OpenClaw·Hermes 마이그레이션 (9/13) — 마이그레이션 전략: Strangler Fig 패턴 실전

-

Big Bang을 거부하고 점진 교체를 선택한 기술적 근거

핵심 요약

이 글이 전달하는 것: - 레거시 AI 에이전트 시스템을 새 시스템으로 이관할 때 쓸 수 있는 5가지 전략(A~E) 비교 프레임 - Strangler Fig + Subset Migration(B+D) 조합이 어떤 조건에서 Big Bang을 이기는지의 판정 기준 - rsync 기반 baseline + 점진 동기화로 롤백 경로를 확보하는 구체 구조 - 중간 추상 레이어(memcore)가 차기 마이그레이션 비용을 낮추는 원리

문제 정의: AI 에이전트 마이그레이션이 단순 이전이 아닌 이유

AI 에이전트 시스템의 마이그레이션 대상은 코드만이 아니다. 에이전트 정의, 메모리 구조, 라우팅 로직, 누적된 세션 아카이브가 전부 이동 대상이다. 이 글의 케이스에서는 여러 에이전트 + 메모리 뱅크 + 라우팅 + 세션 아카이브가 이전 범위였다.

이 조건에서 전략을 잘못 고르면 결과는 둘 중 하나로 수렴한다.

  1. 이전 중 시스템 전체 정지
  2. 이전 후 데이터 누락 상태로 운영 재개

둘 다 허용 불가다. 따라서 전략 선택이 별도 단계로 분리된다.

5가지 전략 후보 비교

일반적인 마이그레이션 패턴 카탈로그 중 AI 에이전트 맥락에서 적용 가능한 5개를 후보로 올렸다.

옵션 이름 개요
A Big Bang 레거시 완전 중단 → 신규 전면 투입
B Strangler Fig 기능 단위로 신규 이식, 레거시 점진 퇴역
C (검토 중) —
D Subset Migration 대표 서브셋 선이전, 검증 후 전체 확장
E (검토 중) —

최종 채택: B + D 조합.

B와 D는 상호 배타가 아니라 직교한다. B는 시간 축(언제 교체), D는 대상 축(무엇부터 교체)의 결정이다. 따라서 결합 사용이 가능하다.

Big Bang(A)이 기각되는 조건

Big Bang은 구조적으로 단순하다. 전환 날짜를 정하고 레거시를 끈 뒤 신규를 켠다. 이중 운영 구간이 없으므로 복잡도도 낮다.

단, 다음 조건이 하나라도 성립하면 리스크가 속도 이점을 초과한다.

  1. 레거시가 누적 패치 구조다 — 장기 운영 중 "기존에 덧붙이기" 방식이 반복되어 bootstrap 시점의 패치 충돌이 쌓여 있다.
  2. 이전 전 데이터 정합성 검증 시간이 부족하다 — Big Bang의 짧은 전환 창에서 전체 에이전트 메모리를 검증하기 어렵다.
  3. 롤백 비용이 비대칭적이다 — 신규에서 문제가 드러날 때 레거시는 이미 정지 상태이며, 누적 패치 구조라 복원 자체가 불확실하다.

본 케이스는 위 3개 조건 모두 성립한다. 따라서 A는 기각.

채택 전략: Strangler Fig + Subset Migration

Strangler Fig 작동 원리

Strangler Fig는 Martin Fowler가 명명한 레거시 교체 패턴이다. 새 시스템이 기능을 하나씩 가져가고, 레거시는 해당 기능을 내려놓는다. 신규가 성숙할수록 레거시 영역이 축소되고, 최종 단계에서 레거시가 제거된다.

이 글 케이스의 적용 모델:

Legacy (계속 bank/ 업데이트)
  → memcore 점진적 동기화
  → New System은 memcore만 참조
  → 검증 완료
  → Legacy 종료
  → memcore가 지식 베이스 역할 계승

Subset Migration 작동 원리

Subset Migration은 전체를 한 번에 이전하지 않는다. 대표성 있는 서브셋(여기서는 특정 에이전트 그룹과 메모리 영역)을 먼저 이전해 검증한다. 검증 통과 시 나머지로 확장한다.

두 전략의 결합 효과

  • Strangler Fig: 시스템 연속성 보장. 레거시가 폴백으로 존재하므로 신규 장애 시 복구 경로 확보.
  • Subset Migration: 전면 이전 전 리스크 조기 발견. 검증 실패 비용이 전체 범위가 아닌 서브셋 범위로 한정.

구현 주의점: 동시 운영이 아닌 순차 전환

Strangler Fig에 대한 흔한 오해: "두 시스템이 동시에 같은 요청을 처리한다."

본 구현은 그렇지 않다. 순차적 전환 모델을 택했다.

