리서치 전담 AI 에이전트를 OpenClaw로 만들기
2026.04.09
📌 소개
저는 현재 Mac Mini(HomeClaw) 위에서 OpenClaw 기반의 멀티 에이전트 시스템을 운영하고 있습니다. 각각 역할이 다른 세 명의 AI 동료가 있어요.
세 에이전트를 운영하면서 한 가지 공통된 갈증이 생겼습니다. "외부 세계의 정보를 가져오는 일"이 자꾸 각 에이전트의 정체성을 흐리게 만든다는 점이었어요. H에게 학술 논문 검색을 시키면 따뜻한 돌봄 톤이 무너지고, D에게 뉴스 집계를 맡기면 코칭 윤리에 집중해야 할 SOUL.md가 비대해졌습니다.
오늘 수업에서 RivalSearchMCP라는 리서치 도구를 디디님을 통해 알게 되었습니다. 웹 검색, 학술 논문(Semantic Scholar/arXiv/PubMed), 소셜 검색(Reddit/HN/Medium), GitHub, 뉴스 집계, 문서 OCR까지 — 한 도구 안에 리서치에 필요한 거의 모든 것이 들어있다고 해요.
그래서 리서치만 전담하는 네 번째 에이전트를 만들게 되었습니다.
목표는 세 가지였어요:
다른 에이전트를 보호하기 (리서치 부담 분리)
리서치 비용을 절감하기 (싼 모델로 리서치 → 비싼 모델은 정제된 결과만 받기)
단일 LLM 공급사 의존도를 낮춰 시스템 회복탄력성 확보하기
🛠️ 진행 방법
1단계 — 의사결정 트리
코드를 짜기 전에 아키텍처 결정부터 했습니다. Claude와 대화하면서 다음을 차례로 확정했어요.
결정 1: 세 에이전트에 RivalSearchMCP를 분산할까, 전담 에이전트를 만들까? → 전담 에이전트. 이유: 관심사 분리, 토큰 효율, SOUL.md 비대화 방지.
결정 2: 기존 인스턴스에 추가할까, 새 인스턴스를 만들까? → 처음엔 "하콩 옆에 두자"였지만, 다음 결정 때문에 뒤집혔습니다.
결정 3: LLM은 Claude로 갈까, OpenAI로 갈까? → OpenAI(GPT-5 mini 디폴트 + GPT-5 deep/academic 모드). 이유:
4월 Anthropic 정책 변화로 Claude 구독 third-party 사용 제약이 생긴 상황
리서치는 "창의성"보다 "정확한 요약·구조화"가 핵심 → GPT-5와 Claude 품질 차이 미미
GPT-5 mini는 Claude Sonnet 대비 입력 토큰 비용이 저렴 → 리서치를 2~3배 더 돌릴 수 있음
단일 공급사 리스크 분산 (회복탄력성)
결정 4: 24GB RAM Mac Mini로 인스턴스 4개를 돌릴 수 있을까? → 가능. 인스턴스당 평균 500MB~1.5GB이라, 4개 돌려도 6~7GB. 17GB 여유. 그리고 LLM 공급사가 다르면 같은 인스턴스에 두는 것보다 분리하는 게 환경변수·키 관리·디버깅 모두 단순해짐.
최종 아키텍처
인스턴스 | 포트 | 에이전트 | LLM 공급사 |
|---|---|---|---|
하콩 | 3001 | 하콩 | Anthropic (Opus) |
호두 | 3002 | 호두 | Anthropic |
도티 | 3003 | 도티 | Anthropic |
두리 | 3004 | 두리 | OpenAI (GPT-5 mini/full) |
2단계 — S의 정체성 설계 (SOUL.md)
H·D 에이전트를 만들 때 썼던 7-file 체계(IDENTITY, SOUL, AGENTS, MEMORY, HEARTBEAT, examples, openclaw.json)를 그대로 차용했습니다. 핵심은 S가 "사서(librarian) 같은 캐릭터"여야 한다는 점이었어요. 따뜻하지만 사실에 충실하고, 결과를 길게 늘어놓지 않고 핵심만 정제하는 톤.
S SOUL.md 핵심 프롬프트
# S의 영혼
## 너는 누구인가
너는 S. 허밍의 리서치 전담 동료다.
K, H, S가 각자의 자리에서 사람을 돌보는 동안,
너는 세상을 두루 살피고 그들에게 정제된 지혜를 가져다준다.
## 너의 원칙
1. **출처 없는 정보는 말하지 않는다.** 모든 주장에는 링크를 단다.
2. **길게 말하지 않는다.** 핵심 3가지 + 출처가 기본 형식이다.
3. **한국어 사용자에겐 한국어로 요약한다.** 영어 원문은 별도 섹션.
4. **추측하지 않는다.** 검색 결과가 약하면 "근거가 부족하다"고 솔직히 말한다.
5. **다른 에이전트의 톤을 침범하지 않는다.** 너는 정보를 전달할 뿐,
해석과 적용은 하콩·호두·도티에게 맡긴다.
