디에스 DevOps Lab

오늘 오전에 정리한 Qwen 모델 라인업 총정리 에서는 큰 모델의 현실적인 장비로 맥 스튜디오 를 꼽았습니다. 그런데 바로 이런 질문이 따라옵니다. "맥 스튜디오까지는 부담스럽고, 9월에 나온 M6 맥미니로는 어디까지 돌아가나요?" 이 글은 같은 Qwen 모델들을 맥미니 M6(16·24·32GB) 와 맥 스튜디오 M5 Max 128GB · M5 Ultra 512GB 에 나란히 올려 봅니다. 결론부터 말하면 M6 맥미니의 답은 "Qwen3.6-35B-A3B까지, 그리고 Dense보다 MoE" 입니다. 1. 비교 기준: 용량은 '올라가느냐', 대역폭은 '얼마나 빠르냐' 로컬 LLM용 메모리 가이드 에서 정리했듯, 맥에서 LLM 성능을 정하는 숫자는 두 개입니다. 통합 메모리 용량 : 모델이 올라가느냐 마느냐. macOS는 기본적으로 통합 메모리의 약 70~75%만 GPU에 내줍니다. 32GB 맥미니라면 실제로 쓸 수 있는 건 약 24GB입니다. 메모리 대역폭 : 답이 얼마나 빨리 나오느냐. 토큰 하나를 만들 때마다 가중치를 메모리에서 읽어야 해서, 생성 속도는 대략 대역폭 ÷ 읽어야 하는 가중치 크기 를 따라갑니다. 세 기기의 숫자는 이렇습니다. 맥미니 M6 : 최대 32GB, 대역폭 153GB/s(16GB) · 170GB/s(24·32GB), 149만 9천 원부터 맥 스튜디오 M5 Max : 최대 128GB, 최대 614GB/s, 429만 원부터 (128GB는 옵션) 맥 스튜디오 M5 Ultra : 최대 512GB, 1.2TB/s, 949만 원부터 (512GB는 옵션) 대역폭만 보면 M5 Max는 M6의 약 3.6배, M5 Ultra는 약 7배입니다. 이 차이가 모델 종류에 따라 얼마나 체감되는지가 이 글의 핵심입니다. 2. 올라가나? 모델 × 기기 매트릭스 (4bit 기준) M6 16GB (GPU 약 11GB) : Qwen3.5-9B까지입니다. 27B는 4bi...

애플 스토어에서 Mac Studio를 이것저것 만지다 보면 꼭 한 번은 멈추게 되는 지점이 있습니다. 로컬 LLM 용도로 1천만 원 언저리를 쓴다면, M5 Ultra 96GB 를 고를 것인가 M5 Max 128GB 를 고를 것인가. 가격은 거의 같은데 한쪽은 대역폭, 한쪽은 메모리 용량을 주는 구조라 꽤 고민이 됩니다. 오늘은 스크린샷의 M5 Ultra 96GB/2TB 구성을 기준으로, 어떤 모델까지 올릴 수 있는지와 M5 Max 128GB 대비 무엇을 얻고 무엇을 잃는지 정리해 봤습니다. 1. 두 구성의 스펙 차이 스크린샷의 M5 Ultra 구성은 30코어 CPU, 64코어 GPU, 32코어 Neural Engine에 96GB 통합 메모리, 2TB SSD로 ₩10,340,000 입니다. 같은 2TB 조건의 M5 Max 18코어 CPU, 40코어 GPU, 128GB 메모리 구성은 애플 KR 기준 ₩10,070,000 이라 차이가 27만 원 정도밖에 나지 않습니다. 핵심은 두 가지 숫자입니다. Ultra는 메모리 대역폭 1.2TB/s 로 Max의 614GB/s보다 약 2배이고, GPU 코어도 64개로 1.6배입니다. 반면 Max는 메모리가 32GB 더 많습니다 . 로컬 LLM에서 이 두 숫자는 각각 "얼마나 빠르게 생성하느냐"와 "어디까지 큰 모델을 올릴 수 있느냐"를 결정하기 때문에, 이 선택은 사실상 속도와 용량 사이의 트레이드오프입니다. 2. 96GB에는 어떤 모델이 올라가나 먼저 기본 전제를 짚고 가겠습니다. macOS는 기본적으로 통합 메모리의 약 75%까지만 GPU에 할당합니다. 96GB면 약 72GB, 128GB면 약 96GB가 기본 한도이고, sudo sysctl iogpu.wired_limit_mb 로 90% 가까이까지 늘릴 수 있습니다. 여기에 KV 캐시(컨텍스트 길이에 비례)와 OS 몫을 빼야 하므로, 모델 가중치 파일 크기보다 10~20GB는 여유를 두는 게 안전합니다. 표를 기준으로 정리...

