OpenClaw 구축·운영 (19/26) — 텔레그램 연동: 24시간 AI 비서

-
스마트폰 속으로 들어온 24시간 AI 비서 — OpenClaw 텔레그램 연동 가이드

OpenClaw 텔레그램 연동 — 봇 설정부터 보안 제어, 토픽 분리 라우팅까지

핵심 요약

  • 텔레그램을 AI 에이전트의 프론트엔드로 사용하면 모바일/데스크톱 끊김 없는 접근성을 얻는다
  • dmPolicy: pairing과 groupPolicy: allowlist로 보안을 확보한다
  • 포럼 그룹의 토픽 분리와 중앙 라우팅 설정으로 정보를 주제별로 자동 분류한다

배경

AI 에이전트가 로컬 서버에서 24시간 가동된다면, 사용자는 어떻게 소통해야 할까? CLI 터미널이나 웹 UI도 가능하지만, 나는 매일 수십 번씩 열어보는 텔레그램을 선택했다. 모바일과 데스크톱을 오가며 대화할 수 있고, 크론 작업 결과를 실시간 푸시 알림으로 받아볼 수 있다.

본문

텔레그램 연동 기본 설정

@BotFather에서 봇을 생성하고 API 토큰을 발급받아 openclaw.json에 기입하면 된다.

{
  "channels": {
    "telegram": {
      "enabled": true,
      "dmPolicy": "pairing",
      "botToken": "...",
      "groupPolicy": "allowlist",
      "streaming": "partial"
    }
  }
}
포럼 그룹을 활용한 토픽 분리

보안 제어

텔레그램 봇은 기본적으로 누구나 검색해서 말을 걸 수 있다. 개인 데이터와 API 권한을 쥔 AI 비서를 아무나 사용할 수 있다면 심각한 보안 사고다.

  • dmPolicy: pairing: 새 사용자가 메시지를 보내면 페어링 코드를 요구한다. 서버 관리자가 발급한 일회성 코드 입력 시에만 대화가 허용된다
  • groupPolicy: allowlist: groupAllowFrom에 등록된 사용자의 명령에만 반응한다. 그룹에 낯선 사람이 난입해도 에이전트는 무시한다
중앙 라우팅 설정

포럼 그룹을 활용한 토픽 분리

토픽 Thread ID 용도
Research & Analysis 61 리서치 결과, 시장 스캔, AI 동향
Memory & Recall 63 Reflect 정리 결과, 메모리 변경 알림
Heartbeat & Cron 65 시스템 상태 보고, 스케줄 작업 결과
General Workflow 48 일상 대화 및 명령
Mir 자기개선 관리방 2 자체 리뷰 결과 (별도 보안 그룹)

중앙 라우팅 설정

{
  "routingRules": [{
    "source": "researcher",
    "targetTopicKey": "research-analysis",
    "deliveryTo": "-1003697192346:topic:61",
    "enabled": true,
    "fallbackTopicKey": "general-workflow"
  }]
}

fallbackTopicKey는 토픽이 삭제되거나 권한 오류 발생 시 메시지가 증발하지 않도록 안전망으로 우회시킨다.

크론 작업 결과 배달

격리된 세션(sessionTarget: "isolated")에서 실행되는 크론 작업은 반드시 delivery 블록을 명시해야 한다. 누락하면 크론은 실행되어 비용은 발생하지만 결과가 어디로도 전송되지 않는다.

{
  "name": "stock-scan",
  "sessionTarget": "isolated",
  "delivery": {
    "mode": "announce",
    "channel": "telegram",
    "to": "-1003697192346:topic:61"
  }
}

시행착오 / 주의사항

  • streaming: "partial" 설정 시 LLM 생성 중간에 메시지가 실시간 업데이트되어 타이핑 효과를 준다
  • topicSuggestionPolicy로 14일간 특정 주제 메시지가 4일 이상, 12건 이상 발생하면 전용 토픽 신설을 자동 제안한다
  • 봇이 먼저 대화를 시작할 수 없는 텔레그램 한계는 크론의 delivery(announce) 기능으로 우회했다

마무리

텔레그램을 AI 에이전트의 프론트엔드로 사용하면서 얻은 가장 큰 이점은 압도적 모바일 접근성이다. 아침에 스마트폰을 켜면 간밤에 에이전트가 수행한 리서치 요약과 시스템 점검 리포트가 이미 도착해 있다. 가장 친숙한 메신저 앱이 훌륭한 대시보드가 된다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »