OpenClaw 구축·운영 (23/26) — 자기개선 시스템 설계

-
OpenClaw 자기개선(Self-Improvement) 시스템 설계

에이전트가 스스로 시스템을 진단하고 고치는 자율 진화 아키텍처

핵심 요약

  • 매일 22:05에 self-review 크론이 실행되어 시스템을 자율적으로 진단·개선한다
  • Validation Gate로 이미 처리된 개선안의 반복 제안을 차단하고, Deferred 문서로 기술 부채를 의식적으로 관리한다
  • 자기지식(self-architecture.md)의 완전 무결성이 모든 판단의 전제조건이다
배경

배경

초기에는 에이전트의 모든 개선이 나의 몫이었다. 동일한 실수를 반복하면 프롬프트를 수정하고, 느린 스크립트를 직접 최적화했다. 하지만 운영이 길어지며 깨달았다 — 시스템 문제(API Rate Limit, Fallback 발생, 반복 런타임 오류 등)를 가장 먼저 체감하는 것은 에이전트 자신이다.

에이전트가 스스로 실패 패턴을 감지하고 개선안을 적용할 수 있다면? 이 질문에서 자기개선 시스템이 시작되었다.

self-review 크론 (매일 22:05 KST)

본문

self-review 크론 (매일 22:05 KST)

{
  "agentId": "mir",
  "name": "self-review",
  "schedule": { "kind": "cron", "expr": "5 22 * * *", "tz": "Asia/Seoul" },
  "payload": { "timeoutSeconds": 300, "lightContext": true }
}

22:00의 daily-summary와 리소스 경합을 막기 위해 5분 오프셋을 두었다. lightContext: true로 일일 대화 히스토리를 배제하고 시스템 진단에만 집중한다.

Self-Architecture — 자기지식의 명세화

bank/research/self-architecture.md(680행+)에 9개 서브 에이전트 설정, 크론 인벤토리, 메모리 시스템 구조, 보안 아키텍처가 기록되어 있다. 진단 시 이 문서를 Source of Truth로 삼아 런타임 설정과 비교하고 불일치 시 즉시 동기화한다.

4단계 프로토콜

  1. Diagnose: 트리거(피드백, 반복 실패 로그, Reflect 충돌 등) 확인 후 문제 파악
  2. Judge: 개선안을 4유형으로 분류 — Type A(설정 변경, mir 직접), Type B(코드 변경, orchestrator 위임), Type C(미검증 아이디어, researcher 조사), Type D(조건부 보류, deferred-improvements.md)
  3. Execute: Type A·B 실행. 과거 적용/보류 이력 교차 검증 후 진행
  4. Verify: openclaw doctor, agent-linter.sh, json.tool 검증 필수 통과

Validation Gate — 무한 루프 방지

researcher가 웹에서 스크랩해 온 최적화 기법을 3가지로 필터링한다:

  • Already Applied: 기 운영 중이면 즉시 폐기
  • Already Deferred: 보류 중이면 보류 유지
  • Genuinely New: 순수 신규 제안만 평가 단계로 통과

이 게이트가 없으면 과거에 처리한 개선안을 매주 반복 제안하는 컨텍스트 낭비가 발생한다.

Deferred Improvements — 보류의 기술

> [D-001] exec allowlist at config level
> 상태: 조건부 보류
> 사유: OpenClaw 엔진 미지원 (#43531 이슈)
> 재평가 조건: OpenClaw 버전 업데이트 후 CHANGELOG 확인

"무엇을 언제 다시 평가할 것인가"를 명확히 적어두면, 조건 충족 시 에이전트가 스스로 보류를 해제하고 작업을 재개한다.

시행착오 / 주의사항

  • 인간이 수동으로 설정을 변경한 뒤 self-architecture.md를 동기화하지 않으면, 에이전트는 환각에 빠져 잘못된 진단을 내린다
  • 매일 06:00에 oc-update-check.sh가 엔진 버전 변경을 감지하고, 22:05 self-review가 Breaking Change 발견 시 즉시 위험도를 보고한다

마무리

자기개선의 핵심은 '무엇을 하지 않을지' 정하는 것이다. Validation Gate와 Deferred 문서는 에이전트의 과도한 자율성을 통제하는 브레이크다. 그리고 검증(Verify) 없는 실행은 재앙이다 — openclaw doctor의 기계적 검증을 통과하지 못하는 설정은 절대 시스템에 반영되어서는 안 된다.

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 »