AI 시스템: 자체 호스팅 어시스턴트, RAG 및 로컬 인프라

Page content

대부분의 로컬 AI 설정은 모델과 런타임으로 시작합니다.

양자화(quantized) 모델을 다운로드한 후 Ollama나 다른 런타임을 통해 실행하고 프롬프팅을 시작합니다. 실험 목적이라면 이 정도면 충분합니다. 하지만 단순한 호기심을 넘어 메모리, 검색 품질, 라우팅 결정, 비용 인식 등에 관심을 갖게 되면 그 단순함이 한계를 드러내기 시작합니다.

이 클러스터는 다른 접근 방식을 탐구합니다. AI 어시스턴트를 단일 모델 호출이 아닌, 조율된 시스템으로 보는 것입니다.

이 구별은 처음에는 미묘해 보일 수 있지만, 로컬 AI를 바라보는 방식을 근본적으로 바꿉니다.

로컬 LLM, RAG, 메모리 레이어를 통한 AI 시스템 오케스트레이션

AI 시스템이란 무엇인가?

AI 시스템은 모델 그 이상입니다. 추론, 검색, 메모리, 실행을 연결하여 일관된 어시스턴트처럼 행동하게 하는 오케스트레이션 레이어입니다.

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

다음과 같은 더 넓은 가이드들을 탐구해 보셨다면:

이미 추론은 스택의 한 레이어에 불과하다는 것을 알고 계실 것입니다.

AI Systems 클러스터는 이러한 레이어들 위에 위치합니다. 그것들을 대체하지는 않으며, 결합합니다.

프로덕션 어시스턴트에서 이러한 레이어들이 어떻게 결합되는지에 대한 횡단적 지도 — LLM, 메모리, 툴링, 라우팅, 관측성을 포함하며 OpenClaw와 Hermes를 참조 시스템으로 삼습니다 — 를 보려면 AI 어시스턴트 아키텍처: LLM, 메모리, 툴, 라우팅, 관측성를 참조하세요.

어시스턴트 아키텍처가 견고해지면, 다음 단계는 능동성을 갖추는 것입니다. AI 어시스턴트에서의 폴링 에이전트: 11가지 구현 패턴에서는 백그라운드 폴링 워커, 큐 기반 실행, 내구성 워크플로우, 시맨틱 LLM 평가자가 반응형 어시스턴트를 스스로 관찰하고 결정하며 행동하는 것으로 전환하는 방법을 다룹니다.

단일 어시스턴트가 부족하고 여러 에이전트가 조정해야 하는 경우, 조정 패턴의 선택이 모든 것을 결정합니다: 레이턴시, 장애 허용, 비용, 디버가빌리티(디버그 용이성). 멀티 에이전트 오케스트레이션 패턴: 실용 가이드에서는 6가지 정형 패턴 — 오케스트레이터-워커, 순차 파이프라인, 팬아웃, 계층형, 스웜, 메시 — 을 구체적인 장애 모드와 올바른 아키텍처를 선택하기 위한 의사결정 프레임워크와 함께 다룹니다.

OpenClaw: 셀프호스트 AI 어시스턴트 시스템

OpenClaw는 로컬 인프라에서 실행되면서 메시징 플랫폼을 걸쳐 운영되도록 설계된 오픈소스 셀프호스트 AI 어시스턴트입니다.

실용적인 수준에서, OpenClaw는 다음을 수행합니다:

  • Ollama 또는 vLLM과 같은 로컬 LLM 런타임 사용
  • 인덱싱된 문서에 대한 검색 통합
  • 단일 세션을 넘어선 메모리 유지
  • 툴 및 자동화 작업 실행
  • 계측 및 관측 가능
  • 하드웨어 제약 조건 내에서 운영

이것은 모델 주위의 래퍼에 불과하지 않습니다. 추론, 검색, 메모리, 실행을 연결하여 일관된 어시스턴트처럼 행동하게 하는 오케스트레이션 레이어입니다.

시작 가이드 및 아키텍처:

컨텍스트 및 분석:

OpenClaw 확장 및 구성:

플러그인은 OpenClaw 런타임을 확장합니다 — 메모리 백엔드, 모델 프로바이더, 통신 채널, 웹 툴, 관측성을 추가합니다. 스킬은 에이전트 행동을 확장합니다 — 에이전트가 그 능력을 어떻게 그리고 언제 사용할지 정의합니다. 프로덕션 구성은 실제 시스템을 사용하는 사람을 중심으로 형성하여 이 둘을 결합하는 것을 의미합니다.

