AI 시스템: 자체 호스팅 어시스턴트, RAG 및 로컬 인프라

Page content

대부분의 로컬 AI 설정은 모델과 런타임에서 시작합니다.

양자화(quantized)된 모델을 다운로드하고 Ollama 또는 다른 런타임을 통해 실행한 다음 프롬프팅을 시작합니다. 실험적인 목적이라면 이 정도면 충분합니다. 하지만 단순한 호기심을 넘어 메모리, 검색 품질, 라우팅 결정, 또는 비용 인식 등을 중요하게 여기기 시작하면, 이러한 단순함이 한계를 드러내기 시작합니다.

이 클러스터는 다른 접근 방식을 탐구합니다. AI 어시스턴트를 단일 모델 호출로 취급하는 것이 아니라, 조율된 시스템(coordinated system)으로 다루는 방식입니다.

이 차이는 처음에는 미묘해 보일 수 있지만, 로컬 AI에 대한 사고방식을 완전히 변화시킵니다.

로컬 LLM, RAG, 메모리 레이어를 통한 AI 시스템 오케스트레이션

AI 시스템이란 무엇인가?

AI 시스템은 모델을 넘어서는 것입니다. 추론(inference), 검색(retrieval), 메모리(memory), 실행(execution)을 연결하여 일관된 어시스턴트처럼 작동하는 오케스트레이션 레이어입니다.

모델을 로컬에서 실행하는 것은 인프라 작업입니다. 그 모델을 중심으로 어시스턴트를 설계하는 것은 시스템 작업입니다.

다음과 같은 더 광범위한 가이드를 탐색해 보셨다면:

이미 추론이 스택의 한 레이어에 불과하다는 것을 알고 계실 것입니다.

AI Systems 클러스터는 이러한 레이어 위에 위치합니다. 이는 기존 레이어를 대체하는 것이 아니라, 결합합니다.

프로덕션 어시스턴트에서 이러한 레이어가 LLM, 메모리, 도구, 라우팅, 관측 가능성과 함께 어떻게 결합되는지에 대한 교차 매핑(cross-cutting map)을 확인하려면 — OpenClaw와 Hermes를 참조 시스템으로 — AI 어시스턴트 아키텍처: LLM, 메모리, 도구, 라우팅, 관측 가능성을 참조하십시오.

어시스턴트 아키텍처가 확고해지면 다음 단계는 이를 능동적으로 만드는 것입니다. AI 어시스턴트에서의 폴링 에이전트: 11가지 구현 패턴은 백그라운드 폴링 워커, 큐 기반 실행, 내구성 있는 워크플로우, 시맨틱 LLM 평가기가 반응형 어시스턴트를 스스로 감시하고 결정하며 행동하는 어시스턴트로 어떻게 전환시키는지 다룹니다.

단일 어시스턴트로는 부족하고 여러 에이전트가 조율해야 할 때, 조율 패턴의 선택이 대기 시간, 장애 허용성, 비용 및 디버깅 가능성을 결정합니다. 다중 에이전트 오케스트레이션 패턴: 실용적인 가이드는 오케스트레이터-워커, 순차적 파이프라인, 팬아웃, 계층적, 스웜, 메시 등 6가지 정형 패턴과 특정 실패 모드, 올바른 아키텍처를 선택하기 위한 의사 결정 프레임워크를 다룹니다.

OpenClaw: 자체 호스팅 AI 어시스턴트 시스템

OpenClaw는 로컬 인프라에서 실행되면서 메시징 플랫폼 전반에서 작동하도록 설계된 오픈소스 자체 호스팅 AI 어시스턴트입니다.

실용적인 수준에서 OpenClaw는 다음과 같은 기능을 제공합니다:

  • Ollama 또는 vLLM과 같은 로컬 LLM 런타임 사용
  • 인덱싱된 문서에 대한 검색 통합
  • 단일 세션을 넘어선 메모리 유지
  • 도구 및 자동화 작업 실행
  • 계측(instrumentation) 및 관측 가능
  • 하드웨어 제약 내에서 작동

이는 단순히 모델을 감싸는 래퍼가 아닙니다. 추론, 검색, 메모리, 실행을 연결하여 일관된 어시스턴트처럼 작동하는 오케스트레이션 레이어입니다.

시작 및 아키텍처:

맥락 및 분석:

OpenClaw 확장 및 구성:

플러그인은 OpenClaw 런타임을 확장하여 메모리 백엔드, 모델 제공자, 통신 채널, 웹 도구 및 관측 가능성을 추가합니다. 스킬(Skills)은 에이전트 행동을 확장하여 에이전트가 이러한 기능을 어떻게 그리고 언제 사용하는지 정의합니다. 프로덕션 구성은 실제로 시스템을 사용하는 사용자를 중심으로 둘을 결합하는 것을 의미합니다.

