로컬 LLM 미들웨어로 로봇의 안전과 비용을 동시에 잡다

-
로컬 LLM 미들웨어로 로봇의 안전과 비용을 동시에 잡다

DM-LLM(Data Manager Local LLM) 아키텍처 - 클라우드 API의 비용과 환각 문제 해결

핵심 요약

  • 클라우드 LLM에만 의존하면 토큰 비용 폭발, 환각에 의한 물리적 위험, 응답 지연이 동시에 발생한다
  • DM-LLM(Data Manager Local LLM)을 하드웨어와 클라우드 사이의 지능형 미들웨어로 도입했다
  • Safety Sandwich 패턴으로 명령 전후 이중 검증 체계를 구축했다
배경

배경

OpenClaw v2026.1.30을 운영하면서 모든 판단을 클라우드 API(GPT-4, Claude 등)에만 의존하는 방식의 한계에 부딪혔다. 누적된 기억 데이터(MEMORY.md)를 매번 외부로 전송하면서 입력 토큰 비용이 기하급수적으로 증가했고, 간헐적 환각이 물리적으로 위험한 좌표 이동 명령으로 이어질 수 있는 상황이었다. 하드웨어와 클라우드 두뇌 사이에 새로운 지능형 계층이 필요했다.

본문

DM-LLM: 지능형 미들웨어

DM-LLM은 OpenClaw의 하드웨어 제어부(Runtime)와 외부 고지능 LLM(Cloud API) 사이에 위치하는 미들웨어다. Llama-3-8B나 Mistral-7B 같은 경량 로컬 모델을 온디바이스(On-device)로 실행해, 외부로 나가는 데이터를 전처리하고 들어오는 명령을 검증하는 수문장 역할을 한다.

효율성: 토큰 최적화

  • 문맥 압축: MEMORY.md 전체를 외부에 보내지 않고, DM-LLM이 현재 상황에 필요한 정보만 요약해 '압축된 프롬프트'를 생성한다. API 호출 비용 70% 이상 절감 예상.
  • 의미 기반 캐싱: "초기 위치로 이동해" 같은 반복 명령은 로컬 캐시에서 즉시 처리한다.

안전성: Safety Sandwich 패턴

로봇에게 환각은 물리적 충돌을 의미한다. 이중 검증 체계를 구축했다.

  1. Input Filter (명령 전): 사용자 명령이 안전한지 DM-LLM이 1차 판단
  2. Output Validator (명령 후): 외부 API가 생성한 JSON 좌표가 실제 작업 영역 내에 존재하는지 수학적 검증. 범위 밖 좌표는 즉시 폐기

제어: Lane Queue 동기화

OpenClaw의 Lane Queue 시스템과 연동해 한 번에 하나의 물리적 동작만 수행되도록 직렬화하고, 로봇이 EXECUTING 상태일 때 중복 명령이 외부 API로 전달되지 않도록 차단한다.

Brain vs. Spine 역할 분담

구분 담당 역할
External API (Cloud) Brain (전략) 복잡한 추론, 창의적 문제 해결
DM-LLM (Local) Spine (전술) 데이터 규격화, 실시간 제어, 검증

시행착오 / 주의사항

  • 로컬 모델의 추론 품질이 기대에 못 미치면 Safety Sandwich의 Input Filter가 정상 명령까지 차단할 수 있다. 모델 선택이 중요하다.
  • Lane Queue 없이 운영하면 동시 명령 충돌로 예측 불가능한 동작이 발생한다.

마무리

DM-LLM 도입은 OpenClaw를 단순 하드웨어에서 스스로 데이터를 관리하고 안전을 판단하는 에이전트로 진화시키는 과정이다. 비용 절감, 환각 방어, 반응 속도 향상을 동시에 달성하는 핵심은 "로컬에서 필터링하고 클라우드에서 사고하는" 역할 분리에 있다.

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 »