오픈클로로 지속 가능한 AI 지식 인프라 구축하기

한 개발자가 AI 설정에서 흔히 발생하는 상태 비저장 문제를 해결하기 위해 OpenClaw 위에 '브레인'이라는 완전한 지식 인프라 시스템을 구축했습니다. 이 시스템은 세션 간 지속적인 메모리를 제공하여 사용자가 과거 결정과 워크플로우 기록을 조회할 수 있도록 합니다.

핵심 아키텍처

브레인은 중앙 지식 서비스 역할을 하며, 문서가 Ollama를 사용하여 로컬에서 수집, 청킹, 임베딩됩니다. 데이터는 Postgres, MongoDB, Qdrant에 걸쳐 저장되며, 관계는 Memgraph 그래프 데이터베이스에 매핑됩니다. 이를 통해 모든 결정, 세션, 워크플로우 실행이 검색 가능하고 연결됩니다.

검색 및 검색

검색 및 검색

브레인의 검색은 Qdrant를 통한 의미론적 검색과 Postgres의 BM25 전체 텍스트 검색을 결합한 하이브리드 검색을 사용하며, 상호 순위 융합을 통해 병합됩니다. 결과는 합성 전에 자동으로 중복 제거되고 컨텍스트 예산이 할당됩니다.

RAG 에이전트 및 플러그인 시스템

브레인 위에는 RAG 에이전트가 있으며, 검색 → 그래프 확장 → 융합 → 합성의 완전한 파이프라인을 실행합니다. 이 모든 것은 로컬 Ollama 모델로 구동됩니다. 에이전트는 모든 답변에 대해 신뢰도를 추정하고, 신뢰도가 낮을 때 '지식 격차'를 보류 대기열에 자동으로 기록합니다.

이 시스템은 에이전트가 호출할 수 있는 33개 이상의 유형화된 도구를 포함한 깔끔한 플러그인 시스템을 포함합니다: brain_search, brain_ingest, brain_rag_query, brain_graph_slice, brain_condense_domain. 모든 작업은 엄격하고 잘 정의된 인터페이스를 갖습니다.

워크플로우 및 가시성

워크플로우는 이 시스템에서 일급 객체입니다. 방향 설정, 가져오기, 검사, 합성, 기록의 다단계 파이프라인은 에이전트를 통해 실행하거나, cron 일정에 따라 결정론적 실행기로 LLM 없이 실행할 수 있습니다. 두 경우 모두 원격 측정 및 가시성은 일관되게 유지됩니다.

각 에이전트는 엄격한 권한을 가지며 구조화된 인계를 통해 통신하며, 모든 활동은 검색 가능한 기록으로 브레인에 추적됩니다. Python 드리프트 검사기는 라이브 에이전트 구성을 브레인 스냅샷과 비교하여, 도구 허용 목록이나 플러그인 버전이 변경될 때 구조화된 이벤트를 자동으로 기록합니다.

로컬 배포 및 향후 계획

전체 시스템은 임베딩과 합성을 위해 Ollama를, 모든 저장소에는 Docker를 사용하여 로컬에서 실행됩니다. 핵심 인텔리전스 계층에는 OpenAI 호출이나 외부 API가 없습니다.

다음 단계로는 RAG 에이전트를 LlamaIndex Workflows로 마이그레이션하고, 공유 브레인-클라이언트 SDK를 구축하며, API 표면을 강화하는 것이 포함됩니다. RAG 엔드포인트는 /v1/rag/ 접두사로 이동 중이며, 영역은 헤더가 되고, 누출되는 DB 파사드는 적절히 추상화될 예정입니다.