OpenClaw·Hermes 마이그레이션 (4/13) — 이식할 가치가 있는 8개를 골라낸 코드 리뷰

-

부제: 평균 175 LOC, 외부 의존 없음, 마이그레이션 가치의 30%를 차지한 한 파일

핵심 요약

  • 보존(💎) 후보 자산을 한 줄씩 읽어 평가한 결과: 8개 보존, 2개 부분 보존, 1개 폐기.
  • 이식 난이도는 낮음 — 평균 175 LOC, 표준 라이브러리만 사용, 외부 의존 없음.
  • user-pattern-stage.py 한 파일이 마이그레이션 가치의 약 30%를 차지. Hermes에 동등 기능 없음.

이 글은 레거시 → 신규 플랫폼 마이그레이션 시 자산 리뷰 기법을 다룬다. 코드 라인 수, 외부 의존도, 기능 대체 가능성을 축으로 보존/부분 보존/폐기를 판정하는 방법, 그리고 LOC 기반 다이어트로 이식 범위를 줄이는 패턴이다.

자산 리뷰의 전제 조건

코드 리뷰에 들어가기 전, 이식 대상·방식·경계가 고정되어 있어야 판정이 흔들리지 않는다. 본 건의 전제는 다음과 같다.

  • 전략: Strangler Fig + Subset Migration. 원본을 점진적으로 둘러싸면서 일부만 이식.
  • 메모리 백엔드: SQLite + Python 라이브러리(memcore). 별도 데몬 없음.
  • 폴더 경계: ~/Hermes/와 ~/Project 분리. 원본은 read-only 백업으로 고정.
  • 에이전트 역할: 헤르메스 관리(신규)와 오픈클로 관리(백업 전담) 분리.
  • 컷오버 모델: 듀얼 실행 → 검증 → 컷오버.

이 전제가 있어야 "이식 가능한가"보다 "이식할 가치가 있는가"라는 질문이 성립한다.

판정 기준

자산별로 세 축을 본다.

  1. LOC — 이식 비용의 1차 지표.
  2. 외부 의존 — 표준 라이브러리만 쓰는가, 외부 패키지가 붙어 있는가.
  3. 신규 플랫폼 대체 가능성 — 동등 기능이 이미 있으면 폐기, 없으면 보존, 일부만 있으면 부분 보존.

💎 보존 — 8개

파일 LOC 이식 형태 가치
user-pattern-stage.py 260 memcore.dialectic 모듈 최고. U-tag 3-phase, anti-bias guard
confidence-decay.py 82 memcore cron tick opinions confidence 0.02 감쇠, <0.30 제거
topics-validate.py 131 memcore 정합성 체크 bank ↔ topics 일관성
topics-expand.py 186 memcore 자동 등록 신규 파일 자동 등록
bank-lint.py 176 memcore validator Retain 태그 포맷 검증
entity-audit.py 152 memcore stale 감지 30일 stale, SQLite timestamp 쿼리로 동등
docs-snapshot.sh 141 Hermes cron payload docs 변경 감지
release-check.sh 66 Hermes cron payload 버전 변경 감지

가장 비중이 큰 항목은 user-pattern-stage.py다. 사용자에 대한 가설을 관찰 → 가설 → 검증 3단계로 분리하고, 검증 전 단정을 막는 anti-bias guard를 내장한 구조다. Honcho 계열 접근에서 아이디어를 차용했지만 대상 데이터에 맞춰 재구현했다. 신규 플랫폼에는 이 dialectic 구조가 없다. 이 한 파일이 마이그레이션 자체의 정당성을 받치는 지분 약 30%에 해당한다.

🟡 부분 보존 — 2개

파일 LOC 처리
bank-size-watch.py 176 SQLite 전환 후 의미 약화. MemTree split 로직 일부만
proactive-exception-alerts.py 1310 너무 크다. 11 escalation reason 판정 로직만 추출(~300 LOC), 알림 라우팅과 컨텍스트 수집은 Hermes gateway/hook에 위임

proactive-exception-alerts.py가 부분 보존의 전형적인 사례다. 1310 LOC를 열어 보면 판정 로직은 약 300줄이고 나머지는 전송 인프라다. 전송 인프라는 신규 플랫폼이 이미 제공하므로, 판정 로직만 분리 이식하고 인프라는 위임한다. 결과적으로 1310 → 300 LOC로 축소되며, 이식 비용과 유지 부채가 동시에 줄어든다.

이 패턴은 재사용 가능하다: 하나의 큰 스크립트에서 "판정 코어 / 전송 껍데기"가 섞여 있을 때, 신규 플랫폼이 껍데기를 제공하면 코어만 떼어내라. LOC의 70~80%가 껍데기인 경우가 많다.

🗑 폐기 — 1개

파일 LOC 대체
heartbeat-tick.py 262 Hermes cron + on_turn_start hook 100% 대체

대체 경로가 1:1로 확정된 자산은 보존하지 않는다. 백업만 남기고 종결한다. 폐기 기준은 "기능 커버리지 100% + 운영 모델 동등"이다.

측정 결과와 패턴

  1. 이식 난이도가 낮은 이유: 평균 175 LOC, 표준 라이브러리만 사용, 외부 의존 없음. 공통 I/O 레이어(lib_common.py)를 memcore.io로 치환하면 대부분의 파일이 그대로 작동한다.
  2. 작업량 추정: 8개 자산의 코드 이식 자체는 1~2일. 지배적인 비용은 코드가 아니라 검증(테스트·듀얼 실행)이다.
  3. 집중 자산의 비중: 11개 후보 중 단 1개(user-pattern-stage.py)가 가치의 약 30%를 차지. 리뷰 시간을 이 파일에 우선 배정하는 편이 효율적이다.
  4. 다이어트 가능 자산: 1개 파일이 1310 → 300 LOC로 축소 가능. 이식이 곧 부채 정리가 되는 구간이 있다.

한계와 열린 질문

  • LOC는 이식 비용의 근사치일 뿐이다. 상태 의존성이 높은 파일은 LOC가 적어도 검증 비용이 크다.
  • "가치 30%" 추정은 기능 중복도와 대체 가능성 기반의 질적 판단이다. 정량 지표로 바꾸려면 실제 호출 빈도·의존 그래프 데이터가 필요하다.
  • Strangler Fig를 택한 이상 duall 실행 기간의 데이터 불일치 관측이 다음 과제가 된다.

적용 가능 범위

이 리뷰 패턴은 다음 조건에서 재사용 가능하다.

  • 레거시 코드가 수십 개 스크립트 단위로 흩어져 있고 외부 의존이 적은 경우.
  • 신규 플랫폼이 전송/스케줄링/IO 같은 공통 인프라를 제공해 "코어만 떼어내는" 분리가 가능한 경우.
  • 대체 가능성이 100%인 자산을 미련 없이 폐기할 수 있는 의사결정 구조가 있는 경우.

다음 편에서는 이 11개 자산과 나머지 기능 전체를 11 카테고리로 재분류하고, 5주 분량의 이식 일정으로 배치하는 과정을 다룬다.

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 »