https://x.com/ralralbral/status/20369712

@ralralbral (잔 다르크🦞) ✅제가 발견한 가장 유용한 세팅은 Openclaw 자가 개선 루프입니다.

AI가 실수를 반복할 때마다 매번 수정해 주는 것은 매우 피곤한 일입니다.

에이전트에게 제가 수정한 사항을 맥락과 함께 기록하도록 지시했습니다. 동일한 수정 사항이 3번 이상 반복되면, 이를 영구적인 행동 규칙으로 승격시킵니다.

이 방식을 적용한 지 2주쯤 지나자 에이전트들이 제가 선호하는 문체, 코드 스타일, 문서 양식을 완벽하게 숙지했습니다.

결과물을 다시 수정하는 데 들어가는 시간이 사실상 사라졌습니다.

OpenClaw를 단순한 챗봇으로 쓸지, 자동화 시스템으로 쓸지는 초기 세팅에 달려있습니다.

역할을 나누고, 기억을 구조화하고, 반복 작업을 지침화하는 것만으로도 개인의 작업 처리량을 크게 늘릴 수 있습니다.

처음부터 모든 것을 완벽하게 세팅할 필요는 없습니다.

✅그리고 OpenClaw를 쓸 때 가장 치명적인 문제는 컨텍스트 윈도우 한계입니다. 대화가 길어지면 이전 메시지가 압축되면서 핵심 정보가 날아갑니다.

저도 이 문제 때문에 프로젝트 설정값과 지시사항을 2시간 동안 다시 입력한 적이 있습니다.

이를 해결하려면 반드시 메모리 구조를 직접 세팅해야 합니다.

✅오늘만 필요한 정보는 일일 로그에 적고, 앞으로 계속 유지해야 하는 정보는 영구 파일에 저장합니다.

이렇게 세팅하면 대화가 수백 번 이어져도 에이전트가 이전 맥락을 잊지 않습니다.

단순히 "알아서 반복 해줘"라고 명령하면 에이전트는 제대로 동작하지 않습니다. Cron job을 만들라고 한 다음에 정확한 작동 시간, 데이터 출처, 결과물 양식을 명확하게 지정해야 합니다.

출처: https://x.com/ralralbral/status/2036971269162479880

딥 분석

OpenClaw로 '자가 개선 루프'를 만들면 에이전트가 반복적으로 행하는 실수들을 스스로 규칙으로 승격해 학습하게 할 수 있다. 컨텍스트 윈도우 한계를 보완하려면 일일 로그(단기)와 영구 파일(장기)을 명확히 구분해 메모리 구조를 직접 설계해야 한다.

반복 수정 자동화: 동일 수정이 3회 이상 발생하면 영구 행동 규칙으로 승격시키는 규칙이 효과적이었다.
초기 셋업 중요성: 챗형 보조로 쓸지 자동화 플랫폼으로 쓸지 결정하는 초기 설정이 성능과 생산성 차이를 만든다.
메모리 구조 필요: 긴 대화에서 컨텍스트가 날아가는 문제를 해결하려면 단기/장기 저장소를 분리해 명시적으로 기록해야 한다.
명확한 작업 사양: 반복 작업 자동화 시 cron 등 스케줄뿐 아니라 정확한 실행 시간, 데이터 출처, 결과물 포맷을 정의해야 제대로 동작한다.
점진적 개선 허용: 처음부터 완벽히 세팅할 필요는 없고, 사용하면서 규칙을 축적해 가면 된다.

노트 본문(사용자 작성 요약)과 링크된 트윗은 동일한 주장(자가 개선 루프, 3회 반복 규칙, 메모리 분리)을 일관되게 제시한다.
두 콘텐츠 모두 경험 기반 설명에 초점을 맞추며, 실험 기간(약 2주)과 실효(코드·문체 일관성 향상)를 구체적으로 언급해 신뢰도를 높인다.
보완점: 실험의 구체적 구현(어떻게 변경을 기록하는지, 규칙 승격 로직의 정확한 조건·예외 처리, 데이터 보안·충돌 해결 방법)은 명시되지 않아 실제 적용 전 설계가 필요하다.

개인·팀 생산성 향상을 위해서는 AI 도구를 '단순 채팅'이 아닌 상태 저장·규칙 승격이 가능한 자동화 플랫폼으로 설계하는 것이 유리하다 — 다만 메모리 구조와 승격 조건을 사전에 설계하지 않으면 오동작과 반복 비용이 발생한다.

deep_enricher v1 | github-copilot/gpt-5-mini | 2026-03-28