OpenClaw 구축·운영 (4/26) — Windows에서 OpenClaw 구축: 다중 에이전트 세팅

-
Windows에서 OpenClaw 구축하기 — 다중 에이전트 환경 세팅 가이드

드라이브 분리, 권한 설정, 페르소나 초기화까지 단계별 정리

핵심 요약

  • Windows 환경의 핵심 허들은 권한 문제, 260자 경로 제한, C드라이브 용량 보존이다
  • 워크스페이스와 상태 폴더를 D드라이브로 분리하는 설계가 필요하다
  • 에이전트 초기 페르소나 설정(SOUL.md/USER.md)으로 컨텍스트 유지를 확보한다

배경

Windows 환경에서 OpenClaw 다중 에이전트 시스템을 구축할 때, 리눅스/맥과는 다른 기술적 허들이 존재한다. 권한 문제, 경로 길이 제한, 패키지 관리자의 의존성 충돌이 대표적이다. 시스템 드라이브(C:) 용량 보존과 데이터 안전성을 위해 워크스페이스를 다른 드라이브로 분리하는 설계를 적용했다.

본문

1. 기반 런타임 설치

Python 3.10+ - 설치 시 "Add Python to PATH" 체크 필수 - "Disable path length limit" 옵션으로 260자 경로 제한 해제

Node.js v22+ LTS - npm 자동 포함. node -v, npm -v로 확인

3. 패키지 설치 및 초기화

2. 권한 및 환경 변수

PowerShell 실행 정책 변경:

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

상태 디렉토리를 D드라이브로 분리:

[Environment]::SetEnvironmentVariable("OPENCLAW_STATE_DIR", "[경로]\.openclaw", "User")

환경 변수 적용을 위해 PowerShell을 새로 열어야 한다.

3. 패키지 설치 및 초기화

npm install -g @anthropic-ai/claude-code
npm install -g openclaw@latest

워크스페이스 설정:

openclaw setup --workspace "[경로]\.openclaw\workspace"
openclaw onboard --install-daemon

--install-daemon은 시스템 부팅 시 백그라운드 실행을 지원하며, 외부 채널 수신 대기를 위해 권장된다.

5. 유지보수 Cheat Sheet

4. 에이전트 페르소나 초기화

첫 실행 시 에이전트에게 자기소개를 요청하는 프롬프트를 입력한다. 이름, 하는 일, 목표, 선호하는 커뮤니케이션 스타일, 매일 사용하는 도구, 필요한 도움을 질문하게 하여 SOUL.md와 USER.md 문서를 생성한다. 이 문서들이 에이전트의 장기 컨텍스트를 유지한다.

5. 유지보수 Cheat Sheet

목적 명령어
시스템 진단 openclaw doctor
자동 오류 수정 openclaw doctor --fix
베타 채널 업데이트 openclaw update --channel beta
설정 편집 openclaw configure
게이트웨이 강제 설치 openclaw gateway install --force
게이트웨이 재시작 openclaw gateway restart

시행착오 / 주의사항

Windows에서 가장 자주 발생하는 문제는 경로 길이 제한이다. Python 설치 시 "Disable path length limit"을 체크하지 않으면 깊은 디렉토리 구조에서 패키지 설치가 실패한다. 또한 환경 변수 설정 후 반드시 새 PowerShell 창을 열어야 적용된다.

마무리

C드라이브 용량을 보존하면서 안전한 OpenClaw 다중 에이전트 인프라 구축이 가능하다. 핵심은 상태 디렉토리의 드라이브 분리, 권한 사전 설정, 페르소나 초기화 세 단계다.

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 »