안녕하세요, 에디터 배니입니다.

민족 대명절 설입니다. 새해 명절 연휴 잘 보내고 계신가요? 독자 여러분, 새해 복 많이 받으세요🙇‍♂️

출처: OpenClaw 홈페이지

오늘은 세계적 관심을 끌고 있는 OpenClaw 이야기로 시작해볼까 합니다. OpenClaw는 지난 1월 Clawdbot이라는 이름으로 등장한 오픈소스 AI Agent입니다. AI Agent는 말 그대로 내 일을 대신해주는 AI 모델이라고 볼 수 있습니다. 일반적인 AI 모델과 다른 점이 있다면, 사용자 요청에 따라 직접 작업 계획을 세우고 실행하는 로직을 설정한다는 것입니다. 또한, 원하는 목표에 도달할 수 있도록 외부 툴을 적절하게 활용하기도 합니다. Clawdbot은 Anthropic의 Claude와 이름이 비슷하다는 이유로 이름을 변경해달라는 요청을 받아, Moltbot이라는 임시 이름을 거쳐 지금의 OpenClaw로 정착하게 됐습니다. 이런 이슈들이 오히려 더욱 바이럴된 요소이기도 합니다.

OpenClaw가 주목받은 이유에는 넓은 확장성과 높은 편의성이 꼽힙니다. 과거 Anthropic의 MCP가 주목 받았던 이유도 Google Drive, Slack, GitHub 등 외부 소스를 쉽게 연동할 수 있기 때문이었는데요. 이번 OpenClaw도 다양한 툴을 연결하여 확장할 수 있다는 특징이 있습니다. 기본적으로 Anthropic에서 제안한 MCP 방식이 아닌 CLI를 통해 직접 명령어를 실행하기 때문에 API 키를 부여하는 것 외에 별도로 할 작업은 없습니다. 그리고 이러한 작업을 번거롭게 직접 입력하는 일이 없도록 편의성을 높였습니다. 사용자는 Discord, Whatsapp, Telegram 등 접근성이 높은 채팅 애플리케이션을 통해 대화하듯 명령을 내릴 수 있습니다.

이런 특성 OpenClaw를 활용한 다양한 사례가 활발하게 공유되고 있습니다. 국내에서도 세계적인 흐름에 편승하여 OpenClaw 활용 사례가 속속 등장하고 있습니다. 어떻게 하면 이런 OpenClaw를 더 잘 사용할 수 있을까요? 이번 뉴스레터에서는 OpenClaw 작동 방식과 활용 사례를 소개합니다.

OpenClaw는 사실상 PI Agent다.

OpenClaw에 사용된 핵심 에이전트는 PI Agent입니다 PI Agent는 Mario Zechner가 설계한 미니멀 코딩 에이전트로, 복잡한 에이전트 프레임워크 대신 최소한의 시스템 프롬프트와 소수의 핵심 도구만으로 코드 작성, 파일 수정, 명령 실행 등의 작업을 수행하도록 설계된 것이 특징입니다. 그는 개발 회고에서 다음과 같은 말로 이 AI 에이전트의 철학을 설명합니다.

<aside> 💬

If I don't need it, it won't be built. And I don't need a lot of things.

</aside>

PI Agent는 가능한 한 기능을 내부에 쌓아 두지 않고, 상태(State)와 작업 과정을 파일과 명령으로 처리하는 방식을 택합니다. 작업 목록이나 계획도 에이전트 내부 구조로 관리하지 않고 TODO.md나 PLAN.md 같은 파일에 기록한 뒤 이를 읽고 수정하면서 진행하도록 설계되어 있습니다. 이렇게 하면 세션이 바뀌어도 동일한 상태를 유지할 수 있고, 사람이 직접 내용을 확인하거나 수정할 수 있으며, 변경 이력까지 관리할 수 있어 투명성과 재현성이 높아집니다.

Mario Zechner는 ****이를 No To-Do, No Plan 원칙이라고 부릅니다. 많은 에이전트가 내부에 계획 모드나 작업 관리 시스템을 두지만, PI Agent는 이러한 구조가 모델이 추적해야 할 상태를 늘리고 복잡성을 높인다고 본 것입니다. 대신 필요할 때만 파일 형태로 계획을 기록하고, 에이전트는 그 파일을 읽어 다음 행동을 결정합니다. 즉, 계획을 기능으로 내장하지 않고 작업의 일부로 취급하는 것입니다.

또 다른 특징은 No MCP입니다. 최근 에이전트 생태계에서 MCP 기반 도구 서버가 널리 사용되고 있지만, PI Agent는 이를 기본 구성으로 포함하지 않습니다. 이유는 MCP를 도입하면 낭비하는 토큰이 많아지기 때문입니다. 실제로 일부 MCP 서버는 도구 설명만 수만 토큰에 이르는데요. 예를 들어, 브라우저 자동화 계열 MCP의 경우 약 13k~18k 토큰 수준의 설명이 초기 컨텍스트에 포함되기도 합니다. 이는 작업을 시작하기도 전에 컨텍스트 윈도우의 꽤 크게 소모하는 셈입니다. PI Agent는 대신 CLI 도구와 간단한 문서를 필요할 때만 읽도록 하여, 초기 토큰 사용량을 크게 줄이고 필요한 정보만 점진적으로 로드하는 방식을 선택했습니다.

<aside> 💬

MCP(Model Context Protocol)

MCP는 하나의 공통 규격으로 다양한 시스템에 연결할 수 있도록 만든 AI 툴용 표준 연결 방식입니다. 기존 방식은 새로운 데이터 소스나 서비스가 추가될 때마다 각각 다른 API를 따로 구현해야 했고, 이 때문에 시스템이 점점 복잡해지고 확장도 어려워졌습니다.

이를 해결하기 위해 MCP는 도구와 데이터 소스가 자신의 기능과 사용 방법을 구조화된 형식으로 노출하고, AI 애플리케이션은 이 표준 인터페이스를 통해 동일한 방식으로 다양한 시스템을 호출할 수 있도록 설계되었습니다. 즉 서비스마다 서로 다른 API를 개별적으로 연동하는 대신, MCP라는 공통 규격만 지원하면 같은 방식으로 연결할 수 있는 구조입니다. Anthropic은 이를 여러 장치를 하나의 포트로 연결할 수 있는 USB-C에 비유해 설명하는데, 핵심은 새로운 도구가 추가되더라도 연결 방식이 바뀌지 않도록 해 통합 비용과 복잡도를 줄이려는 데 있습니다.

</aside>

결국 PI Agent의 철학은 거대한 에이전트 프레임워크를 구축하기보다, 단순한 루프와 최소한의 도구 위에서 파일과 명령을 통해 문제를 해결하는 구조를 유지하는 것에 가깝습니다. 이는 자동화 수준을 일부 포기하는 대신, 동작을 이해하기 쉽고 제어 가능한 에이전트를 만드는 방향이라고 볼 수 있습니다.

OpenClaw가 나만의 봇으로 진화하는 법