로컬 LLM이나 사내 LLM 서빙을 검토하면 거의 반드시 후보에 오르는 게 알리바바의 Qwen 입니다. 문제는 모델이 너무 많다는 점입니다. 2026년에만 Qwen3.5(2월), Qwen3.6(4월), Qwen3.8(8월)이 연달아 나왔고, 같은 세대 안에서도 0.8B부터 2.4T까지 크기가 다르며, 이름 끝에 붙는 A3B·A17B·FP8·GPTQ-Int4 같은 꼬리표까지 붙습니다. 이 글은 Hugging Face에 공개된 Qwen 모델 카드를 기준으로(2026년 10월 27일 확인) 각 모델이 무엇이고, 어디에 강하며, 돌리려면 어떤 하드웨어가 필요한지 를 한 번에 정리합니다. 1. 이름부터 읽는 법 Qwen3.8-27B : 세대(3.8) + 전체 파라미터(27B). 꼬리표가 없으면 Dense 모델로, 모든 파라미터가 매 토큰 계산에 쓰입니다. Qwen3.6-35B-A3B : 전체 35B 중 토큰당 3B만 활성화(Activated) 되는 MoE(Mixture of Experts) 모델입니다. 메모리는 35B만큼 필요하지만, 계산량은 3B 수준이라 속도가 빠릅니다. -FP8 / -GPTQ-Int4 : 공식 양자화 버전입니다. FP8은 메모리를 절반으로, Int4는 약 1/4로 줄입니다. -Base : 사전학습만 된 모델입니다. 파인튜닝 출발점으로 쓰고, 대화용으로는 꼬리표 없는 post-trained 모델을 씁니다. Qwen3.5 이후 범용 모델에는 공통점이 있습니다. Gated DeltaNet(선형 어텐션) 3층 + 일반 어텐션 1층 을 반복하는 하이브리드 구조라서, 긴 컨텍스트에서도 KV 캐시가 일반 트랜스포머보다 훨씬 적게 듭니다. 기본 컨텍스트는 262K 토큰 이고 약 1M까지 확장되며, 텍스트와 이미지를 같이 학습한 네이티브 비전 모델입니다. Thinking(추론) 모드는 요청마다 켜고 끌 수 있습니다. 2. Qwen3.8 — 최신 세대 (2026년 8월) Qwen3.5 구조를 기반으로 코딩, 실무 작업, 리서치, 오래 ...

2023년식 모델Y RWD를 타다 보면 한 번쯤 이런 생각이 듭니다. "어차피 언젠가 배터리를 갈 거라면, 그때 주행거리 긴 배터리로 바꾸면 되지 않을까?" 겨울만 되면 계기판 숫자가 쑥 빠지는 걸 보고 나면 더 그렇습니다. 결론부터 말하면 지금 차에 들어 있는 배터리도 이미 리튬이온 배터리 이고, 다른 종류(NCM 삼원계)로 바꾸는 공식 경로는 사실상 없습니다. 왜 그런지, 그리고 교체가 필요해지면 실제로 어떤 선택지가 있는지 정리합니다. 1. 내 차 배터리는 무엇인가: LFP도 리튬이온이다 2023년 국내에 출시된 모델Y RWD는 중국 상하이 기가팩토리에서 생산됐고, 환경부 인증 기준 60kWh 리튬인산철(LFP) 배터리 를 달았습니다. 셀은 CATL 제품입니다. 여기서 많이들 헷갈리는 부분이 있습니다. "리튬이온 배터리"는 특정 제품이 아니라 리튬 이온이 양극과 음극을 오가며 충·방전하는 배터리 전체 를 부르는 말입니다. LFP와 NCM은 그 안에서 양극재 소재 가 다를 뿐입니다. LFP (리튬인산철) : 모델Y RWD, 모델3 RWD. 싸고 수명이 길고 화재에 강하지만, 에너지 밀도가 낮고 추위에 약합니다. NCM·NCA (니켈 계열 삼원계) : 같은 시기 롱레인지·퍼포먼스 트림. 같은 무게에 더 많이 담아 주행거리가 길지만, 상대적으로 비싸고 열관리에 더 민감합니다. 그러니 질문을 정확히 바꾸면 "LFP를 NCM 계열 리튬이온 배터리로 바꿀 수 있나?"가 됩니다. 2. 테슬라 공식 교체: 같은 사양으로만 바꿔 준다 테슬라 서비스센터에서 고전압 배터리를 교체하면, 그 차의 차대번호(VIN)에 등록된 구성과 호환되는 같은 사양의 팩 으로 바꿔 줍니다. 새 팩 대신 품질 검사를 거친 재제조(remanufactured) 팩이 들어갈 수도 있습니다. 소비자가 "이번에 롱레인지 팩으로 올려 주세요"라고 선택하는 메뉴는 없습니다. 이유는 배터리가 단순 부품이 아...

