Openclaw 맛보기

게시 2026/02/06 업데이트 2026/02/06

By 임도훈

조회 10 분읽는 시간

유행의 돌풍! Clawdbot! 아니 이제는 moltbot! 아니 바로 OpenClaw에 대해 알아보자!

이름과 인기

초기 이름은 Clawdbot이었으나.. 당연히 Anthropic에서 claude와 유사하니 문제삼았다.

때문에 이름을 moltbot으로 변경하였다. 그러나 moltbot에 대한 상표권을 등록할 수 없어서 이름을 다시 바꾸었다.

그렇게 최종적으로 Opensource임을 강조하면서 랍스터 캐릭터를 유지할 수 있는 OpenClaw가 되었다!

애플 시리가 지향했던 행동하는 AI 비서를 지향한다.

github star가 16만개에 이르고 google trend에서도 급격히 오르고 있다. OpenClaw로 며칠전부터 뜨는 것인데.. 같이 검색된 검색어를 보면 이름을 여러번 바꿨기에 그런 것을 알 수 있다. ㅋㅋ

메인 슬로건은 행동하는 AI로 일상 업무를 기존 채팅앱에 통합했다고 한다.

장점으로 내세우는 것들은 다음과 같다.

장비 상관 x
기존 채팅 앱과의 연동
오래 context를 기억하며
인터넷을 돌아다니고
장비를 온전히 다루며
다양한 확장성을 가진다 -> 기존 AI 서비스나 툴의 좋은점을 모두 합친 느낌이다.

Any Chat App?

커뮤니티에 공유된 활용 사례

믿기 어려운 여러 사례가 있지만 박스친 사례들은 실제로 linked이나 커뮤니티에서 내가 보기도 했고 Slack 사례의 경우 메신저의 특성을 살릴 수도 있어서 신기했다.

내가 linkedin에서 본 사례는 다음이었다.

openclaw를 구축하며 사용해보니 이분의 의견에 많이 공감됐다.

OpenClaw의 구조

어떤 구조이길래 가능할까?

편리한 장점

챗봇 대화 히스토리/세션 문제 해결
- 이게 참 귀찮은 문제인데 편하게 제공해준다.
편리한 신규 Agent 추가

챗봇 대화 히스토리/세션 문제 해결

세션별 대화를 json으로 보관하며 세션별, 채녈별로 다른 모델을 선택해 대화할 수 있다.
로컬모델 + 클라우드 모델 혼용도 가능하다.
- 복잡하고 어려운 채팅 -> 클라우드 모델
- 간단한 db 문답성 채팅 -> 로컬 모델
제공하는 웹 UI에서 세션과 챗을 보면 openclaw에서 관리해주고 메신져 채널들은 단순 질의응답을 미러링하는 것임을 알 수 있다.

편리한 신규 Agent 추가

Agent와 Workspace는 1:1로 대응하며 markdown으로 Agent를 표현하면 된다. (SystemPrompt)
- 나의 경우에는 내 목표를 설명하면서 chatgpt에게 만들어달라고 했다.

Markdown으로 스스로를 인지하고 외부 지식을 사용하는 방법

Agent 정의 markdown파일로 본인 스스로를 인지한다.
외부 지식은 별도 디렉토리에 markdown으로 제공하고 agent 정의 마크다운에서 이를 활용해 답변하라고 지시한다.
- 추가 외부 지식은 embedding 모델에 의해 chunking 되어 agent만의 local sqlite DB에 저장된다.
- memory_search 툴을 사용할 때 RAG처럼 검색 사용한다.

