OpenClaw 구축·운영 (18/26) — 워크스페이스 통합과 Google 서비스 연동

-

에이전트 간 데이터 파편화를 해결하고 Gmail/Calendar를 자동화한 과정

핵심 요약

  • OpenClaw 서브 에이전트들의 독립 워크스페이스를 하나로 통합해 데이터 연속성을 확보했다
  • 에이전트 활성 상태 모니터링을 위해 상태 파일 기반 Liveness 체크를 도입했다
  • Google Cloud Console에서 OAuth User Type을 External로 변경해야 개인 계정 API 접근이 가능하다

배경

OpenClaw 프레임워크는 서브 에이전트(Worker, Researcher 등)마다 독립적인 샌드박스 워크스페이스를 생성한다. 보안에는 유리하지만, 에이전트 간 결과물 공유가 필요한 상황에서는 데이터 파편화가 문제가 됐다. 이걸 해결하면서 동시에 Gmail/Calendar 연동까지 구축한 과정을 정리한다.

본문

워크스페이스 격리 해제와 공용 디렉토리 매핑

기본적으로 OpenClaw의 sessions_spawn은 에이전트별로 workspace-cheap-worker 같은 가변 디렉토리를 생성한다. 이를 하나의 공용 경로로 고정했다.

heartbeat-worker, monitor, researcher 등 7개 에이전트 설정 파일(~/.openclaw/agents/*.json)에 동일한 워크스페이스 경로를 명시한다.

{
  "name": "researcher",
  "workspace": "C:\\Users\\[사용자]\\.openclaw\\workspace"
}

워크스페이스 통합 후에는 물리적 디렉토리 생성 여부로 에이전트 활성 상태를 판단할 수 없게 된다. 이를 보완하기 위해 에이전트 구동 시 agent_status.md 파일의 수정 시간을 갱신하는 로직을 추가하여 Liveness를 확인하도록 했다.

Google 서비스 연동 (OAuth 2.0)

에이전트가 이메일과 일정을 관리하기 위해 gogcli를 활용했다.

Google Cloud Console 설정 시 핵심 포인트: 1. Gmail API, Google Calendar API 활성화 2. OAuth 동의 화면에서 User Type을 Internal에서 External로 변경 (개인 계정 접근 시 필수) 3. 테스트 사용자에 본인 Gmail 계정 추가

clawhub install gog
gog auth credentials C:\Users\[사용자]\.openclaw\credentials\google-client-secret.json
gog auth add [ID]@gmail.com --services gmail,calendar

에이전트가 30분 단위로 실행하는 명령 예시:

기능 명령
메일 확인 gog gmail search 'newer_than:30m in:inbox' --max 20 --json
일정 확인 gog calendar events primary --from [시작] --to [종료]

시행착오 / 주의사항

  • Node.js PATH 미등록 상태에서 연동 도구들이 정상 작동하지 않았다. 환경 변수 등록이 선행 조건이다.
  • Google API에서 User Type이 Internal인 채로 두면 개인 계정 접근이 차단된다. External 전환을 놓치기 쉽다.

마무리

파편화된 에이전트 작업 공간을 통합해 데이터 연속성을 확보하고, Google API 연동으로 에이전트가 실질적인 업무 데이터를 처리할 수 있는 기반을 마련했다. 워크스페이스 격리가 필요한 상황과 공유가 필요한 상황을 구분해서 설계하는 것이 핵심이다.

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 »