OpenClaw 구축·운영 (26/26) — 자가 개선 아키텍처: Self-Review·AutoResearch

-
AI 에이전트 자가 개선 아키텍처 — Self-Review 크론과 AutoResearch 루프

매일 22:05의 자가 점검과 통제된 기술 실험으로 에이전트가 스스로 성장하는 구조

핵심 요약

  • 에이전트 자가 개선의 핵심은 self-architecture.md — 682행의 아키텍처 베이스라인 지식이 정확해야 개선이 가능하다
  • 개선은 영향 범위에 따라 Type A~D로 보수적 분류 — Type D(보류)로 통제 불가능한 위험을 배제한다
  • AutoResearch 루프는 기술 실험으로 범위를 한정하고, 5가지 Hard Rule을 엄격히 적용한다

배경

AI 에이전트를 24시간 운영하면 플랫폼 업데이트에 따른 지식 노후화, 반복적인 실패 패턴의 미처리, 개선 우선순위 판단 기준의 부재 등의 과제가 발생합니다. 이를 해결하기 위해 에이전트가 스스로를 점검하고 개선하는 자가 개선 루프를 구축했습니다.

단, "자가 개선"의 범위를 명확히 정의하지 않으면 시스템 안정성에 심각한 위해를 가할 수 있습니다.

self-architecture.md: 자가 지식의 원천

본문

self-architecture.md: 자가 지식의 원천

에이전트가 개선 판단을 내리기 전에 가장 먼저 호출하는 682행의 베이스라인 지식입니다.

섹션 내용
에이전트 구성 9개 에이전트의 역할, 모델, 접근 권한
메모리 아키텍처 Reflect 파이프라인 단계별 데이터 흐름
스크립트 목록 12개 자동화 스크립트의 기능과 트리거
알려진 한계 로컬 모델(9b) 제약, API Quota 한계 등
결정 프레임워크 Type A/B/C/D 분류 기준 및 절차
4단계 자가 개선 프로세스

Self-Review 크론: 매일 22:05의 자가 점검

매일 22:05에 실행되는 크론 작업입니다. 플랫폼 버전 변경을 확인하고, 브레이킹 체인지 판단, 설정 불일치 감지 시 Type 분류 후 처리합니다. 매일 06:00의 버전 확인과 16시간의 시차를 두어, 배포 직후 불안정한 변경을 자연스럽게 필터링합니다.

4단계 자가 개선 프로세스

  1. Diagnose: self-architecture.md 근거로 문제 근본 원인 분류
  2. Judge: mir가 직접 판단 (로컬 모델에 위임하지 않음)
  3. Execute: Type에 따라 적절한 실행 주체에게 위임
Type 동작 실행 주체
A 스킬/프롬프트 수정, 지식 갱신 mir 직접
B 스크립트 생성, 워크스페이스 변경 orchestrator
C 외부 기술 조사 후 구현 researcher → orchestrator
D 현재 불가, 재검토 조건과 함께 보류 deferred-improvements.md
  1. Verify: 변경 후 self-architecture.md, opinions.md, experience.md 등 필수 업데이트

통제된 AutoResearch 루프

기술 실험에만 범위를 한정한 자가 연구 루프입니다.

Hard Rule 내용
좁은 범위 하나의 가설, 하나의 서브시스템, 하나의 변경 배치
명시적 지표 측정 가능한 전후 비교 지표 필수
최대 예산 3회 시도 또는 90분 중 먼저 도달 시 강제 종료
경로 고정 접근/수정 가능 파일 목록 사전 확정
개선 시만 채택 베이스라인 대비 개선 확실할 때만 유지

시행착오 / 주의사항

  • "무엇을 할지"보다 "무엇을 하지 않을지"를 정의하는 것이 더 중요합니다. Type D의 존재 이유입니다.
  • AutoResearch 범위가 넓어지면 인과관계를 파악할 수 없습니다. 좁은 범위의 실험만이 신뢰할 수 있는 개선을 가져옵니다.
  • 로컬 모델(9b)에게 복잡한 분석이나 판단을 위임하면 안 됩니다.

마무리

self-architecture.md가 정확할수록 Type 분류가 빨라지고, 더 많은 개선이 실행되며, 이는 다시 지식의 정확도를 향상시키는 피드백 루프를 형성합니다. 10분마다 죽는 천재 에이전트보다, 자기 한계를 알고 통제된 범위에서 개선하는 시스템이 더 큰 가치를 갖습니다.

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 »