OpenClaw 구축·운영 (6/26) — 환경 구축 방법론: 설계와 운영의 분리

-

커스텀 구현을 버리고 네이티브 기능으로 전환한 아키텍처 설계 판단

핵심 요약

  • 공식 가이드 14종을 전수 분석하여 커스텀 구현 5개를 네이티브 기능으로 대체했다
  • 런타임(Agent)과 관리(docs) 구조를 물리적으로 분리하는 디렉토리 설계를 적용했다
  • 내부 지시어는 영어, 최종 출력은 한국어라는 이중 언어 정책이 토큰 효율에 효과적이다

배경

OpenClaw는 업데이트 속도가 압도적이다. 3일 내에 3번의 마이너 릴리스(v2026.3.8→3.11)가 나올 정도였다. 이 속도에서 커스텀 구현을 유지하는 것은 비효율적이라는 판단을 내렸다.

본문

첫 번째 원칙: 공식 가이드 기반 검증

Claude Code를 활용해 OpenClaw 공식 가이드 14종(agents.md, automation.md, sessions-memory.md 등)을 전수 분석했다. 결과적으로 직접 스크립트로 구현한 5가지 기능을 폐기하고 네이티브로 대체했다.

  • compact heartbeat → compaction.mode: "safeguard"
  • flush.md, daily-log.md → compaction.memoryFlush 설정
  • session heartbeat → session.reset: daily + maintenance: enforce
  • Context cleanup heartbeat → contextPruning (cache-ttl 1h)
  • 커스텀 Failover → Model fallbacks 배열

런타임/관리 구조 분리

/Project/
├── Agent/          (런타임)
│   ├── .openclaw/
│   ├── workspace-mir/
│   └── workspace-shared/
├── docs/           (관리)
│   ├── manuals/
│   ├── Spec.md
│   └── Checklist.md
├── scripts/
└── .claude/

도구 간 역할도 분리했다. mir(OpenClaw)는 사용자와 실시간 대화 및 서브에이전트 호출을, Claude Code는 릴리스 노트 분석과 설정 명세서 갱신을 담당한다.

보안: 최소 권한 원칙

에이전트 허용 도구 차단 도구
monitor read, exec write, edit
researcher web_search, read write, exec
memory-runner read, write exec, edit
communicator read, write exec, web

비용 최적화: Fallback 전략

{
  "model": {
    "primary": "ollama/qwen3.5:35b-a3b-16k",
    "fallbacks": ["github-copilot/gpt-4o", "openai-codex/gpt-5.1-codex-mini"]
  }
}

GitHub Copilot API 등 무료 서비스를 예비 모델로 배치하여 운영 비용 0원 유지.

시행착오 / 주의사항

가장 큰 실수는 네이티브 기능 존재 여부를 확인하지 않고 커스텀 구현부터 시작한 것이다. 빠른 업데이트 주기의 플랫폼에서는 "구현 전에 공식 문서부터 확인"이 철칙이다.

마무리

성숙하지 않은 AI 플랫폼 위에서 시스템을 구축하는 것은 움직이는 과녁을 맞히는 것과 같다. 한 번 구축하고 끝나는 것이 아니라, 변화를 수용하고 내재화하는 프로세스 자체가 가장 중요한 아키텍처다.

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 »