brief

OpenClaw의 실시간 메모리 퍼시스턴스 구조 분석

핵심 요약

OpenClaw는 각 대화 턴 종료 시 토큰 청크를 SQLite 데이터베이스에 압축하여 MEMORY.md와 일자별 메모리 파일에 자동 기록하며, 디스크에 영구 저장함으로써 휘발성 메모리 의존도를 제거합니다. 이 구조는 세션 종료 후에도 모든 대화 내용과 결정을 텍스트 파일 형태로 정확히 복원하며, 검색과 재사용이 가능한 영구적인 지식 기반을 구축합니다.

이 글의 핵심 주장과 근거

핵심 주장

OpenClaw Gateway 는 제어 평면으로서 채널 어댑터, 입력 처리, 에이전트 런타임, 플러그인 시스템, 보안 모델을 통합 관리하며, 이 모든 구성 요소가 컨텍스트 버퍼의 정확한 작동을 지원한다.

출처: [1] OpenClaw GitHub Repository [2] OpenClaw 공식 문서 - 시스템 요구사항

핵심 주장

매 세션 시작 시 MEMORY.md 와 memory/YYYY-MM-DD.md 파일을 읽음으로써 AI 는 이전 작업의 맥락과 결정을 재사용하며, 이는 파일 기반 기록이 없으면 지속성이 사라진다는 구조적 설계 원칙이다.

출처: [1] OpenClaw 공식 문서 - 시스템 요구사항

핵심 주장

하트비트 시스템은 30 분 간격으로 이메일, 캘린더, 알림을 자동 점검하며 중요한 사항 (중요 메일 도착, 2 시간 내 일정 등) 이 있을 때만 사용자에게 알리고, 그 외에는 HEARTBEAT_OK 로 침묵한다.

출처: [1] OpenClaw 공식 문서 - 시스템 요구사항

OpenClaw 는 WhatsApp, Telegram, Slack, Discord, Signal, iMessage 등 20 개 이상의 메신저를 네이티브로 지원하며, 별도의 앱 설치 없이 기존 채널에서 AI 와 상호작용할 수 있다.

출처: [1] OpenClaw GitHub Repository

`openclaw onboard` 명령어는 게이트웨이, 워크스페이스, 채널, 스킬 설정을 단계별로 안내하는 온보딩 가이드로, 복잡한 초기 설정 과정을 사용자가 쉽게 완료할 수 있도록 설계되었다.

출처: [1] OpenClaw 공식 문서 - 시스템 요구사항

OpenClaw 는 '컨텍스트 (단기 런타임 메모)'와 '메모리 (장기 지속성 파일)'를 명확히 구분하여 설계되었으며, 이 분리 구조가 세션 재시작 시에도 연속성을 보장하고 문맥 왜곡을 방지한다.

출처: [1] Official Documentation - WorldEngine CLI

필드: claim_text 원문: OpenClaw Gateway의 영속성 구조는 전통적인 CLI 도구의 일회성 명령 실행(명령 종료 시 컨텍스트 소멸)과 달리 에이전트 상태와 세션 컨텍스트를 유지하여 다중 에이전트 협업의 기반이 된다

출처: [1] OpenClaw 서브에이전트 풀 vs 전통 CLI 도구 아키텍처 비교

기억의 재정의와 파일 기반 지속성

OpenClaw는 매 대화 턴이 끝날 때마다 중요한 컨텍스트를 MEMORY.md와 일자별 memory 파일에 자동 기록합니다. 이 과정에서 토큰 청크를 SQLite 데이터베이스에 압축하고 파일 시스템을 통해 디스크에 영구 저장합니다. 모델은 더 이상 내부 휘발성 메모리를 사용하지 않으며, 모든 지식은 인간이 읽고 수정할 수 있는 텍스트 기반 파일에 존재합니다. 이로 인해 세션이 종료되어도 이전 대화 내용과 결정을 정확히 복원할 수 있으며, 검색과 재사용이 용이해집니다.

자동 플러시와 무의식적 백업 메커니즘

대화가 모델의 컨텍스트 한계에 도달하기 전 OpenClaw는 자동으로 현재 저장된 토큰 청크를 백업하는 플러시 단계를 실행합니다. 이 단계는 사용자 개입 없이 조용히 진행되며, 중요한 정보가 손실되는 것을 방지합니다. 플러시는 압축된 데이터를 별도 메모리 파일에 기록해 두므로, 컴팩션이 수행될 때만 같은 데이터가 정리되고 최신 컨텍스트가 보전됩니다. 이 메커니즘은 사용자가 직접 기억을 관리하지 않아도 지속적인 백업을 제공해 신뢰성을 크게 높입니다.

하이브리드 검색과 프라이버시 보장 전략

OpenClaw는 저장된 메모리를 검색할 때 FTS5 전체 텍스트 검색과 벡터 유사도 검색을 병행합니다. 정확한 키워드 매칭으로 빠르게 특정 문구를 찾을 수 있고, 임베딩 제공자와 연동으로 의미론적 연관성도 포착합니다. 또한 메시지가 DM·그룹채팅·크론잡 등 다양한 소스에서 들어오는 경우 자동으로 세션을 구분하고, per-channel-peer 모드를 통해 채널과 발신자를 별도로 격리합니다. 이를 통해 개인의 대화가 다른 사용자에게 노출되지 않으며, 중요한 사실은 MEMORY.md에 기록되어 세션을 넘어 지속성을 유지합니다.