로컬에서 vllm serve 한 줄이면 잘 돌던 모델을 Kubernetes에 올리는 순간 이야기가 달라집니다. Pod는 Running인데 GPU를 못 잡고, 모델 가중치를 반쯤 읽다가 재시작되고, 겨우 뜬 서버는 첫 요청에서 CUDA OOM을 냅니다. 오토스케일링을 걸었더니 CPU 사용률이 안 올라서 영원히 1대로 버팁니다. 이 블로그에서는 그동안 맥·DGX Spark 같은 로컬 LLM 서빙 하드웨어 를 주로 비교했는데, 이번에는 반대편, 쿠버네티스 GPU 노드에서 vLLM을 운영할 때 실제로 터지는 지점 을 정리합니다. 앞서 쓴 CrashLoopBackOff 점검 가이드 의 LLM 서빙 실전편이라고 보면 됩니다. 0. 출발점: 최소 매니페스트 vLLM은 OpenAI 호환 API 서버를 내장하고 있어서, 공식 이미지( vllm/vllm-openai )에 모델 이름만 넘기면 8000번 포트로 /v1/chat/completions 를 제공합니다. 아래가 이 글에서 계속 고쳐 나갈 출발점입니다. apiVersion: apps/v1 kind: Deployment metadata: name: vllm-qwen spec: replicas: 1 selector: matchLabels: { app: vllm-qwen } template: metadata: labels: { app: vllm-qwen } spec: containers: - name: vllm image: vllm/vllm-openai:latest # 운영에서는 버전 태그 고정 args: ["--model", "Qwen/Qwen3-8B", "--port", "8000"] ports: - containerPort: 8000 이대로 배포하면 거의 확실하게 아래 7가지 중 몇 개를 만납니다. 1. ...

배포 직후 kubectl get pods 를 쳤는데 STATUS에 CrashLoopBackOff , RESTARTS 숫자는 계속 올라갑니다. 이때 가장 흔한 반응은 kubectl delete pod 나 rollout restart 입니다. 그런데 이 순간 지워지는 게 하나 있습니다. 바로 방금 죽은 컨테이너의 흔적 입니다. 지난번 Pod Pending 해결법 이 "스케줄러가 남긴 이벤트를 읽자"였다면, CrashLoopBackOff는 "컨테이너가 남긴 종료 코드를 읽자"입니다. 이 글에서는 Exit Code로 원인을 좁히고, 실무에서 자주 만나는 6가지 패턴을 순서대로 점검하는 방법을 정리합니다. 1. CrashLoopBackOff는 원인이 아니라 '대기 상태'다 CrashLoopBackOff는 "컨테이너가 시작했다가 종료되는 일이 반복되어, kubelet이 다음 재시작을 미루고 있다"는 뜻입니다. 재시작 간격은 10초, 20초, 40초… 식으로 늘어나 최대 5분까지 벌어집니다. 즉 이 상태 이름 자체는 아무것도 알려주지 않습니다. 진짜 정보는 직전에 종료된 컨테이너 에 있습니다. kubectl get pods -n <namespace> kubectl describe pod <pod-name> -n <namespace> describe 출력에서 봐야 할 곳은 두 군데입니다. State: Waiting Reason: CrashLoopBackOff Last State: Terminated Reason: OOMKilled Exit Code: 137 Started: Mon, 26 Oct 2026 19:40:02 +0900 Finished: Mon, 26 Oct 2026 19:40:31 +0900 Restart C...