## 너의 5가지 모드
- /quick : 빠른 팩트체크 (web_search + content_operations)
- /deep : 심층 리서치 (research_agent)
- /academic : 학술 논문·데이터셋 (scientific_research)
- /pulse : 뉴스·소셜 여론 (news_aggregation + social_search)
- /doc : 문서 분석 (document_analysis, OCR 포함)
## 응답 형식 (필수)
### 핵심 발견
1. [한 줄 요약] — [출처]
2. [한 줄 요약] — [출처]
3. [한 줄 요약] — [출처]
### 추가 맥락
(필요할 때만, 3문장 이내)
### 원문 인용 (영어 자료의 경우)
(원문 그대로, 출처 링크와 함께)
3단계 — openclaw.json 설정 (모드별 모델 라우팅)
OpenAI API 키를 발급받아 환경변수에 등록하고, 두리 인스턴스의 openclaw.json에 모드별로 다른 모델을 라우팅하도록 설정했어요. 빠른 작업은 mini로, 무거운 추론은 full 모델로 — 비용 최적화의 핵심입니다.
{
"agent": "doori",
"port": 3004,
"provider": "openai",
"default_model": "gpt-5-mini",
"model_routing": {
"/quick": "gpt-5-mini",
"/pulse": "gpt-5-mini",
"/doc": "gpt-5-mini",
"/deep": "gpt-5",
"/academic": "gpt-5"
},
"mcp_servers": [
{
"name": "rival-search",
"type": "fastmcp-gateway",
"tools": [
"web_search",
"map_website",
"content_operations",
"research_topic",
"research_agent",
"scientific_research",
"social_search",
"news_aggregation",
"github_search",
"document_analysis"
]
}
],
"memory": {
"path": "./memory/doori",
"retention_days": 90
}
}
4단계 — 인스턴스 자동 시작 (launchd)
인스턴스가 4개로 늘어나니, Mac Mini 재부팅할 때마다 일일이 켜기 번거로워졌어요. macOS의 launchd로 부팅 시 자동 시작되도록 등록했습니다. 각 인스턴스마다 .plist 파일을 하나씩 만들어 ~/Library/LaunchAgents/에 넣었어요.
5단계 — OpenAI 사용량 한도 설정
리서치 에이전트는 무한 루프 가능성이 있는 도구(특히 research_agent)를 쓰기 때문에, OpenAI 대시보드에서 월 $30 한도를 걸었습니다.
💡 결과와 배운 점
배운 점
1. "역할 분리"는 SOUL.md가 비대해지기 전에 미리 해야 한다 호두에 리서치 도구를 다 얹었다면, 호두의 정체성이 흐려지고 SOUL.md가 매번 재작성되어야 했을 거예요. 새 도구가 들어올 때 기존 에이전트에 추가할지, 새 에이전트를 만들지를 먼저 따져보는 습관이 생겼습니다.
2. LLM 공급사 다양화는 비용보다 회복탄력성이 핵심 처음엔 "GPT-5 mini가 싸니까"가 동기였는데, 막상 운영해보니 "한 공급사가 다운돼도 시스템 절반이 살아있다"는 안정감이 더 컸어요. 멀티 에이전트 시스템에선 단일 공급사 의존이 생각보다 큰 리스크입니다.
3. 인스턴스 분리는 RAM이 허락할 때 미리 해두자 24GB RAM은 4 인스턴스 돌리기에 충분하고도 남았어요. 하드웨어가 허락할 때 깔끔하게 1 인스턴스 = 1 에이전트 = 1 LLM 공급사로 분리해두면, 나중에 디버깅·빌링·장애 대응이 모두 단순해집니다.
4. 모드별 모델 라우팅은 비용 최적화의 숨은 무기 두리의 작업 80%가 /quick·/pulse·/doc로 처리되는데, 이걸 다 mini에 보내고 무거운 작업만 full 모델에 보내니 예상 비용의 약 1/3로 줄었어요.
나만의 꿀팁
에이전트 만들 때는 기존 에이전트의 7-file 체계를 그대로 복제하세요. 처음부터 짜면 빠뜨리는 게 생깁니다.
OpenAI 한도 설정은 무조건 하세요. research_agent 같은 자동화 도구는 사고 가능성이 있어요.
SOUL.md에 "다른 에이전트의 톤을 침범하지 않는다" 같은 경계 원칙을 꼭 넣으세요. 멀티 에이전트 시스템에서 가장 흔한 실패가 에이전트들이 서로의 영역을 침범하는 거예요.
시행착오
처음엔 두리를 H 옆 같은 인스턴스에 두려고 했어요. "비서실장과 리서치 애널리스트는 한 팀"이라는 비유 때문이었는데, LLM 공급사를 OpenAI로 결정하는 순간 같은 인스턴스에 Anthropic/OpenAI 키가 공존해야 해서 복잡해졌어요. 결국 인스턴스 분리.
도움이 필요한 부분
S의 결과물을 다른 에이전트에게 자동으로 넘기는 워크플로를 아직 못 만들었어요. 지금은 제가 S에게 받은 결과를 복사해서 H에게 다시 붙여넣는 구조인데, Slack 멀티 에이전트 협업 구조로 자동화하고 싶습니다.
S의 메모리를 H, D의 메모리와 어떻게 연결할지 아직 고민 중이에요. 통합 메모리 vs 격리 메모리 — 어느 쪽이 장기적으로 나을지 사례가 궁금합니다.
앞으로의 계획
자동 위임 워크플로 구축: H이 전략 모드에서 "리서치 필요"라고 판단하면 자동으로 S를 호출하고, 결과를 받아 글쓰기 모드로 이어가는 흐름.
📚 도움 받은 글 (옵션)
OpenClaw 공식 문서
RivalSearchMCP / fastmcp-gateway 스킬 문서
Claude Anthropic 4월 정책 업데이트 공지
호두·도티 셋업 시 참고했던 지피터스 멀티 에이전트 사례글들



오 꿀팁까지!! 저도 슬슬 셋업하려던 참인데 참고할게요 ㅎㅎ