Hermes: 스킬과 도구 샌드박싱을 갖춘 지속형 에이전트

Hermes Agent는 지속적 운영에 초점을 맞춘 자체 호스팅, 모델 독립적 어시스턴트입니다. 장기간 프로세스로 실행하고, 구성된 백엔드를 통해 도구를 실행하며, 메모리와 재사용 가능한 스킬을 통해 워크플로우를 지속적으로 개선할 수 있습니다.

실용적인 수준에서 Hermes는 다음을 원할 때 유용합니다:

  • 메시징 앱으로 브리징할 수도 있는 터미널 우선 어시스턴트
  • OpenAI 호환 엔드포인트 및 모델 전환을 통한 제공자 유연성
  • 로컬 및 샌드박스화된 백엔드를 통한 도구 실행 경계
  • 진단, 로그 및 구성 위생을 갖춘 제2일 운영(day-two operations)

Hermes 프로파일은 완전히 격리된 환경입니다 — 각각 고유한 구성, 시크릿, 메모리, 세션, 스킬 및 상태를 가지며, 이는 개별 스킬이 아닌 프로파일이 실제 프로덕션 소유의 단위임을 의미합니다.

지속형 지식 및 메모리

일부 문제는 더 큰 컨텍스트 창만으로는 해결되지 않습니다 — 지속형 지식(그래프, 수집 파이프라인)과 에이전트 메모리 플러그인(Honcho, Mem0, Hindsight 및 유사한 백엔드)이 Hermes 또는 OpenClaw와 같은 어시스턴트에 연결되어야 합니다.

MCP: 모델 컨텍스트 프로토콜 서버

모델 컨텍스트 프로토콜(MCP)은 Anthropic이 도입한 오픈 표준으로, AI 언어 모델을 외부 데이터 소스, 도구 및 시스템에 연결합니다. 이는 범용 인터페이스를 제공함으로써 N×M 통합 문제를 해결합니다 — AI 애플리케이션의 USB-C 포트라고 생각하면 됩니다. MCP 서버를 구축하면 파일, 데이터베이스, API 및 호출 가능한 도구에 대한 커스텀 통합으로 AI 어시스턴트를 확장할 수 있으며, stdio 또는 HTTP를 통한 간단한 JSON-RPC 기반 프로토콜을 사용합니다.

  • Go로 구현한 MCP 서버 — 프로토콜 아키텍처, JSON-RPC 메시지 구조, 기능 협상, 공식 Go SDK 및 Go로 MCP 서버 구축을 위한 단계별 튜토리얼
  • Python으로 MCP 서버 구축 — 웹 검색 및 스크래핑 MCP 서버, stdio 및 SSE 전송, Claude Desktop 통합을 다루는 실용적인 Python 구현 가이드

A2A: 에이전트 간 프로토콜

Agent2Agent Protocol(A2A)은 독립적으로 배포된 AI 에이전트 시스템 간의 통신을 위한 오픈 표준입니다. MCP가 에이전트를 도구에 연결한다면, A2A는 에이전트를 다른 에이전트에 연결합니다 — 에이전트 카드를 통해 서로를 발견하고, 작업과 메시지를 교환하며, 진행 상황을 스트리밍하고, 타입이 지정된 아티팩트를 반환할 수 있게 합니다. A2A는 에이전트가 다른 팀에 의해 소유되거나, 다른 프레임워크로 구축되거나, 상호 운용해야 하는 별도 서비스로 배포되는 시스템을 위해 설계되었습니다.

AI 시스템을 차별화하는 요소

AI 시스템을 더 자세히 살펴볼 만한 몇 가지 특징이 있습니다.

설계 선택으로서의 모델 라우팅

대부분의 로컬 설정은 하나의 모델을 기본으로 합니다. AI 시스템은 의도적으로 모델을 선택하는 것을 지원합니다.

이는 다음과 같은 질문을 제기합니다:

  • 작은 요청은 더 작은 모델을 사용해야 할까요?
  • 추론이 더 큰 컨텍스트 창을 정당화하는 시점은 언제일까요?
  • 토큰 1,000개당 비용 차이는 얼마나 될까요?

이러한 질문은 LLM 성능 가이드에서 논의된 성능 트레이드오프 및 LLM 호스팅 가이드에 개요된 인프라 결정과 직접적으로 연결됩니다.

AI 시스템은 이러한 결정을 숨기는 대신 표면화합니다.

검색은 진화하는 구성 요소로 취급됩니다

AI 시스템은 문서 검색을 통합하지만, 단순한 “임베딩 및 검색” 단계로 취급하지는 않습니다.

