x.com: 260327 llm b71519 ref — 2026-03-27 06723d

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

[[260327_llm_b71519_ref|링크 참조]]

원문 발췌

✅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.

딥 분석

핵심 요약

OpenClaw(또는 유사 에이전트 플랫폼)에 사용자 주도형 '자가 개선 루프'를 적용하면 반복 수정이 자동으로 규칙화되어 작업 재수정 시간이 크게 줄어든다. 장기 컨텍스트 유지를 위해서는 대화에만 의존하지 말고 일일 로그/영구 파일로 메모리 구조를 명확히 설계해야 한다.

주요 인사이트

자가 개선 루프: 사용자가 수정한 변경사항을 맥락과 함께 기록하고, 동일 수정이 일정 횟수(예: 3회) 반복되면 영구 규칙으로 승격시키는 방식이 효과적이다.
반복 학습의 효율성: 2주 내외 적용만으로 에이전트가 선호 문체·코드 스타일·문서 포맷을 학습해 재수정 비용이 사실상 사라짐.
컨텍스트 윈도우 한계: 장기간 대화에서는 LLM의 컨텍스트 압축으로 핵심 지시가 손실되므로 단순 대화 의존은 위험하다.
메모리 구조화 필요성: 일회성 정보는 일일 로그에, 지속 정보는 영구 파일(또는 메모리)에 분리 저장해야 장기 맥락 유지가 가능하다.
자동화의 명확성: "알아서 해줘"는 불충분 — 크론 스케줄, 데이터 출처, 출력 형식 등 실행 명세를 구체적으로 정의해야 신뢰성 있는 자동화가 된다.

출처 간 교차 분석

노트 본문(트윗 발췌)은 경험적 사례(사용자 피드백)를 중심으로 자가 개선 루프와 메모리 분리 전략의 효과를 주장한다. 플랫폼 설계 관점에서는 이는 사용자-피드백 루프 + 규칙 승격 메커니즘을 요구한다.
실무적 보완점: 트윗은 구현 세부(승격 임계값, 규칙冲突 해소, 규칙 우선순위·버전 관리, 감사 로그 등)를 다루지 않음. 실제 시스템에는 규칙 충돌 해결, 변경 롤백, 규칙 적용 검증(테스트)이 반드시 필요하다.
한계점: 컨텍스트 손실 사례는 경험적 사실로 제시되나, 대안으로 제안된 "메모리 구조 직접 세팅"의 운영·보안·동기화 비용(예: 누가 쓰고 누가 덮어쓰나)은 언급되지 않았다.

투자/실무 시사점

이 접근법은 생산성 도구(에이전트·자동화 플랫폼) 개선에 직접 연결된다 — 제품에 사용자 주도 규칙 학습·영구화 기능과 명시적 메모리 계층(일간·영구)을 구현하면 사용자 잔존성(retention)과 작업 효율이 크게 개선될 가능성이 있다. 다만 실제 도입 전 규칙 관리·충돌 해결·운영 비용을 설계 단계에서 검증해야 한다.

분석 소스

[OK] https://x.com/ralralbral/status/2036971269162479880 (xtwitter)

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