OpenClaw 구축·운영 (9/26) — 아키텍처 가이드: openclaw.json 구조와 보안

-

권한 격리, 라우팅 최적화, Fallback 체인으로 구축한 런타임 제어 설계

핵심 요약

  • openclaw.json은 게이트웨이, 에이전트, 채널, 도구를 중앙 제어하는 상태 기계(State Machine) 설계도다
  • JSON5 형식 + 엄격한 스키마 검증으로 Silent Failure를 방지한다
  • 최소 권한 원칙(Least Privilege)이 가장 중요한 설계 판단이었다

배경

로컬 LLM과 외부 API를 혼합한 다중 에이전트 시스템에서 가장 큰 기술적 난제는 "각 컴포넌트 간의 권한 격리와 라우팅 최적화"다. OpenClaw에서 이 런타임 동작을 중앙 제어하는 핵심이 ~/.openclaw/openclaw.json이다. 단순 환경 변수 모음이 아니라, 시스템 전체의 동작을 정의하는 아키텍처 그 자체다.

본문

JSON5와 엄격한 스키마 검증

OpenClaw 설정은 JSON5를 지원한다. 주석과 후행 쉼표(Trailing commas)를 허용해 유지보수성이 높다. 동시에 지정되지 않은 키나 오타 발생 시 Gateway가 부팅을 거부한다. 런타임 중 조용한 실패(Silent Failure)를 방지하기 위한 의도적 설계다.

4가지 핵심 블록

1. Gateway 및 환경 (네트워크/보안) 게이트웨이는 시스템 진입점이다. 포트 바인딩, 리버스 프록시 헤더, 핫 리로드 정책을 결정한다. 민감한 자격 증명은 auth-profiles.json 외부 저장소로 분리해 보안을 강화했다.

2. Agents (모델 할당/작업 공간) defaults로 전역 설정을 강제하고, list로 개별 에이전트 특성을 오버라이드한다. sandbox로 코드 실행을 Docker 환경에 격리한다.

3. Channels (메시징/라우팅) WhatsApp, Telegram, Slack 등 플랫폼별 접근 제어. bindings 배열이 선착순 매칭(First-match wins)이므로 배열 순서가 아키텍처적으로 중요하다.

4. Tools 및 Skills (행동 권한) tools.profile로 기본 프로필 설정, allow/deny로 전역 제어. deny가 항상 우선한다. elevated(호스트 직접 실행)는 엄격히 제한한다.

내가 내린 설계 판단: 최소 권한 원칙

  1. Tool 권한 격리: tools.elevated 기본 비활성화. 파일 시스템 접근은 반드시 sandbox(Docker) 내부로 제한
  2. 명시적 라우팅: 와일드카드(*) 범용 라우팅 대신 채널별 명시적 라우팅을 상단 배치
  3. Fallback 체인: 외부 API(Anthropic)를 primary로, 로컬 모델을 fallbacks에 배치해 가용성 확보

최소 권장 구조

{
  "gateway": {
    "mode": "local",
    "port": 18789,
    "auth": { "mode": "token", "token": "SECURE_TOKEN_HERE" }
  },
  "agents": {
    "defaults": {
      "workspace": "~/.openclaw/workspace",
      "model": {
        "primary": "anthropic/claude-sonnet-4-5",
        "fallbacks": ["openai/gpt-4o-mini"]
      }
    },
    "list": [
      { "id": "main", "name": "Main Agent", "default": true }
    ]
  },
  "tools": {
    "profile": "coding",
    "deny": ["canvas", "elevated_exec"]
  }
}

시행착오 / 주의사항

초기에 bindings 배열에 와일드카드 라우팅을 상단에 배치했다가, 의도하지 않은 에이전트가 모든 메시지를 가로채는 문제가 발생했다. 선착순 매칭 구조에서는 구체적인 규칙을 먼저, 범용 규칙을 나중에 배치해야 한다.

마무리

openclaw.json은 시스템의 보안, 가용성, 에이전트 역할을 정의하는 아키텍처 그 자체다. 모든 키는 생략 시 안전한 기본값(Safe Defaults)으로 동작하지만, 운영 환경에서는 채널별 정책과 도구 권한을 명시적으로 선언하는 것이 필수다.

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 »