데모 - 나의 커스텀 비서 (Obsidian)

나는 obsidian으로 내 일상을 기록한다. 태그를 통해 #헬스, #러닝, #술, #샐러드 등 기록을 남겨 놓는다.
내 로컬 Obsidian Vault에 저장된 일단위, 주단위 월단위 기록들을 보고 OpenClaw가 내 개인 건강 비서가 되면 좋겠다고 생각했다.
- ex1) 지난 달에 비해 운동량이 30% 부족해요! 특히 러닝이 줄었어요 건강에 유의하세요~
- ex2) 지난 주에 비해 샐러드 섭취량이 3회 늘었어요!
  Agent 설정
markdown에 성격을 비롯한 여러 사항을 구현해 놓는다.
- Agent 설정 markdown 파일
  - 너는 zed의 Life Assistant
  - zed는 건강에 관심이 많음
  - Obsidian에 기록된 사용자 일상 활용 (#태그)
  - …
- (obsidian 관련 cli, tool, skill 연동하지 않고 그냥 local obisidan 파일들의 경로만 제공)
물론 이것도 copilot으로 만들었다.

데모 화면 (good)

engine
- Claude Sonet 4.0
embedding model
- Qwen3.0-embedding (모델선택에 큰 의미는 없다. Ollama local LLM으로 엔진 테스트할 때 Qwen3 써서 그렇다.)

Slack연동한 채팅

내가 원하는대로 잘 응답해주었다.

제공한 사용자 메뉴얼은 다음과 같았다.

OpenClaw 후기

인상 정리

MCP보다 한 단계 더 편해졌다
- MCP가 LLM에 손발을 달아주는 방식이라면
- OpenClaw는 이미 손발이 달린 LLM을 내 책상에 앉혀두고 나는 밖에 나가 메신저로 대화하는 느낌에 가깝다.
- 완전히 새로운 기술은 아니다. 기존에도 충분히 구현 가능했던 구조들이다.
- 혁신적인 신기술이 등장했다기보다는, 여러 도구와 패턴을 매우 잘 정리해 하나의 사용하기 쉬운 형태로 묶어준 느낌이다.
세팅과 통합의 부담을 크게 줄여준다
- 예전에도 다음것들은 할 수 있었다.
  - LLM 서빙(chatgpt, claude, …) 로컬 LLM 서빙(Ollama)
  - 채팅 환경 구성
  - 도구 연동
- OpenClaw는 이 과정에서 발생하던 설정·통합의 수고를 상당 부분 덜어준다.

그러나 토큰을 매우 많이 소모한다. 데모 용으로 4~5번 정도 채팅했는데 3천원(1.8$) 정도 소모했다. 하루종일 돌리면 어떨지..

토큰양은 다음과 같았다.

일상 메신져에 도구 사용하는 LLM을 통합한다는 관점

로컬 LLM으로 서빙하는 경우
- 성능: 허술하지만 어느정도 유저가 원하는 답변을 쿼리해 내놓을 수 있을 것 같다.
- 한계
  - 맥북 M2 Pro 32G 기준으로는 응답이 매우 느림 (수분 정도 소요)
  - 동시 처리량 문제
Cloud API 사용 서빙하는 경우
- 성능: 유의미한 응대가 가능해보인다.
- 한계
  - 성능만큼 가격이 비싸 낮은 모델로 어디까지 되는지 튜닝 및 실험 필요

한 턴에 비싼 이유

세션의 대화 기록 내역을 보면 json형태로 유저와 봇이 주고받은 turn 대화가 있는데 여기에 봇이 응답을 내기까지 어떤 tool을 요청하였고 응답받고 재추론했는지 알 수 있다.

위 이미지는 이런 내용을 담고 있다.

유저 발화 1건과 봇 발화 1건
봇이 최종 발화를 도출하기위해 사용한 14개의 추론
- 9건의 read tool 사용 (obsidian 문서 읽기)
- 5건의 exec tool 사용 (기타 시스템 커맨드 실행 명령)

+본 포스팅은 내가 회사에서 테크 세미나 시간에 발표한 내용의 일부이다. ++갓대희님의 기술 블로그를 많이 참고하였다. https://goddaehee.tistory.com/509