내 인프라를 운영하는 AI 에이전트를 만들었습니다

Source: Dev.to

Overview

지난 주에 인프라를 모니터링하고, 계정을 관리하며, 대시보드를 업데이트하고, 콘텐츠를 자동으로 게시하는 AI 에이전트를 만들었습니다. 장난감 시연이 아니라, 제 MacBook에서 24시간 내내 실제로 구동되는 시스템입니다. 아래에 실제로 동작하는 부분, 동작하지 않는 부분, 그리고 저를 놀라게 한 점들을 정리했습니다.

Architecture

• OpenClaw – 오픈소스 AI 에이전트 프레임워크 (브라우저, 터미널, 파일, 메신저)
• Claude – 두뇌 역할 (복잡한 작업은 Opus, 일상적인 작업은 Sonnet)
• FastAPI + Python – LLM API용 프록시 레이어, 장애 조치 포함
• Node.js – 칸반 보드와 실시간 활동 피드를 제공하는 대시보드
• launchd – macOS 크론, 예약 검사 수행

Scheduled Checks (every 30 minutes)

• API 프록시 상태와 계정 교체
• 여러 계정의 크레딧 잔액 확인
• 서비스 가동 시간 모니터링

문제가 발견되면 에이전트가 자동으로 해결하거나 텔레그램으로 알림을 보냅니다.

Kanban Board

실시간 Server‑Sent Events (SSE) 업데이트가 가능한 칸반 보드. 에이전트는:

• 대화 내용으로부터 작업을 생성
• 작업이 진행됨에 따라 컬럼을 이동
• 모든 행동을 활동 피드에 기록

Capabilities

• Research & Drafting – 주제 조사, 초안 작성, 여러 플랫폼에 게시 (이 글도 에이전트가 작성하고 제가 검토했습니다).
• Memory Files – 마크다운 파일을 읽고 써서 세션 간 컨텍스트를 유지.
• Heartbeat Polling – 주기적인 체크로 문제가 발생하기 전에 감지.
• Failover Proxy – API 계정을 순환시켜 비용을 관리.
• LaunchAgents – macOS launchd는 예약 작업에 최적.

Limitations & Lessons Learned

• Browser automation is fragile – React SPA, 동적 폼, CAPTCHA 등에서 실패가 발생합니다.
• Too many tabs = death – 탭이 10개 이상 열리면 브라우저가 느려집니다.
• Mental notes do not survive restarts – 파일에 저장되지 않은 메모는 재시작 시 사라집니다.
• Creative tasks – 에이전트는 일상적인 작업에 더 강하고, 창의적인 작업에는 한계가 있습니다.
• Prompt engineering – 서브 에이전트를 위한 좋은 프롬프트 작성이 직접 코딩하는 것보다 더 어려울 때가 많습니다.

Costs

이 시스템을 24/7으로 운영하는 데 API 비용은 $0 정도입니다. 실제 비용은 서버 역할을 하는 MacBook입니다.

Additional Features

• GitHub Issues 를 작업 큐로 활용.
• Voice morning digest – 텍스트‑투‑스피치(TTS) 기반 아침 요약.
• Auto‑publishing pipeline – 콘텐츠 배포 자동화 파이프라인.

Open Source

OpenClaw는 오픈소스입니다.

학습 곡선은 존재하지만, 일단 익히면 어떻게 없이 작업했는지 의문이 들 정도입니다.

Call to Action

AI 에이전트를 활용해 어떤 자동화를 구축했나요? 댓글로 알려 주세요.