” 찾기
3. 파일 텍스트를 LLM에 전달
4. LLM이 텍스트 파싱해서 추론

결과: 텍스트 기반 추론 (컴파일러 수준 정확도 아님)

---

6. 왜 이런 차이가 있을까?

VS Copilot	Copilot CLI
목적: IDE 내 코드 작성 지원	목적: 범용 자동화 에이전트
코드 정확성이 최우선	다양한 작업 수행이 최우선
프로젝트 범위 내 깊은 이해	넓은 범위의 얕은 접근
컴파일러와 긴밀한 통합	어디서든 독립 실행

---

결론

Semantic Index = 컴파일러가 이미 알고 있는 것을 LLM에게 전달 (정적 분석, 사전 인덱싱, 코드 특화)

MCP = LLM이 필요할 때 외부에 물어보는 것 (동적 조회, 실시간, 범용 확장)

VS Copilot은 “코드를 깊이 이해”하는 데 최적화되어 있고, Copilot CLI는 “무엇이든 할 수 있는 확장성”에 최적화되어 있다.