Hermes: 스킬과 툴 샌드박싱을 갖춘 영속적 에이전트

Hermes Agent는 영속적 운영에 초점을 맞춘 셀프호스트, 모델 비종속적 어시스턴트입니다: 장수 과정(long-lived process)으로 실행할 수 있고, 구성 가능한 백엔드를 통해 툴을 실행하며, 메모리와 재사용 가능한 스킬을 통해 시간이 지남에 따라 워크플로우를 개선합니다.

실용적인 수준에서, Hermes는 다음을 원할 때 유용합니다:

  • 메시징 앱으로 브리징할 수도 있는 터미널 우선 어시스턴트
  • OpenAI 호환 엔드포인트 및 모델 스위칭을 통한 프로바이더 유연성
  • 로컬 및 샌드박스된 백엔드를 통한 툴 실행 경계
  • 진단, 로그, 구성 위생과 함께한 데이-투(Day-two) 운영

Hermes 프로파일은 완전히 격리된 환경입니다 — 각각 고유한 구성, 시크릿, 메모리, 세션, 스킬, 상태를 가지며 — 프로파일을 개별 스킬이 아닌 프로덕션 소유의 실제 단위로 만듭니다.

영속적 지식과 메모리

일부 문제는 더 큰 컨텍스트 윈도우만으로는 해결되지 않습니다 — 영속적 지식(그래프, 인제스트 파이프라인)과 에이전트 메모리 플러그인(Honcho, Mem0, Hindsight 및 유사한 백엔드)을 Hermes나 OpenClaw와 같은 어시스턴트에 연결해야 합니다.

MCP: Model Context Protocol 서버

Model Context Protocol(MCP)은 Anthropic이 도입한 개방형 표준으로, AI 언어 모델을 외부 데이터 소스, 툴, 시스템에 연결합니다. 범용 인터페이스를 제공하여 N×M 통합 문제를 해결합니다 — AI 애플리케이션의 USB-C 포트라고 생각해 보세요. MCP 서버를 구축하면 파일, 데이터베이스, API, 호출 가능한 툴에 대한 커스텀 통합으로 AI 어시스턴트를 확장할 수 있으며, stdio 또는 HTTP 기반의 간단한 JSON-RPC 프로토콜을 사용합니다.

A2A: 에이전트 간 프로토콜

Agent2Agent 프로토콜(A2A)은 독립적으로 배포된 AI 에이전트 시스템 간의 통신을 위한 개방형 표준입니다. MCP가 에이전트를 툴에 연결한다면, A2A는 에이전트를 다른 에이전트에 연결합니다 — Agent Cards를 통해 서로를 발견하고, 작업과 메시지를 교환하고, 진행 상황을 스트리밍하고, 타입 있는 산출물을 반환하도록 허용합니다. A2A는 에이전트가 다른 팀에 의해 소유되거나, 다른 프레임워크로 구축되거나, 상호 운용해야 하는 별도 서비스로 배포되는 시스템용으로 설계되었습니다.

AI 시스템을 특별하게 만드는 것

여러 가지 특성들이 AI 시스템을 더 자세히 살펴볼 가치가 있게 만듭니다.

모델 라우팅을 설계 선택으로

대부분의 로컬 설정은 기본적으로 하나의 모델을 사용합니다. AI 시스템은 의도적으로 모델을 선택하는 것을 지원합니다.

그것은 다음과 같은 질문을 도입합니다:

  • 작은 요청에 작은 모델을 사용해야 하는가?
  • 추론이 더 큰 컨텍스트 윈도우를 정당화하는 시점은 언제인가?
  • 1,000 토큰당 비용 차이는 얼마인가?

이 질문들은 LLM 성능 가이드에서 논의된 성능 트레이드오프와 LLM 호스팅 가이드에 윤곽 잡힌 인프라 결정과 직접 연결됩니다.

AI 시스템은 이러한 결정을 숨기는 대신 표면화합니다.

검색은 진화하는 구성 요소로 취급됩니다

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

그것들은 다음을 인정합니다:

  • 청크 크기가 회수(recall)와 비용에 영향을 미친다
  • 하이브리드 검색(BM25 + 벡터)이 순수한 dense 검색보다 우수할 수 있다
  • 리랭킹은 레이턴시의 비용으로 관련성을 향상시킨다
  • 인덱싱 전략이 메모리 소비에 영향을 미친다

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

차이는 AI 시스템이 검색을 격리된 데모로 제시하는 것이 아니라 살아있는 어시스턴트에 임베드한다는 점입니다. Deep Research는 그 아이디어를 가장 멀리 가져갑니다: 단일 검색 패스가 아니라, 시스템이 증거가 충분할 때까지 계획, 분기, 재확인, 반복합니다. 셀프호스트 Deep Research 시스템: 12개 도구 비교는 12개의 셀프호스트 시스템 — 재귀적 연구 트리, 플래너-서브에이전트 디자인, 증거 갭 루프 포함 — 과 각 시스템이 검색을 적응형 연구 루프로 전환하는 방식을 다룹니다.

