OpenClaw 구축·운영 (15/26) — Gateway와 24시간 무중단 자동화

-
OpenClaw Gateway와 24시간 무중단 자동화 설계

macOS LaunchAgent를 활용한 서비스 데몬 운영 및 자가 진단 파이프라인

핵심 요약

  • Gateway는 OpenClaw의 신경 중추이며, 죽으면 모든 게 멈춘다 — KeepAlive는 필수
  • LaunchAgent 설치 후 타임존(TZ) 강제 주입을 누락하면 크론이 엉뚱한 시간에 실행된다
  • Daily Audit 5단계 파이프라인으로 매일 새벽 시스템을 자동 진단한다

배경

운영 중 가장 당혹스러운 장애는 에이전트의 '침묵'이었다. Mac 재시작 후 텔레그램으로 메시지를 보냈으나 한 시간이 지나도 응답이 없었다. 원인은 단순했다 — Gateway 프로세스가 재시작 후 자동으로 켜지지 않았다. 이 장애를 계기로 모든 상주 프로세스를 OS 레벨(macOS LaunchAgent)로 격상하여 관리하는 아키텍처로 전환했다.

본문

LaunchAgent 설치와 타임존 주입

Gateway 아키텍처

Gateway는 Node.js 기반 데몬 프로세스로, 18789 포트에서 로컬 연결만 허용한다.

  • 통신 중재: 에이전트와 외부 채널(Telegram, Discord, Webhook) 간 메시지 라우팅
  • 리소스 관리: LLM API 호출 및 연결 상태 모니터링
  • 스케줄링: 시스템 내 모든 크론 작업의 실행 엔진

LaunchAgent 설치와 타임존 주입

openclaw gateway install
openclaw gateway status

설치 직후 반드시 타임존을 명시적으로 주입해야 한다. 이를 간과하면 크론이 UTC 기준으로 실행된다.

/usr/libexec/PlistBuddy -c \
  "Add :EnvironmentVariables:TZ string Asia/Seoul" \
  ~/Library/LaunchAgents/ai.openclaw.gateway.plist
Daily Audit 파이프라인

핵심 서비스 인벤토리

서비스 목적 실행 정책
ai.openclaw.gateway Gateway 메인 프로세스 KeepAlive
com.openclaw.ollama-warmup 로컬 모델 사전 로드 부팅 시 1회
com.openclaw.ollama-proxy 파라미터 주입 프록시 KeepAlive
com.user.daily-audit 보안 통합 감사 매일 05:00 KST
com.user.oc-update-check 엔진 업데이트 확인 매일 06:00 KST

Daily Audit 파이프라인

매일 새벽 5시에 구동되는 5단계 진단 프로세스:

  1. Phase A: 공식 문서 스냅샷 비교, 업데이트 사항 추출
  2. Phase B: 변경 사항 시 Headless Claude Code로 로컬 매뉴얼 동기화
  3. Phase C: 파일 포맷 검증, 엔티티 감사 등 12개 진단 스크립트 순차 실행
  4. Phase D: 결과를 JSON 파일로 저장, 로그 로테이션
  5. Phase E: 홈 서버로 전송 준비

Hot Reload와 크론 관리

  • Hot Reload: 모델 교체, 프롬프트 수정 등은 재시작 없이 즉시 반영
  • Cold Restart: 포트 바인딩, 인증 방식 변경 시에만 자동 재시작
  • sessionRetention: 24h 설정으로 24시간 경과한 크론 세션 자동 폐기

시행착오 / 주의사항

  • Gateway 구동 실패: plutil 명령으로 plist 유효성 점검
  • 포트 점유 충돌: lsof -i :18789로 좀비 프로세스 확인
  • 설정 파일 오류: Gateway는 fail-closed 정책을 따른다. 콤마 하나 누락이면 시작을 거부하므로, 편집 후 python3 -m json.tool로 반드시 검증

마무리

수동 스크립트는 한계가 있다. LaunchAgent를 통한 서비스화가 진정한 무중단 운영의 시작이다. 타임존 누락 같은 환경 변수 문제는 당장 오류를 뱉지 않아 발견이 늦으므로, 설치 직후 확립해야 한다. Fail-closed 정책 덕분에 런타임의 예측 가능성은 높아지지만, 운영자의 설정 수정 실수에 무자비하다 — 설정 파일 검증 자동화는 필수다.

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 »