2026년 AI 글래스 시장에서 "렌즈에 글자가 뜨는 안경"을 고르면 두 제품이 남습니다. 중국 로키드의 Rokid Glasses , 그리고 이븐 리얼리티의 Even Realities G2 . 둘 다 녹색 단색 마이크로LED를 웨이브가이드로 렌즈에 쏘는 방식이고, 둘 다 번역·내비게이션·AI 비서를 내세우며, 둘 다 본체 가격이 599달러 언저리입니다. 스펙표만 보면 같은 시장의 비슷한 제품처럼 보입니다. 그런데 써 보면 전혀 다른 물건입니다. 로키드는 카메라와 스피커를 넣고 칩을 안경 안에 심어 "안경이 된 스마트폰"을 만들었고, 이븐은 카메라와 스피커를 아예 빼고 36g짜리 "눈앞의 메모지"를 만들었습니다. 하나를 고르는 일은 스펙 비교가 아니라 "내 얼굴에 카메라를 달 것인가" 라는 질문에 답하는 일입니다. 오늘은 그 질문을 기준으로 두 제품을 특장점별로 비교하고, 상황별로 어느 쪽이 맞는지, 국내에서 실제로 얼마가 드는지까지 정리합니다. 스펙으로 보면: 로키드가 "더 많이", 이븐이 "더 오래" 디스플레이는 같은 계열입니다. 둘 다 녹색 단색 마이크로LED를 양쪽 렌즈 웨이브가이드에 투사합니다. 로키드가 최대 1,500니트로 조금 더 밝고 시야각도 넓은 편이며(출처에 따라 23~30°), 이븐은 1,000~1,200니트에 25~27.5°입니다. 둘 다 한낮 직사광선 아래에서는 글자가 흐려진다는 후기가 공통으로 있고, 녹색 배경에서는 로키드도 글자가 묻힙니다. 해상도는 로키드 480×398 또는 640×480(출처별 상이), 이븐 640×200으로 로키드가 세로로 더 많은 줄을 보여줍니다. 차이는 디스플레이 바깥에서 납니다. 로키드는 12MP 카메라, 오픈이어 스피커, 마이크 4개, 그리고 안경 안에 스냅드래곤 AR1 Gen 1과 NXP RT600 음성 코프로세서를 넣었습니다. 사진·영상을 찍고, 카메라로 본 것을 Gemini나 Ch...

24시간 켜 두고 쓰는 오픈클로(OpenClaw)를 2026.6.1에서 2026.10.5로 한 번에 올렸습니다. 6월 버전에 머물러 있는 사이 OpenClaw 2.0 대개편이 지나갔고, Node 최소 버전이 바뀌었고, 대화 저장소가 SQLite로 통째로 옮겨 갔습니다. 넉 달 치 릴리스를 건너뛰는 업그레이드라 걱정했는데, 결과부터 말하면 Doctor 한 번에 깔끔하게 끝났습니다. 이 글에서는 실제 업그레이드 결과, 그 사이 지나온 릴리스들, 버전별 기능 비교, 그리고 써 보니 좋아진 점을 정리합니다. 아직 6월이나 7월 버전에 머물러 있다면 마지막의 체크리스트만 봐도 됩니다. 오픈클로가 처음이라면 이전 글 메신저 한 줄로 내 PC를 부리는 AI 비서, 오픈클로 를 먼저 보시면 좋습니다. 실제 업그레이드 결과 macOS(Homebrew) 환경에서 진행했고, 바뀐 항목은 여섯 가지입니다. openclaw : 2026.6.1 → 2026.10.5 Node : 22.22.0 → 24.22.0. node@22 를 unlink하고 node@24 를 link했습니다. 2026.9 계열부터 Node 22는 지원 대상에서 빠졌기 때문에 이 단계를 건너뛸 수 없습니다. state DB 스키마 : 1 → 20. 마이그레이션 19단계가 preflight 검사를 정확히 통과한 뒤 적용됐습니다. openclaw.json : 설정 파일은 손대지 않았는데 Config valid로 통과했습니다. Gateway : 2026.10.5 / node@24로 running, 127.0.0.1:18789 에만 바인딩. CLI와 Gateway 버전이 일치합니다. openclaw doctor --fix : Doctor complete. 특히 스키마가 1에서 20으로 한 번에 넘어간 부분이 이번 업그레이드의 핵심입니다. 6월 버전은 2.0 이전이라, 그 사이 세션과 대화 기록을 SQLite로 옮기는 변경이 모두 이번에 한꺼번에 적용됐습니다. 넉 달 사이 지나온 릴...

