OpenClaw·Hermes 마이그레이션 (7/13) — 5주 이사 계획: 11 카테고리 이식 명세

-

부제: Week 1은 SQLite 스키마, Week 5는 컷오버

핵심 요약

이 글이 전달하는 것: - 이식 단위 설계 기법: 30+개 스크립트를 11 카테고리(A~K)로 압축해 이사 단위를 11번으로 고정하는 방법. - 5주 컷오버 일정 템플릿: Week 1 스키마 → Week 2 마이그 → Week 3 설치 → Week 4 자산 이식 → Week 5 듀얼 실행 + 컷오버. - 산출물 3종 규격: 상세 일정, Profile 정의, memcore API 스펙 — 각 문서의 필수 항목과 연결 관계.

11 카테고리 — 기능 단위로 묶는 기법

이식 명세를 스크립트 단위로 열거하면 이동·검증 단위가 30+개로 늘어난다. 기능 단위로 묶으면 동일 범위가 11 단위로 축소된다. 묶음 기준은 "동일 스키마/프로토콜을 공유하는가"이며, 이 기준을 적용한 결과가 아래 표다.

카테고리 핵심
A 메모리 시스템 4-tier, Retain 태그, U-tag dialectic, Reflect, micro-cycle, Topic-Cued Recall, 의미 검색
B Heartbeat 3-tier + 11 escalation reasons + Quota 체크
C Self-Review 3-stage + Skill Evolution Loop
D Daily Audit Phase A~E (가이드/업데이트 감지, 진단, 집계, 최종 리뷰)
E Researcher Deep Mode 5라운드 AutoSearch + 3-tier 웹 접근
F Channel Routing Discord 주채널 + Telegram Forum 6 토픽
G Profile 매핑 11 워크스페이스 → 5~6 profile
H Hooks PostToolUse, PreToolUse, SessionStart/End/Compact
I 보안 모델 loopback, token, dmPolicy, 단일 사용자 수용
J 자동 업데이트 com.hermes.update-check 신규
K 폐기 대상 OpenClaw 전용 스킬·스크립트

작동 원리

카테고리 묶기는 두 가지 효과를 만든다. 첫째, 이식 체크리스트가 N(스크립트) → K(카테고리)로 축소된다. 둘째, 카테고리 내부는 동일 데이터 구조를 공유하므로 검증 시나리오를 1회만 설계해도 내부 항목 전체에 재사용된다. Heartbeat(B)를 예로 들면 3-tier 로직 · 11 escalation reason · Quota 체크가 모두 동일 메시지 스키마를 공유하므로, 단일 회귀 테스트로 묶음 전체 검증이 가능하다.

한계

카테고리 간 의존(예: A 메모리 ↔ H Hooks)은 별도로 표기해야 한다. 묶음만으로는 순서를 고정할 수 없고, 5주 일정의 실제 순서는 의존 그래프에서 도출된다.

5주 일정 — 의존 순서와 검증 체크포인트

Week 작업
1 memcore SQLite 스키마 설계 + 라이브러리 골격
2 bank/ → memcore 변환 (rsync 스냅샷 + 마이그)
3 Hermes 설치 + 1 profile + MemoryProvider 어댑터
4 보존 자산 8개 이식 + Hermes profile 5~6개 정의
5 듀얼 실행 + 검증 + 컷오버

각 주차는 입력 / 출력 / 검증 / 롤백 조건을 Day 단위로 쪼갠다. 이식 중단점에서 "현재 어느 단계인지"를 재구성할 수 있어야 하며, Week 5의 듀얼 실행은 두 시스템을 동시에 가동한 상태에서 한쪽을 중단하는 절차이므로 롤백 조건이 가장 조밀하게 정의된다.

산출물 3종 규격

1. Hermes-Migration-Detailed-Plan.md

5주 일정을 Day 1~35로 항목화. 각 Day의 입력 / 출력 / 검증 / 롤백 조건을 표로 정의한다. 목적은 이식 중 임의 시점에서 "현재 상태 · 다음 액션 · 실패 시 복구 경로"가 단일 문서로 조회 가능하게 하는 것.

2. Hermes-Profile-Definitions.md

Hermes profile 5~6개의 AGENTS.md 초안. - mir-coordinator — 사용자 페르소나, 라우팅 - research — 웹 리서치 + Deep Mode - writer — 글쓰기 - coder — 코딩 + CLI - google-workspace — Gmail / Calendar - memory-ops — Reflect, audit, housekeeping

각 profile은 활성 스킬 카테고리를 명시한다. 11 워크스페이스 → 6 profile 압축이 핵심 설계 포인트이며, 이 압축이 G 카테고리(Profile 매핑)의 실질 산출물이다.

3. memcore-API-Spec.md

memcore 라이브러리의 외부 API 시그니처. Hermes의 MemoryProvider 인터페이스 — initialize / system_prompt_block / prefetch / sync_turn / get_tool_schemas / handle_tool_call / shutdown / on_session_end / on_pre_compress / on_memory_write / on_delegation — 와의 매핑 표를 함께 둔다. 이 매핑이 있어야 Week 3의 어댑터 작업이 기계적으로 진행된다.

적용 가능 범위와 열린 질문

적용 범위. 기능 묶음 + 5주 컷오버 템플릿은 다음 조건을 만족하는 이식에 재사용 가능하다 — (1) 대상 시스템이 스크립트/스킬 단위로 분해되어 있음, (2) 원본과 신규를 병행 가동할 수 있는 리소스, (3) 메모리·상태를 공유하는 어댑터 레이어를 설계할 수 있음. 세 조건이 빠지면 Week 5의 듀얼 실행이 성립하지 않는다.

열린 질문. - 카테고리 수가 11보다 커지면 묶음 이득이 감소한다. 상한은 어디인가. - Week 5 컷오버 시 롤백 조건의 granularity는 Day 단위로 충분한가, 아니면 Hour 단위까지 내려야 하는가. - MemoryProvider 인터페이스의 on_pre_compress 훅은 기존 OpenClaw의 압축 로직과 1:1 매핑되지 않는다. 이 간극을 어댑터에서 흡수할지, 인터페이스 자체를 조정할지.

다음 글에서는 Week 1~2 실행 결과를 다룬다 — SQLite 스키마 구조, FTS5 인덱스 구성, 보존 자산 7/8 이식 완료 시점의 측정값.

시리즈 전체 안내: 시리즈 목차

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 »