AI 시스템은 다음과 같은 사실을 인정합니다:

  • 청크(chunk) 크기는 재현율(recall)과 비용에 영향을 미침
  • 하이브리드 검색(BM25 + 벡터)이 순수한 밀집 검색(dense retrieval)보다 성능이 우수할 수 있음
  • 재순위화(reranking)는 대기 시간의 비용으로 관련성을 향상시킴
  • 인덱싱 전략은 메모리 사용량에 영향을 미침

이러한 주제들은 RAG 튜토리얼에서 논의된 더 깊은 아키텍처 고려 사항과 일치합니다.

차이는 AI 시스템이 검색을 고립된 데모로 제시하는 것이 아니라 살아있는 어시스턴트에 임베딩한다는 점입니다.

인프라로서의 메모리

스테이트리스(stateless) LLM은 세션 간에 모든 것을 잊어버립니다.

AI 시스템은 지속형 메모리 레이어를 도입합니다. 이는 즉시 설계 질문을 제기합니다:

  • 장기적으로 저장해야 할 것은 무엇인가요?
  • 컨텍스트를 요약해야 할 시점은 언제인가요?
  • 토큰 폭발(token explosion)을 어떻게 방지하나요?
  • 메모리를 효율적으로 인덱싱하는 방법은 무엇인가요?

이러한 질문은 데이터 인프라 가이드의 데이터 레이어 고려 사항과 직접적으로 교차합니다. Hermes Agent의 경우 — 제한된 2개 파일 메모리, 접두사 캐싱, 외부 플러그인 — Hermes Agent 메모리 시스템과 교차 프레임워크 비교 에이전트 메모리 제공자 비교로 시작하십시오. AI 시스템 메모리 허브에는 관련 Cognee 및 지식 레이어 가이드가 나열되어 있습니다.

메모리는 기능이 cease하고 저장 문제가 됩니다.

관측 가능성은 선택이 아닙니다

대부분의 로컬 AI 실험은 “응답한다"는 지점에서 멈춥니다.

AI 시스템은 다음과 같은 사항을 관측할 수 있게 합니다:

  • 토큰 사용량
  • 대기 시간
  • 하드웨어 활용도
  • 처리량 패턴

이는 관측 가능성 가이드에 설명된 모니터링 원칙과 자연스럽게 연결됩니다.

AI가 하드웨어에서 실행된다면, 다른 워크로드와 마찬가지로 측정 가능해야 합니다.

사용해보면 어떤 느낌인가?

바깥에서 보면 AI 시스템은 여전히 채팅 인터페이스처럼 보일 수 있습니다.

표면 아래에서는 더 많은 일이 발생합니다.

로컬에 저장된 기술 보고서를 요약하라고 요청하면:

  1. 관련 문서 세그먼트를 검색합니다.
  2. 적절한 모델을 선택합니다.
  3. 응답을 생성합니다.
  4. 토큰 사용량과 대기 시간을 기록합니다.
  5. 필요시 지속형 메모리를 업데이트합니다.

가시적인 상호작용은 단순하게 유지됩니다. 시스템 동작은 레이어화되어 있습니다.

이러한 레이어화된 동작이 시스템과 데모를 차별화합니다.

스택에서 AI 시스템의 위치

AI Systems 클러스터는 여러 인프라 레이어의 교차점에 위치합니다:

  • LLM 호스팅: 모델이 실행되는 런타임 레이어(Ollama, vLLM, llama.cpp)
  • RAG: 컨텍스트와 근접성(grounding)을 제공하는 검색 레이어
  • 성능: 대기 시간과 처리량을 추적하는 측정 레이어
  • 관측 가능성: 지표와 비용 추적을 제공하는 모니터링 레이어
  • 데이터 인프라: 메모리와 인덱싱을 처리하는 저장 레이어

이러한 차이를 이해하는 것은 유용합니다. 직접 실행해보면 그 차이가 더 명확해집니다.

OpenClaw를 사용한 최소 로컬 설치에 대해서는 OpenClaw 빠른 시작 가이드를 참조하십시오. 이는 로컬 Ollama 모델 또는 클라우드 기반 Claude 구성을 사용하는 Docker 기반 설정을 안내합니다.

설정이 Claude에 의존하는 경우, 에이전트 도구를 위한 이 정책 변경은 왜 서드파티 OpenClaw 워크플로우에는 이제 API 청구가 필요한지 설명합니다.

관련 자료

A2A: 에이전트 간 프로토콜:

MCP 서버:

AI 어시스턴트 가이드:

인프라 레이어:

구독하기

시스템, 인프라, AI 엔지니어링에 관한 새 글을 받아보세요.