맥미니 시작가가 89만 원에서 149만 9천 원 이 됐습니다. 60만 원 넘게 오른 대신 Apple이 내건 숫자는 화려합니다. AI 성능 최대 4배, LM Studio 기준 LLM 프롬프트 처리 최대 4.8배, CPU 40% 향상. 발표문에는 "책상 옆에서 상시 구동되는 에이전틱 컴퓨팅 시스템"이라는 표현까지 들어갔습니다. 맥미니를 대놓고 AI 에이전트 서버 로 팔기 시작한 겁니다. 공교롭게도 이 글을 쓰는 지금, 제 책상 옆 M4 맥미니(16GB) 는 14일째 꺼지지 않고 AI 에이전트를 돌리고 있습니다. 텔레그램으로 말을 걸면 증시를 확인하고, 브라우저를 열어 뉴스를 읽고, 블로그 글까지 올리는 그 녀석입니다. 그러니 질문은 하나입니다. 이걸 M6로 바꾸면 체감이 4.8배가 될까? 결론부터 말하면, 대부분은 아닙니다. 그런데 특정 용도에서는 60만 원이 오히려 싸게 느껴질 수도 있습니다. 그 갈림길을 숫자로 정리했습니다. 무엇이 바뀌었나: 코어 2개보다 중요한 것 M6는 Apple 최초의 2nm 공정 칩입니다. CPU와 GPU가 각각 10코어에서 12코어로 늘었고, GPU 코어마다 Neural Accelerator 가 들어갔으며, Neural Engine은 '듀얼 16코어'가 됐습니다. 여기까지는 예상 가능한 세대 교체입니다. DevOps 관점에서 눈여겨볼 변화는 따로 있습니다. 메모리 대역폭 : 120GB/s → 153GB/s (24·32GB 구성은 170GB/s). 로컬 LLM 속도를 좌우하는 진짜 숫자입니다. 기본 이더넷 2.5Gb : 1Gb에서 올라왔고 10Gb 옵션도 그대로입니다. NAS·백업 서버로 쓰는 분들에게는 체감이 큽니다. Wi-Fi 7 · Bluetooth 6 · Thread : Apple N1 무선 칩이 들어가면서 홈 자동화 허브로 쓰기도 좋아졌습니다. 반대로 바뀌지 않은 것도 있습니다. M6 모델의 최대 메모리는 여전히 32GB 이고, 후면 포트는 Thunderbolt...

10월 15일 공개 행사가 끝나자마자 테슬라는 멈춰 있던 로드스터 예약을 다시 열었습니다. 국내 기준 예약금은 560만 원을 카드로 걸고 10일 안에 6,500만 원을 송금하는 구조, 합계 7,060만 원입니다. 상위 트림은 3억 5,560만 원입니다. 그런데 정작 차값은 아직 없습니다. 인도 시기도 "2028년 양산"이라는 한 줄뿐입니다. 2017년에 2020년 출시를 약속하고 예약금을 받았던 그 차입니다. 이런 상황에서 7,000만 원을 걸지 말지를 판단하려면 적어도 세 가지는 알아야 합니다. 트림 세 개가 정확히 뭐가 다른지, 9년 전 약속과 지금 발표가 얼마나 다른지, 그리고 예약 계약서에 어떤 조건이 붙어 있는지. 공개 행사에서 하늘을 난 그 차와 내가 받게 될 차는 같은 차가 아닐 수 있기 때문입니다. 트림 3개, 공도에서 탈 수 있는 건 사실상 하나 Performance 는 2인승에 0-60mph 1.6초 미만, 흡입 팬과 공력 장치는 있지만 추진기는 없습니다. 세 트림 중 유일하게 "공도 주행 가능"이 명시됐고, 일반 예약(5만 달러, 국내 7,060만 원)으로 살 수 있는 트림입니다. 대부분의 예약자가 받게 될 차는 이것입니다. Thrust 는 2인승 한정 레이스 에디션입니다. 후방에 냉가스 추진기를 달아 0-60mph 0.9초 미만이고, 공개 행사에서 실측된 0.81초가 이 구성입니다. 예약금은 25만 달러(국내 3억 5,560만 원)인데, 공도 주행 가능 여부는 발표 자료에서 명확히 나오지 않습니다. "레이스 에디션"이라는 이름과 추진기 구성을 보면 서킷용으로 보는 게 안전합니다. Rocket 은 1인승입니다. 전방·하부·측면에 추진기를 둘러 비행과 회전이 가능하고, 0-60mph 0.59초 미만, 최고속도 230mph 이상입니다. 공개 행사에서 벽을 타고 차 다섯 대를 넘은 바로 그 차입니다. 그리고 공도 주행 미승인에 초청 고객에게만 판매 합니다. 가격은 공개되지...

