OpenClaw 구축·운영 (20/26) — 문서 13개를 하루에 동기화한 방법

-
플랫폼이 매주 바뀔 때 — OpenClaw 문서 13개를 하루에 동기화한 방법

LaunchAgent + 스냅샷 diff + Claude headless로 구현한 매뉴얼 자동 동기화 아키텍처

핵심 요약

  • OpenClaw 플랫폼은 주 단위로 업데이트되며, 에이전트의 판단 기반인 문서가 노후화되면 잘못된 판단으로 이어진다
  • 스냅샷 diff로 변경을 감지하고, Claude headless로 로컬 매뉴얼을 자동 재구성하는 파이프라인을 구축했다
  • 2026-03-21 대형 릴리즈에서 13개 매뉴얼을 22분 만에 자동 동기화했다 (수동 작업 0)

배경

OpenClaw 플랫폼은 주 단위로 API 스키마 변경, 새로운 자동화 기능 추가, 크론 스키마 변경이 일어납니다. 에이전트들은 플랫폼 명세를 기반으로 판단하므로, 지식이 노후화되면 두 가지 문제가 발생합니다.

  1. 잘못된 판단: 폐기된 설정 사용 시도 또는 신규 기능 미활용
  2. 감지되지 않는 오류: 에이전트가 자신의 오류를 인지하지 못함

본문

동기화 파이프라인 아키텍처

동기: 2026-03-21 — 13개 매뉴얼 동시 변경

daily audit 스냅샷 diff 스크립트가 하루에 13개의 코어 매뉴얼이 동시에 변경된 사실을 감지했습니다. OpenClaw의 대형 릴리즈였으며, 수동 처리는 불가능했습니다.

발견된 주요 플랫폼 변경

동기화 파이프라인 아키텍처

LaunchAgent
  └── daily-audit.sh (매일 05:00 KST)
        ├── docs-snapshot.sh → 30개 URL 스냅샷 → diff 비교
        ├── release-check.sh → 버전 확인 → Telegram 알림
        └── docs-update-ai.sh (핵심)
              └── Claude Code headless 실행
                    → 변경된 URL fetch → 로컬 매뉴얼 재구성

docs-snapshot.sh: 30개 핵심 URL을 추적하여 이전 스냅샷과 diff 비교. 변경 감지 시에만 후속 처리를 호출하여 리소스 낭비를 방지합니다.

docs-update-ai.sh: Claude headless에 "전체 재작성 금지, 변경 섹션만 업데이트"라는 원칙을 적용하여 로컬 특수 설정 손실을 방지합니다.

claude --headless --max-turns 15 \
  "변경된 매뉴얼을 docs/manuals/에 업데이트하라.
   전체 재작성 금지. 변경 섹션만 수정하고 기존 내용 보존."

발견된 주요 플랫폼 변경

  • Standing Orders: 단순 크론 실행을 넘어 "목표 달성" 기준의 에스컬레이션 판단 개념 추가
  • Delegate Architecture: 서브에이전트 패턴 공식화 — 이미 사용 중이었으므로 "already applied"로 분류
  • ollama /api/chat 권장: /v1 API의 도구 호출 불안정 공식 확인 — 기존 전환 판단이 옳았음을 검증

동기화 결과

항목 수치
변경 감지 매뉴얼 13개
URL fetch 성공 30/30 (100%)
파이프라인 실행 시간 약 22분
엔지니어 수동 작업 0

시행착오 / 주의사항

  • 스냅샷 diff 없이 전체 문서를 다시 읽는 방식은 비효율적입니다. 어느 섹션이 바뀌었는지 정확히 파악하는 것이 핵심입니다.
  • "이미 적용됨" 식별이 가능했던 이유는 self-architecture.md에 서브에이전트 패턴이 명확히 기록되어 있었기 때문입니다. 기록이 없었다면 중복 작업이 발생했을 것입니다.

마무리

플랫폼 위에서 시스템을 구축하면 플랫폼 변화가 곧 시스템 리스크입니다. 변화를 감지하고 반영하는 과정 자체를 자동화하는 것이 운영 효율을 보장하는 유일한 길이었습니다.

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 »