OpenClaw 구축·운영 (11/26) — 도구와 훅 설계: 최소 권한 원칙

-
OpenClaw 도구(Tools)와 훅(Hooks) 설계 — 최소 권한 원칙 적용기

최소 권한 원칙을 적용한 에이전트의 액션 제어와 자동화 트리거

핵심 요약

  • 도구 통제는 불신이 아니라 시스템의 격벽 설계다 — "허용보다 차단이 우선"
  • 에이전트별로 도구 그룹 단위의 Deny 리스트를 적용하고, exec는 가장 보수적으로 통제한다
  • 훅(Hooks)을 활용해 설정 파일 린팅과 보안 감사를 자동화했다

배경

LLM 에이전트에게 도구가 없으면 텍스트 챗봇에 불과하다. 하지만 강력한 도구는 양날의 검이다. 파일 쓰기 권한을 가진 에이전트는 환각 상태에서 핵심 설정 파일을 덮어쓸 수 있고, 셸 실행 권한이 있으면 프롬프트 인젝션을 통해 악성 코드를 실행할 수 있다.

핵심 설계 원칙: "허용(Allow)보다 차단(Deny)이 우선한다."

도구 프로파일과 그룹 제어

본문

도구 프로파일과 그룹 제어

전역 설정에서 모든 도구를 허용하되, 서브 에이전트 단계에서 엄격하게 권한을 회수한다. 도구 그룹(group:fs, group:sessions, group:web, group:messaging)으로 논리적 단위 제어가 가능하다.

{
  "id": "researcher",
  "tools": {
    "allow": ["web_search", "web_fetch", "read", "exec"],
    "deny": [
      "edit", "write", "delete",
      "group:fs", "group:sessions",
      "group:automation", "group:messaging"
    ]
  }
}

group:fs를 차단하면서 read를 허용하는 이유는 기존 문서 참조는 가능하되 수정/삭제는 원천 차단하기 위함이다.

exec — 가장 강력하고 위험한 도구

exec는 시스템 셸 접근 권한을 부여하므로 가장 보수적으로 통제해야 한다. 기본값은 deny, 미명시 명령은 on-miss 정책으로 사용자 승인을 요청한다.

에이전트별 정책: - mir: 지정된 5개 명령어만 허용 - researcher: scrape.py 단일 스크립트만 허용 - communicator, memory-runner: exec 전면 박탈

서브 에이전트 스폰 통제

allowAgents 배열로 호출 가능한 하위 에이전트를 제한한다.

{
  "id": "memory-manager",
  "subagents": { "allowAgents": ["memory-runner"] }
}
훅(Hooks) — 시스템 자동화의 축

모델 프로바이더 기반 권한 제어

로컬 모델로 Fallback될 때 추론 능력이 떨어지는 모델이 복잡한 작업을 시도하다 무한 루프에 빠지는 것을 방지한다.

{
  "tools": {
    "byProvider": {
      "ollama/*": { "deny": ["group:web", "sessions_spawn"] }
    }
  }
}

훅(Hooks) — 시스템 자동화의 축

훅은 특정 이벤트 발생 시 조건반사적으로 수행하는 자동화 트리거다.

  • 내장 훅: boot-md(Gateway 기동 시 초기화 로직 실행), bootstrap-extra-files(세션 시작 시 컨텍스트 자동 주입)
  • 워크스페이스 훅: openclaw.json 저장 시 json.tool 자동 실행, Git 커밋 시 Pre-Commit 훅으로 보안 감사 수행

시행착오 / 주의사항

OpenClaw는 현재 설정 파일 레벨의 exec allowlist를 지원하지 않는다. 이를 보완하기 위해 AGENTS.md 시스템 프롬프트에 논리적 제약을 하드코딩하여 통제하고 있다.

마무리

도구 통제는 불신이 아니라 시스템의 격벽 설계다. 웹에서 데이터를 가져오는 에이전트에게 파일 쓰기 권한을 주지 않는 것은, 외부 오염 데이터가 시스템 심장부로 침투하는 경로를 물리적으로 끊어내는 아키텍처적 결단이다. "이 에이전트가 오작동했을 때 최악의 시나리오는 무엇이며, 어떤 도구를 빼앗아야 피해를 최소화할 수 있는가?"를 먼저 고민해야 한다.

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 »