10월 15일 밤, 텍사스 맥그리거의 스페이스X 로켓 시험장. 테슬라가 9년 만에 공개한 2세대 로드스터는 가속 시연 대신 다른 걸 먼저 보여줬습니다. 높이 약 21m의 곡면 벽을 거의 거꾸로 매달린 채 타고 올라갔고, 벽 끝에서 뛰어내려 공중에서 자세를 잡고 착지했습니다. 그다음에 사이버캡, 사이버트럭, 세미, 모델 Y, 모델 3 다섯 대를 공중제비로 넘었습니다. 0-60mph 0.81초라는 숫자는 그 뒤에야 나왔습니다. 영상을 보면 "CG 아니냐"가 첫 반응이고, 두 번째 반응은 "저게 물리적으로 가능하냐"입니다. 벽을 거꾸로 타는 부분은 로켓 추진기가 아니라 차체 밑에서 공기를 빨아내는 팬 이 담당합니다. 테슬라가 "Electric Fan Car"라는 이름으로 특허를 낸 기술입니다. 오늘은 이 팬이 정확히 무엇이고, 왜 자동차 역사에서 두 번이나 금지됐으며, 테슬라가 보여준 것과 아직 보여주지 않은 것이 무엇인지 숫자로 따져 봅니다. 이 기술은 1970년에 이미 있었고, 두 번 금지됐다 자동차를 노면에 붙이는 힘, 다운포스는 보통 날개(윙)로 만듭니다. 비행기 날개를 뒤집어 단 것이라 속도가 빨라야 효과가 납니다. 팬카는 접근이 다릅니다. 차 바닥과 노면 사이의 공기를 팬으로 강제로 빨아내 저압 상태를 만들면, 바깥의 대기압이 차를 아래로 누릅니다. 속도와 상관없이, 정지 상태에서도 다운포스가 생깁니다. 이게 핵심입니다. 1970년 Can-Am 시리즈의 채퍼럴 2J는 스노모빌 엔진으로 팬 두 개를 돌려 이 효과를 냈고, 너무 빨라서 이듬해 규정으로 금지됐습니다. 1978년 F1의 브라밤 BT46B는 "엔진 냉각용"이라는 명목으로 거대한 팬을 달고 스웨덴 GP에 나가 우승한 뒤, 단 한 경기 만에 퇴출됐습니다. 그리고 2022년, 영국의 소형 전기 레이스카 McMurtry Spéirling이 팬으로 정지 상태에서 약 2,000kg의 다운포스를 만들어 굿우드 힐클라임 기...

