AI 시스템: 자체 호스팅 어시스턴트, RAG 및 로컬 인프라

Page content

대부분의 로컬 AI 설정은 모델과 런타임(runtime)에서 시작합니다.

양자화(quantized)된 모델을 다운로드하고 Ollama 또는 다른 런타임을 통해 실행한 후 프롬프트 입력을 시작합니다. 실험적 목적이라면 이 정도로 충분합니다. 하지만 단순한 호기심을 넘어 메모리, 검색 품질, 라우팅 결정, 또는 비용 인지에 신경 쓰게 되면, 이러한 단순함이 한계를 드러내기 시작합니다.

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

이 구별은 처음에는 미묘해 보일 수 있지만, 로컬 AI에 대한 사고방식을 완전히 바꿔놓습니다.

로컬 LLM, RAG, 메모리 레이어를 활용한 AI 시스템 오케스트레이션

AI 시스템이란 무엇인가?

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

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

다음과 관련된 더 광범위한 가이드를 탐색해 보셨다면:

이미 추론은 스택의 한 레이어에 불과하다는 것을 알고 계실 것입니다.

AI 시스템 클러스터는 이러한 레이어 위에 위치합니다. 이를 대체하지 않고 결합합니다.

OpenClaw: 셀프호스팅 AI 어시스턴트 시스템

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

실용적인 관점에서 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 운영

이는 단순히 모델을 감싸는 래퍼(wrapper)가 아닙니다. 추론, 검색, 메모리, 실행을 연결하여 일관된 어시스턴트처럼 작동하도록 하는 오케스트레이션 레이어입니다.

시작하기 및 아키텍처:

맥락 및 분석:

OpenClaw 확장 및 구성:

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

Hermes: 스킬과 도구 샌드박싱을 갖춘 지속형 에이전트

Hermes Agent는 지속 가능한 운영에 초점을 맞춘 셀프호스팅, 모델 독립적 어시스턴트입니다. 장기간 프로세스로 실행될 수 있으며, 구성 가능한 백엔드를 통해 도구를 실행하고, 메모리와 재사용 가능한 스킬을 통해 워크플로우를 시간이 지남에 따라 개선합니다.

실용적인 관점에서 Hermes는 다음을 원할 때 유용합니다:

  • 메시징 앱으로 브리징할 수도 있는 터미널 우선(terminal-first) 어시스턴트
  • OpenAI 호환 엔드포인트 및 모델 전환을 통한 제공자 유연성
  • 로컬 및 샌드박스 백엔드를 통한 도구 실행 경계 설정
  • 진단, 로그 및 구성 위생(config hygiene)을 갖춘 2일차(Day-two) 운영

Hermes 프로파일은 완전히 격리된 환경입니다. 각 프로파일은 고유한 구성, 시크릿(비밀 정보), 메모리, 세션, 스킬 및 상태를 가지므로, 개별 스킬이 아닌 프로파일이 실제 프로덕션 소유의 단위가 됩니다.

AI 시스템을 차별화하는 요소

AI 시스템을 더 자세히 살펴볼 만한 특징이 몇 가지 있습니다.

설계 선택으로서의 모델 라우팅

대부분의 로컬 설정은 하나의 모델을 기본값으로 사용합니다. AI 시스템은 모델을 의도적으로 선택하도록 지원합니다.

이는 다음과 같은 질문을 제기합니다:

  • 작은 요청은 더 작은 모델을 사용해야 하는가?
  • 언제 추론이 더 큰 컨텍스트 윈도우를 정당화하는가?
  • 토큰 1,000개당 비용 차이는 얼마인가?

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

AI 시스템은 이러한 결정을 숨기지 않고 표면화합니다.

검색은 진화하는 구성 요소로 취급됨

AI 시스템은 문서 검색을 통합하지만, 단순한 “임베딩 및 검색” 단계로만 처리하지는 않습니다.

그들은 다음과 같은 사실을 인정합니다:

  • 청크 크기(chunk size)가 재현(recall) 및 비용에 영향을 미침
  • 하이브리드 검색(BM25 + 벡터)이 순수한 밀집 검색(dense retrieval)보다 성능이 우수할 수 있음
  • 리랭킹(reranking)이 지연 시간을 희생하면서 관련성을 향상시킴
  • 인덱싱 전략이 메모리 사용량에 영향을 미침

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

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

인프라로서의 메모리

상태(stateless) LLM은 세션 간에 모든 것을 잊습니다.

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

  • 장기적으로 무엇을 저장해야 하는가?
  • 언제 컨텍스트를 요약해야 하는가?
  • 토큰 폭발을 어떻게 방지하는가?
  • 메모리를 효율적으로 어떻게 인덱싱하는가?

이러한 질문들은 데이터 인프라 가이드의 데이터 레이어 고려 사항과 직접적으로 교차합니다.

메모리는 기능이 멈추고 저장 문제가 됩니다.

관측 가능성은 선택 사항이 아님

대부분의 로컬 AI 실험은 “응답한다"는 지점에서 멈춥니다.

AI 시스템은 다음을 관찰할 수 있게 만듭니다:

  • 토큰 사용량
  • 지연 시간(Latency)
  • 하드웨어 활용도
  • 처리량 패턴

이는 관측 가능성 가이드에 설명된 모니터링 원칙과 자연스럽게 연결됩니다.

AI가 하드웨어에서 실행된다면, 다른 워크로드와 마찬가지로 측정 가능해야 합니다.

사용해보는 느낌

외부에서 볼 때, AI 시스템은 여전히 채팅 인터페이스처럼 보일 수 있습니다.

하지만 표면 아래에서는 더 많은 일이 발생합니다.

로컬에 저장된 기술 보고서를 요약해 달라고 요청하면:

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

가시적인 상호작용은 단순하게 유지됩니다. 시스템 행동은 레이어화되어 있습니다.

이 레이어화된 행동이 시스템과 데모를 차별화합니다.

스택에서 AI 시스템의 위치

AI 시스템 클러스터는 여러 인프라 레이어의 교차점에 위치합니다:

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

이러한 구별을 이해하는 것은 유용합니다. 직접 실행해 보면 차이가 더 명확해집니다.

OpenClaw를 사용한 최소한의 로컬 설치에 대해서는 OpenClaw 빠른 시작 가이드를 참조하세요. 이 가이드는 로컬 Ollama 모델 또는 클라우드 기반 Claude 구성을 사용하는 Docker 기반 설정을 안내합니다.

설정이 Claude에 의존하는 경우, 에이전트 도구를 위한 이 정책 변경을 참조하여 서드파티 OpenClaw 워크플로우에서 이제 API 과금이 필수적인 이유를 명확히 할 수 있습니다.

관련 리소스

AI 어시스턴트 가이드:

인프라 레이어:

구독하기

시스템, 인프라, AI 엔지니어링에 관한 새 글을 받아보세요.