도켓 vs AirLLM

도켓 장단점

• 캔버스, 아이프레임, 섀도우 DOM과 같이 기존 Playwright나 Cypress에서 셀렉터로 접근하기 극도로 어려웠던 비표준 요소들을 좌표 기반으로 확실하게 테스트할 수 있어, 그래픽 에디터나 복잡한 웹 앱의 QA 자동화에 유용합니다. DOM 구조가 변경되어도 클릭 위치가 동일하면 테스트가 깨지지 않아, 프론트엔드 리팩토링이 잦은 환경에서도 테스트 유지보수 부담을 줄여줍니다. 결정론적 접근 방식 덕분에 테스트 실행 결과가 일관되고 디버깅이 직관적이며, 픽셀 단위 정밀도로 인해 버튼 내 특정 영역 클릭 같은 세밀한 상호작용도 검증 가능합니다.

• 좌표 기반 방식은 브라우저 창 크기, 화면 해상도, 줌 레벨에 따라 클릭 위치가 달라질 수 있어 반응형 웹이나 다양한 뷰포트 테스트에는 추가적인 좌표 변환 로직이 필요합니다. CSS 셀렉터 방식과 달리 UI 요소의 의미적 정보(ID, data-testid 등)를 활용하지 않아 테스트 코드만 보고 어떤 요소를 클릭하는지 파악하기 어려워 가독성과 유지보수 측면에서 단점이 있을 수 있습니다. 또한 상대적으로 신생 도구라 커뮤니티 규모가 작고 Stack Overflow나 블로그 등에서 한글 자료나 트러블슈팅 예시를 찾기 어려워, 도입 시 영문 문서 위주로 학습해야 하는 부담이 있습니다.

AirLLM 장단점

• 매우 적은 GPU 메모리로 대형 언어 모델 실행 가능
• 다양한 최신 오픈소스 모델 계열 지원
• Transformers와 유사한 간단한 Python 사용 방식
• Apache License 2.0 기반의 공개 소스

• 레이어를 저장 장치에서 읽어 실행하므로 추론 속도가 느릴 수 있음
• 모델 변환과 캐시 생성에 상당한 디스크 공간이 필요할 수 있음
• CUDA, PyTorch, Transformers 등 환경 의존성이 존재함

도켓 주요 기능

• 비전 기반 테스트: 화면 좌표(X,Y) 방식으로 캔버스·아이프레임·팝업 포함 모든 UI 테스트
• 셀프힐링(Self-Healing): 앱 변경 시 클릭 위치 자동 업데이트
• AI 스텝: 실시간 실행으로 수동 스크립팅 없이 유연한 테스트 커버리지
• 재사용 가능한 액션 캐시: 로그인·폼 작성 등 공통 동작 저장 및 재활용
• 자연어 명령으로 테스트 시나리오 작성

AirLLM 주요 기능

• 레이어 단위 모델 스트리밍으로 GPU 메모리 사용량 절감
• 단일 4GB GPU에서 70B급 모델 추론 지원
• Hugging Face 모델 ID 기반 AutoModel 인터페이스
• 4비트·8비트 블록 단위 모델 압축
• CPU 추론 및 Apple Silicon macOS 지원
• Llama, Qwen, DeepSeek, Mistral 등 다양한 모델 계열 지원