OpenClaw 구축·운영 (1/26) — OpenClaw 소개: 로컬 퍼스트 철학과 구조

-
OpenClaw 소개 — 로컬 퍼스트 AI 에이전트 플랫폼의 철학과 구조

메신저로 명령하고, 내 컴퓨터에서 실행되는 오픈소스 AI 비서

핵심 요약

  • OpenClaw는 로컬 환경에서 실행되는 오픈소스 AI 에이전트 플랫폼으로, 메신저를 인터페이스로 사용한다
  • 사용자의 파일 시스템, 브라우저, CLI 도구에 AI가 직접 접근하는 "로컬 퍼스트" 구조다
  • 강력한 권한을 AI에게 위임하는 만큼, 보안 설정을 이해하는 기술 사용자를 위한 도구에 가깝다

배경

AI를 "대화하는 도구"가 아니라 "실제로 일을 시키는 비서"로 쓰고 싶다는 생각은 오래전부터 있었다. OpenClaw는 그 생각을 직설적인 방식으로 구현한 프로젝트다. 이후에 다룰 Claude Code 이야기를 이해하기 위한 배경 글이기도 하다.

OpenClaw는 무엇인가

본문

왜 주목받는가

OpenClaw는 무엇인가

로컬 환경에서 실행되는 오픈소스 AI 에이전트 플랫폼이다. WhatsApp, Telegram, Discord, Slack 같은 메신저를 인터페이스로 삼아, AI가 사용자의 컴퓨터를 직접 조작할 수 있도록 설계되었다.

"Your assistant. Your machine. Your rules."

SaaS AI 비서와 달리, 사용자의 노트북이나 홈 서버, 개인 VPS에서 돌아간다. 데이터와 API 키가 외부 서버에 종속되지 않고, 사용자가 직접 통제한다.

프로젝트는 2025년 말 오스트리아 개발자 피터 슈타인버거(Peter Steinberger)의 주말 실험에서 시작되었다. WhatsApp Relay → ClawdBot → Moltbot을 거쳐 2026년 1월 OpenClaw로 정착했다. 이름은 Open(오픈소스, 개방성) + Claw(초기 상징이었던 랍스터의 집게)의 결합이다.

왜 주목받는가

1. 로컬 퍼스트 에이전트: AI가 로컬 파일 시스템, 브라우저, CLI 도구, 설치된 프로그램에 직접 접근한다. "앱을 하나 더 만드는 방식"이 아니라, 이미 존재하는 시스템을 AI가 대신 조작하는 방식이다. - 메신저로 "빌드 상태 확인해줘"라고 보내면 로컬에서 빌드를 확인하고 로그를 요약 - 이메일이나 이슈 트래커를 읽고 코드 수정 → 커밋까지 자동 처리

2. 메신저 중심 인터페이스: 새로운 UI를 강요하지 않는다. 이미 쓰고 있는 메신저가 곧 콘솔이 된다. 별도 대시보드 없이 모바일에서도 접근 가능하다. AI 비서를 "항상 열어두는 앱"이 아니라 "필요할 때 말을 걸 수 있는 존재"로 정의한 느낌이다.

3. 빠르게 성장하는 커뮤니티: GitHub 스타 수 폭발적 증가, 다양한 플러그인과 사용 사례 등장. 다만 플러그인 확장이 늘어난다는 것은 신뢰 경계(Trust Boundary, 시스템 간 권한 구분선)가 복잡해진다는 의미이기도 하다.

보안: 반드시 짚어야 할 부분

OpenClaw는 의도적으로 강력한 권한을 AI에게 위임하는 구조를 택했다. 잘 설정하면 매우 유용하지만, 잘못 설정하면 위험하다.

주요 위험 요소: 파일 시스템 접근, 쉘 명령 실행, API 키/인증 정보 노출, 프롬프트 인젝션에 의한 의도치 않은 행동.

공식 문서에서도 "로컬에서 돌아간다고 해서 자동으로 안전한 것은 아니다"라는 점을 반복 강조한다. 보안 감사 명령, 샌드박싱, 최소 권한 설정 같은 장치를 기본으로 제공한다.

시행착오 / 주의사항

  • OpenClaw는 일반 사용자용 제품이라기보다, 기술을 이해한 사용자를 위한 도구에 가깝다
  • 창시자가 반복해서 강조하는 것: 중요한 것은 모델이 아니라 시스템 사고, 코드 한 줄보다 피드백 루프를 닫는 구조, "모든 걸 자동화하는 AI"보다 전문화된 에이전트들의 협력

마무리

OpenClaw는 단순한 AI 툴이 아니다. AI에게 키보드와 마우스를 쥐여주고, 사용자의 컴퓨터를 대신 다루게 하는 실험이다.

네 가지 핵심 키워드: 1. 로컬 퍼스트 2. 메신저 중심 인터페이스 3. 강력한 권한과 그에 따른 책임 4. 커뮤니티 기반 오픈소스

OpenClaw를 이해하지 못하면 Claude Code도 단순한 "코드 생성기"로만 보이기 쉽다. 이 배경 정리는 다음 글(Claude Code 실사용기)을 위한 필수 전제다.

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 »