OpenClaw 구축·운영 (8/26) — 마스터 가이드: openclaw.json 전체 설정 총정리

-
OpenClaw 마스터 가이드 — openclaw.json 전체 설정 항목 총정리

게이트웨이, 에이전트, 채널, 도구 권한까지 런타임 제어의 모든 것

핵심 요약

  • openclaw.json은 단순 설정이 아니라 시스템의 확장성과 보안을 결정하는 아키텍처 문서다
  • 5개 영역(시스템 코어, 에이전트 파이프라인, 메시징 라우팅, 도구 권한, 자동화)으로 구성된다
  • Gateway + 기본 Agent부터 시작해서 채널과 도구를 점진적으로 확장하는 것을 권장한다

배경

OpenClaw 기반 다중 에이전트 시스템의 핵심 과제는 "여러 LLM, 다양한 메신저 채널, 시스템 도구 간의 권한과 라우팅을 안전하게 격리하고 조율하는 것"이다. 이를 ~/.openclaw/openclaw.json 단일 중앙 설정 파일로 해결한다. JSON5 형식으로 주석과 유연한 문법을 지원하면서도, 엄격한 스키마 검증으로 오타 발생 시 부팅을 차단한다.

1. 시스템 코어 및 네트워크

본문

1. 시스템 코어 및 네트워크

  • Gateway: 시스템 진입점. mode(local/remote), port(기본 18789), bind, auth 설정
  • env: 외부 LLM API 키 선언, 셸 커맨드 타임아웃 제어
  • auth: OAuth 연동 메타데이터 (실제 시크릿은 별도 관리)
  • logging: 로그 레벨, 민감 정보 마스킹(Redaction) 정책
  • discovery: 로컬 네트워크 인스턴스 탐색용 mDNS/DNS-SD 설정
3. 메시징 라우팅

2. 에이전트 및 모델 파이프라인

  • agents.defaults: 전역 베이스라인 — 워크스페이스, 시간대, 압축, 메모리 플러시
  • model/imageModel: 주력 모델 + fallbacks 모델 체인
  • sandbox: Docker 컨테이너 격리. 프로덕션에서는 non-main 이상 정책 강제 권고
  • agents.list: 개별 에이전트 ID, 이름, 전용 모델 오버라이드 정의

3. 메시징 라우팅

  • channels: WhatsApp, Telegram, Discord, Slack 등 봇 토큰 및 활성화
  • dmPolicy/groupPolicy: pairing, allowlist, open 등 접근 필터링
  • bindings: 채널/계정별 에이전트 라우팅. 선착순 매칭(First-match wins)이므로 배열 순서가 중요
  • session: 세션 스코프(사용자별/채널별) 및 자동 초기화 조건
  • messages: 입력 디바운스, 큐잉, 스트리밍, 그룹 히스토리 제한
  • talk: TTS 설정 및 인터럽트 동작

4. 도구 권한 통제

  • tools.profile: minimal, coding, full 등 기본 허용 수준
  • allow/deny: 전역 목록. deny가 allow보다 우선
  • elevated: 호스트 터미널 직접 실행 권한. 기본 비활성화, 특정 관리자 채널에만 제한적 개방
  • web/media: 브라우저 검색, 오디오/비디오 처리 도구의 파일 크기 및 타임아웃
  • skills: 번들 스킬 활성화 및 커스텀 스킬 디렉토리
  • browser: 로컬 브라우저 경로, SSRF 방어 정책

5. 자동화 및 외부 연동

  • crons: Cron 표현식 기반 백그라운드 작업
  • commands: 슬래시 커맨드 파싱 및 실행 권한
  • hooks: HTTP 웹훅 엔드포인트, 외부 이벤트를 특정 에이전트 세션으로 전달(wakeMode)

시행착오 / 주의사항

모든 옵션을 한 번에 설정하려고 하면 실수가 나온다. Gateway와 기본 Agent 설정으로 시작한 뒤, 채널과 도구 권한을 점진적으로 확장(Scale-out)하는 것이 안전하다. 스키마 검증이 엄격하므로 오타 하나로 부팅이 실패할 수 있다.

마무리

openclaw.json은 시스템의 보안(Least Privilege)과 확장성을 결정하는 중앙 설계도다. 점진적 확장 원칙을 지키면 복잡도를 통제할 수 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 »