OpenClaw 구축·운영 (25/26) — Heartbeat와 Cron: 24시간 자동화

-
OpenClaw Heartbeat와 Cron — 에이전트를 24시간 자동화하는 아키텍처

주기적 심장박동과 스케줄 기반 작업으로 에이전트 자율 운영 구현하기

핵심 요약

  • Heartbeat(주기적 자동 실행)와 Cron(스케줄 기반 작업) 두 축으로 에이전트 자동화를 구축했다
  • 라운드로빈 체크 구조와 로컬/클라우드 하이브리드 전략으로 비용 효율성을 확보했다
  • sessionKey 누락, delivery 미설정, Rate Limit 등 실제 겪은 함정과 해결법을 정리했다

배경

AI 에이전트를 구축한 초기에는 필요할 때마다 텔레그램으로 명령을 입력했다. "오늘 이메일 확인해줘", "시장 동향 스캔해줘" 같은 식이었다. 한 달 운영해보니 사람이 직접 트리거를 눌러야 한다면 그것은 진정한 자동화가 아니라는 사실을 깨달았다.

OpenClaw는 이를 해결하기 위해 Heartbeat(주기적 자동 실행)와 Cron(스케줄 기반 작업)이라는 두 가지 메커니즘을 제공한다.

Heartbeat: 에이전트의 주기적 심장박동

본문

라운드로빈 체크 구조

Heartbeat: 에이전트의 주기적 심장박동

Heartbeat는 에이전트가 정해진 간격으로 깨어나 체크리스트를 실행하는 기능이다. mir 에이전트의 실제 설정:

{
  "id": "mir",
  "heartbeat": {
    "every": "30m",
    "activeHours": {
      "start": "07:00",
      "end": "01:00",
      "timezone": "Asia/Seoul"
    },
    "model": "ollama/qwen3.5:9b",
    "target": "last",
    "directPolicy": "allow",
    "includeReasoning": false,
    "prompt": "HEARTBEAT.md 절차를 따라라."
  }
}

핵심 설계 판단: - every: "30m" — 초기 15분에서 연장하여 리소스 낭비 방지 - activeHours — KST 기준 오전 7시~새벽 1시로 활동 시간 제한 - model: "ollama/qwen3.5:9b" — 경량 로컬 모델로 비용 효율성 확보 - target: "last" — 최근 활성 대화 세션에 Heartbeat 주입, 컨텍스트 유지

라운드로빈 체크 구조

모든 체크 항목을 한 번에 수행하면 실행 시간이 길어진다. 라운드로빈(Round-robin) 구조를 채택하여 6가지 항목(Todoist, Gmail, Calendar, 시스템 상태, Git 상태, API 쿼터)을 순서대로 하나씩 확인한다.

heartbeat-router.sh가 각 체크 항목의 마지막 실행 타임스탬프를 비교하여 "가장 오래된 체크" 하나를 선택한다. 전체 한 바퀴에 3시간이 소요되지만, 개별 Heartbeat는 하나의 작업만 수행하므로 효율적이다.

데이터 수집은 로컬 모델(ollama/qwen3.5:9b)이 전담하고, "알림 필요 여부" 같은 판단은 클라우드 모델에 위임하는 하이브리드 전략으로 API 호출 비용을 줄였다.

Cron: 스케줄 기반 작업

Cron은 특정 시간에 특정 에이전트가 작업을 실행하도록 설계된 스케줄 메커니즘이다. 운영 중인 핵심 Cron:

작업명 에이전트 스케줄 (KST) 내용
stock-scan researcher 평일 15:00 시장 스캔 및 요약
ai-research-scan researcher 매일 09:00 AI/에이전트 동향 조사
self-review mir 매일 22:05 하루 작업 돌아보기
daily-summary mir 매일 22:40 일일 요약 텔레그램 전송
reflect-orchestrate memory-manager 매일 03:00 메모리 정리 파이프라인

같은 클라우드 프로바이더를 사용하는 작업은 최소 15분 이상 간격을 두어 Rate Limit(429 에러)을 회피한다.

시행착오 / 주의사항

운영하며 겪은 가장 흔한 실수 5가지:

  1. sessionKey 빠뜨리기 — sessionTarget: "isolated"에서 sessionKey를 설정하지 않으면 매 실행마다 랜덤 ID 세션이 무한 생성된다. 수백 개의 세션이 Gateway를 메운 적이 있다. sessionKey를 명시하면 같은 키의 세션을 재사용한다.

  2. delivery 빠뜨리기 — isolated 모드의 결과는 에이전트 내부에만 남는다. delivery 설정 없이는 실행 결과가 어디로도 전달되지 않고 사라진다.

  3. activeHours timezone 미설정 — Asia/Seoul을 명시하지 않으면 UTC 기준으로 작동하여 엉뚱한 시간에 실행된다.

  4. Heartbeat 모델을 고가 모델로 설정 — 하루 48회 이상 호출되므로, 비싼 모델을 쓰면 예상치 못한 비용이 발생한다.

  5. 동시 Cron의 Rate Limit — 같은 시간대에 같은 프로바이더의 작업을 몰아넣으면 429 에러가 발생한다.

마무리

Heartbeat와 Cron은 에이전트를 단순한 스크립트 실행 도구가 아닌, 스스로 행동하는 자율형 존재로 바꾸는 핵심 아키텍처다. 나는 이제 아침에 일어나면 텔레그램에 간밤의 AI 리서치 결과와 오늘 일정 요약이 와 있다. 세팅은 복잡하지만, 안정화된 이후로는 사용자가 전혀 손댈 필요가 없다.

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 »