OpenClaw 구축·운영 (24/26) — Reflect 파이프라인 설계

-
OpenClaw Reflect 파이프라인 설계 — LLM 에이전트의 장기 기억 관리

LLM 에이전트의 장기 기억 관리와 역전 아키텍처 도입기

핵심 요약

  • Reflect는 매일 새벽 3시에 일일 메모리(memory/)를 분석해 장기 기억소(bank/)에 영구 이관하는 파이프라인이다
  • Manager(클라우드)는 판단만, Runner(로컬)는 실행만 담당하는 역전 아키텍처로 비용을 0에 수렴시켰다
  • W/B/O/S 4종 Retain 태그로 기억을 분류하고, 의견(O)에는 신뢰도 감쇠(Confidence Decay)를 적용한다

배경

OpenClaw 세션은 기본적으로 하루 단위로 리셋된다. 컨텍스트 윈도우와 비용 문제는 해결하지만, 에이전트가 매일 전날의 컨텍스트를 잊어버린다. Reflect 파이프라인의 목표는 명확하다 — 하루 동안 누적된 일일 대화 메모리를 증류하여 구조화된 장기 기억소에 영구적으로 이관하는 것이다.

역전 아키텍처 (v0.5)

본문

파이프라인 단계 (Phase 0~3.5)

역전 아키텍처 (v0.5)

초기에는 메인 에이전트가 메모리 처리를 직접 수행했다. 수백 개 파일의 I/O 집약적 작업이 메인 컨텍스트를 오염시켜 대화 품질 저하와 API 비용 낭비로 이어졌다.

  • Manager (memory-manager): Gemini Flash로 판단·오케스트레이션·검증만 수행
  • Runner (memory-runner): 로컬 qwen3.5:9b로 실제 파일 I/O 및 데이터 병합 실행
{
  "agentId": "memory-manager",
  "name": "reflect-orchestrate",
  "schedule": { "kind": "cron", "expr": "0 3 * * *", "tz": "Asia/Seoul" },
  "payload": { "timeoutSeconds": 1800, "thinking": "off" }
}

파이프라인 단계 (Phase 0~3.5)

  1. Phase 0~1: staging/에서 3일 이상 경과한 메모리 파일 수집. Runner가 Retain 태그 추출 후 JSON 저장
  2. Phase 1.5: 메모리 추출 여부와 무관하게 항상 실행되는 7개 유지보수 스크립트 — confidence-decay.py, topics-validate.py, session-cleanup.py, bank-lint.py 등
  3. Phase 2~3: Runner를 순차 스폰하여 bank/ 파일 업데이트. 각 스폰 사이에 sleep 10 필수 — 이를 누락하여 Rate Limit(429) 에러를 겪었다
  4. Phase 3.5: Manager가 changelog, 충돌 로그, 토픽 맵 업데이트. openclaw memory index --force로 벡터 임베딩 재인덱싱

W/B/O/S 태그 분류 체계

태그 의미 저장 경로 예시
W World (객관적 사실) bank/world.md "삼성전자 주가 오늘 3% 하락"
B Biography (경험/이력) bank/experience.md "Reflect 역전 아키텍처 v0.5 전환 완료"
O Opinion (판단 + 신뢰도) bank/opinions.md "gemini-flash가 reflect에 적합 c=0.85"
S State (엔티티 현재 상태) bank/entities/ "openclaw-rebuild: 설계 단계"

신뢰도 감쇠 (Confidence Decay)

의견(O)은 영구불변이 아니다. 매일 신뢰도를 c_{t+1} = c_t - 0.02로 차감한다. 0.30 미만이 되면 자동 삭제된다. 동일 의견이 다시 추출되면 리셋. 시스템이 항상 유효하고 신선한 판단 기준만 유지하게 된다.

시행착오 / 주의사항

  • Runner에게 자율성을 주면 파일 포맷이 파편화된다. "edit 도구 금지, write로 전체 덮어쓰기"를 강제해 I/O 멱등성을 확보해야 한다
  • API Rate Limit은 자동화 환경에서 가장 조용하고 치명적인 실패 원인이다
  • Manager가 bank/ 원본을 직접 읽게 두면 안 된다 — 요약된 staging/ 파일만으로 판단을 내리도록 컨텍스트를 철저히 격리해야 한다
  • 임베딩이 갱신되지 않으면 RAG 수행 시 과거 데이터를 참조하는 오류가 발생한다

마무리

Reflect 파이프라인의 핵심은 세 가지다. 실행 노드에 대한 엄격한 규칙 통제, 순차 처리와 명시적 sleep을 통한 Rate Limit 방어, 그리고 처리할 메모리가 없더라도 유지보수 스크립트는 항상 실행되어야 한다는 것이다. 이 원칙들이 시스템의 점진적 붕괴를 막는다.

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 »