메모리는 인프라입니다

무상태(stateless) LLM은 세션 사이에 모든 것을 잊어버립니다.

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

  • 장기적으로 저장해야 하는 것은 무엇인가?
  • 언제 컨텍스트를 요약해야 하는가?
  • 토큰 폭발을 어떻게 방지하는가?
  • 메모리를 효율적으로 인덱싱하는 방법은?

그 질문들은 데이터 인프라 가이드의 데이터 레이어 고려 사항과 직접 교차합니다. Hermes Agent에 특히 — 경계가 설정된 2파일 메모리, 프리픽스 캐싱, 외부 플러그인 — 에 대해 Hermes Agent 메모리 시스템과 프레임워크 간 비교 에이전트 메모리 프로바이더 비교에서 시작하세요. 자동 캡처 및 성찰은 모델의 자체 추론을 미래의 “증거"로 전환할 수도 있습니다 — 장애 모드는 AI 에이전트의 자기 강화 메모리 루프를, 보수적인 로컬 구현은 Hermes Agent용 Mnemosyne를 참조하세요. AI Systems 메모리 허브에는 관련 Cognee 및 지식 레이어 가이드가 나열되어 있습니다.

메모리는 기능이 cease되어 저장 문제가 됩니다.

관측성은 선택 사항이 아닙니다

대부분의 로컬 AI 실험은 “응답한다"에서 끝납니다.

AI 시스템은 다음을 관찰할 수 있게 합니다:

  • 토큰 사용량
  • 레이턴시
  • 하드웨어 사용률
  • 처리량 패턴

이는 관측성 가이드에 설명된 모니터링 원칙과 자연스럽게 연결됩니다.

AI가 하드웨어에서 실행된다면, 그것은 다른 워크로드와 마찬가지로 측정 가능해야 합니다.

사용 경험은 어떤 느낌인가?

외부에서 보면, AI 시스템은 여전히 채팅 인터페이스처럼 보일 수 있습니다.

표면 아래에서, 더 많은 일이 일어납니다.

로컬에 저장된 기술 보고서를 요약하도록 요청하면:

  1. 관련 문서 세그먼트를 검색합니다.
  2. 적절한 모델을 선택합니다.
  3. 응답을 생성합니다.
  4. 토큰 사용량과 레이턴시를 기록합니다.
  5. 필요하다면 영속적 메모리를 업데이트합니다.

가시적인 상호작용은 여전히 단순합니다. 시스템 행동은 계층적입니다.

그 계층적 행동이 시스템과 데모를 구별합니다.

AI 시스템이 스택에서 위치하는 곳

AI Systems 클러스터는 여러 인프라 레이어의 교차점에 위치합니다:

  • LLM 호스팅: 모델이 실행되는 런타임 레이어 (Ollama, vLLM, llama.cpp)
  • RAG: 컨텍스트와 기반을 제공하는 검색 레이어
  • 성능: 레이턴시와 처리량을 추적하는 측정 레이어
  • 관측성: 메트릭과 비용 추적을 제공하는 모니터링 레이어
  • 데이터 인프라: 메모리와 인덱싱을 처리하는 저장 레이어

그 구별을 이해하는 것은 유용합니다. 직접 실행해보면 차이가 더 명확해집니다.

OpenClaw를 통한 최소 로컬 설치를 보려면 OpenClaw 퀵스타트 가이드를 참조하세요. 로컬 Ollama 모델 또는 클라우드 기반 Claude 구성을 사용한 Docker 기반 설정을 안내합니다.

설정이 Claude에 의존하는 경우, 에이전트 툴을 위한 이 정책 변경는 왜 서드파티 OpenClaw 워크플로우에서 이제 API 과금이 필요한지 명확히 합니다.

관련 리소스

A2A: 에이전트 간 프로토콜:

MCP 서버:

비교:

AI 어시스턴트 가이드:

인프라 레이어:

구독하기

시스템, 인프라, AI 엔지니어링에 관한 새 글을 받아보세요.