  1. Legacy 중단
  2. New 시작
  3. New가 memcore를 통해 이전된 지식 기반 위에서 운영

동시에 두 시스템이 에이전트를 실행하는 구간이 없다. 이중 실행은 상태 동기화 충돌과 중복 과금을 유발하므로 의도적으로 배제했다. Strangler Fig의 본질은 "동시 운영"이 아니라 "점진 대체"다.

memcore 동기화 구조

레거시에서 신규로 지식을 넘기는 통로가 memcore다. 동기화는 두 단계로 분리된다.

1단계: rsync 스냅샷 (baseline)

레거시의 메모리 상태를 rsync로 memcore에 복사한다. 이 시점이 마이그레이션 기준점이 된다. 이후 비교·검증은 모두 이 baseline 기준으로 수행된다.

2단계: 점진적 동기화 (delta)

이후 레거시가 새 정보를 추가할 때마다 memcore도 업데이트된다. 최종 전환 직전까지 동기화 상태가 유지된다.

자동화

LaunchAgent com.memcore.sync.plist가 매일 03:30 KST에 동기화를 실행한다.

<!-- com.memcore.sync.plist 핵심 부분 -->
<key>StartCalendarInterval</key>
<dict>
    <key>Hour</key>
    <integer>3</integer>
    <key>Minute</key>
    <integer>30</integer>
</dict>

저녁 활동 시간대를 피하고 새벽 저활성 구간을 선택한 결정이다. 동기화 중 발생할 수 있는 락 경쟁을 최소화한다.

롤백 경로 설계

신규 전환 후 문제 발생 시 복구 절차: 레거시 재시작.

memcore는 레거시가 생성한 스냅샷 기반이므로, 레거시를 재시작하면 동일한 지식 베이스 위에서 운영이 재개된다. 데이터 손실 없음.

이 롤백 경로의 확보 가능성이 Strangler Fig 선택의 핵심 근거 중 하나다.

전략 롤백 비용
Big Bang 높음 — 레거시 상태 재구성 필요, 누적 패치로 복원 불확실
Strangler Fig 낮음 — 레거시가 baseline 시점까지 보존됨

롤백 비용이 낮다는 것은 "신규를 과감하게 시도할 수 있다"는 뜻이기도 하다. 의사결정 민첩성의 기술적 기반이 된다.

전략 선택 판정 기준: 이식성 우선

마이그레이션 전략을 고를 때 적용한 기준:

"이 결정이 다음 마이그레이션도 더 쉽게 만드는가?"

단기 편의보다 장기 이식성을 우선한다는 원칙이다. 신규 시스템도 언젠가 교체 대상이 된다. 그 시점에 현재 구조가 도움이 되어야 한다.

memcore를 중간 추상 레이어로 두는 이유가 여기 있다. 레거시 내부 구조에 직접 의존하는 연결을 신규에 넘기지 않는다. memcore 인터페이스만 유지하면 다음 교체 시 레거시 → 신규가 아닌 신규 → 차기의 경로가 같은 비용으로 반복 가능하다.

즉, memcore는 교체 비용을 분산시키는 abstraction boundary다.

적용 가능 범위와 한계

적용 가능한 케이스

  • 레거시가 장기 운영되며 누적 패치가 쌓여 있는 환경
  • 지식/상태가 중요한 AI 에이전트·봇·파이프라인 시스템
  • 롤백 경로 확보가 우선순위인 프로덕션 시스템
  • 전환 시점이 비즈니스 데드라인에 묶이지 않은 경우

이 패턴이 약한 케이스

  • 레거시-신규 간 데이터 모델이 근본적으로 호환되지 않을 때 (memcore 같은 중간 레이어 설계 비용이 과다)
  • 전환 기한이 짧고 baseline 유지 비용이 그 기한을 초과할 때
  • 서브셋 정의가 자연스럽게 나오지 않는 모놀리식 상태 머신

정리

항목 결정
전략 Strangler Fig + Subset Migration (B+D)
Big Bang 기각 근거 누적 패치 충돌 → 롤백 비용 비대칭
동시 운영 여부 없음. 순차 전환
동기화 수단 rsync baseline + 점진적 delta (03:30 KST)
롤백 레거시 재시작. 데이터 손실 없음
장기 이식성 장치 memcore 추상 레이어

열린 질문

  • Subset 선정의 대표성은 어떻게 측정하는가? 서브셋 검증 통과가 전체 성공을 얼마나 보장하는가?
  • 중간 추상 레이어(memcore)의 스키마가 다음 세대 시스템의 데이터 모델과 어긋날 때의 마이그레이션 비용은?
  • 점진 동기화 구간에서 레거시와 memcore의 일시적 불일치(drift)를 허용 가능한 범위는?

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 »