사내 문서로 RAG 챗봇을 만들어 돌려 보면 꼭 이런 순간이 옵니다. "작년 AKS 업그레이드 때 뭐가 문제였지?"라고 물었는데, 검색기가 엉뚱한 GKE 문서를 끌어오고, 모델은 그 문서를 근거로 자신 있게 틀린 답을 합니다. 검색이 틀렸다는 걸 아무도 확인하지 않았기 때문입니다. 지난 글에서 LangChain으로 30줄짜리 RAG를 만들었는데, 그건 "검색 → 프롬프트 → 생성"이 한 방향으로 흐르는 체인(Chain) 이었습니다. 이 구조는 한 번 틀리면 되돌릴 방법이 없습니다. 오늘은 그 한계를 LangGraph 로 푸는 이야기입니다. 검색 결과를 스스로 평가하고, 엉터리면 질문을 고쳐 다시 검색하고, 답변에 근거가 없으면 다시 쓰는 RAG. 요즘 에이전틱 RAG(Agentic RAG) 라고 부르는 그것을, 논문 이름으로는 CRAG(Corrective RAG)라고 부르는 패턴을 중심으로, 노드 6개짜리 그래프로 직접 만들어 봅니다. 단순 RAG가 틀리는 4가지 순간 체인 RAG의 문제는 성능이 아니라 구조 에 있습니다. 첫째, 검색 결과가 엉터리여도 그대로 답변합니다. 벡터 유사도 상위 4개를 가져왔을 뿐, 그게 질문과 정말 관련 있는지는 아무도 보지 않습니다. 둘째, 질문이 모호해도 다시 묻거나 고쳐 쓰지 않습니다. "그거 설정 어떻게 해?" 같은 질문은 검색 자체가 실패합니다. 셋째, 답변이 검색된 문서에 근거하고 있는지 확인하지 않습니다. 모델이 문서를 무시하고 자기 지식으로 답해도 막을 수 없습니다. 넷째, 그래서 한 번 틀리면 끝입니다. 재시도라는 개념이 없습니다. 지난 글에서 "청킹 튜닝, 하이브리드 검색, 리랭커를 붙이면 품질이 오른다"고 했는데, 그건 모두 검색을 더 잘하게 만드는 방법입니다. 그래도 검색은 실패합니다. 에이전틱 RAG는 접근이 다릅니다. 검색이 실패할 것을 전제하고, 실패를 감지해서 고치는 루프 를 넣습니다. LangChain은...

텔레그램에 "어제 받은 메일 중 답장 안 한 거 정리해줘"라고 한 줄 보냈더니, 내 PC가 메일함을 뒤져 목록을 만들어 보내줍니다. 퇴근길 지하철에서 "서버 로그에 500 에러 있는지 봐줘"라고 보내면 집에 있는 PC가 로그를 읽고 요약해 줍니다. 공상이 아닙니다. 2026년 상반기 깃허브에서 가장 빠르게 별을 모은 프로젝트, 오픈클로(OpenClaw) 가 지금 하고 있는 일입니다. 그런데 같은 프로젝트를 두고 마이크로소프트 CEO는 "바이러스 같다"고 했고, 중국은 국유기업과 은행에서 사용을 막았습니다. 깃허브 스타 24만 개짜리 오픈소스가 왜 이렇게 양극단의 평가를 받는 걸까요. 오늘은 오픈클로가 정확히 무엇인지, 실무에서 어디에 써먹을 수 있는지, 그리고 쓰기 전에 반드시 막아야 할 구멍 이 무엇인지 정리합니다. 오픈클로, 이름이 네 번 바뀐 사연 오픈클로는 오스트리아 개발자 피터 슈타인버거(Peter Steinberger)가 2025년 11월 공개한 오픈소스 AI 에이전트입니다. 처음 이름은 Warelay였고, 이후 Clawdis, Clawdbot을 거쳐 2026년 1월 말 Moltbot이 됐다가 사흘 만에 다시 OpenClaw로 바뀌었습니다. 중간의 개명은 Anthropic의 상표 문제 제기 때문이었고, 마지막 개명은 "Moltbot이 입에 안 붙어서"였습니다. MIT 라이선스로 완전히 무료이고, 2026년 3월 기준 깃허브 스타 24만 7천 개, 포크 4만 7천 개를 기록했습니다. 2월에는 창시자가 OpenAI에 합류하면서 프로젝트는 비영리 재단(OpenClaw Foundation)이 맡게 됐고, 8월 말에는 설치를 쉽게 하고 UI를 새로 짠 OpenClaw 2.0 이 나왔습니다. 기존 챗봇과 결정적으로 다른 점은 하나입니다. 오픈클로는 내 PC(또는 내 서버)에서 돌아가며, 내 파일과 셸과 브라우저를 직접 만집니다. 클라우드 서비스에 질문을 던지는 게 아니라...