pillar

OpenClaw ContextEngine의 5가지 라이프사이클/hooks와 서브‑에이전트 경계 관리 아키텍처 완전 정리

핵심 요약

OpenClaw ContextEngine은 총 일곱 개의 Lifecycle Hook 중 다섯 가지 핵심 단계(Initialize, Load, Process, Unload, Terminate)를 통해 리소스 할당, 벡터 검색 결과 통합, 토큰 예산 관리를 자동화한다. Process 단계에서는 Verifiable Execution Module가 출력을 검증하여 오류를 사전에 차단하고, 안정적인 상태 전이를 보장하는 구조를 취한다.

이 글의 핵심 주장과 근거

핵심 주장

샌드박스 모드는 session(세션별 격리, 가장 엄격), agent(에이전트별 공유), shared(다중 에이전트 공유)의 세 단계 계층적 격리 수준을 제공하며, 도구 제한 체계는 프로필-글로벌-에이전트별-샌드박스-서브에이전트 순서의 평가 체계를 통해 에이전트 실행 환경의 안전성을 다층적으로 보장한다.

출처: [1] OpenClaw Sub-Agents Workspaces Security Sandboxing

핵심 주장

OpenClaw ContextEngine은 Ingest, Assemble, Compact, AfterTurn의 4단계 라이프사이클 훅을 제공하여 각 실행마다 모델 컨텍스트를 구성하는 방법을 결정하며, 이전 히스토리의 요약 방식과 서브에이전트 간 컨텍스트 경계를 명시적으로 관리함으로써 바이브코딩 세션의 컨텍스트 분열을 구조적으로 방지한다.

출처: [1] OpenClaw Context Engine Docs

핵심 주장

ContextEngine의 수집·조립·압축 생명주기 훅과 채널바인딩의 결합은 wd_scout의 병렬 검색과 wd_gatherer의 수집 결과가 동일한 부모 세션으로 수렴하여 컨텍스트 분열을 방지하고 WD 체인 전체의 작업 연속성을 보장한다.

출처: [1] ContextEngine ACP 연속성

ContextEngine은 ACP 영속화 메커니즘으로서 노드 버전 관리와 스냅샷, 델타 복원 기능을 통해 Fan-Out 병렬 실행에서 파생되는 컨тек스트 분열을 실시간으로 방지하며 결과적 일관성을 보장한다.

출처: [1] OpenClaw ACP 채널바인딩

오케스트레이터의 5단계 라이프사이클 훅(Plan, Delegate, Execute, Monitor, Learn)은 작업을 분해하여 적합한 에이전트에 위임하고, 각 에이전트의 실행 결과를 모니터링하며, 완료 후 학습을 통해 다음 작업의 효율성을 높이는 반복적 개선 구조를 형성하며, 이 과정에서 .world 파일이 전 단계의 상태를 다음 단계에 전달하는 상태 동기화 매개체로 기능한다.

직접 근거: [1] ZeroInput 직접 경험 [2] ZeroInput 직접 경험

1. 라이프사이클 Hook 구조와 역할

Context Engine은 총 일곱 개의Lifecycle Hook을 정의하지만 핵심으로는 Initialize(초기화), Load(데이터 로드), Process(핵심 연산), Unload(자원 해제), Terminate(종료)의 다섯 개 훅이 실질적인 흐름을 구성한다. 각 단계에서 시스템은 리소스를 할당하고, 벡터 검색 결과를 통합하며, 토큰 예적을 관리한다. 특히 Process 단계에서는 Verifiable Execution Module가 출력을 검증하여 오류를 사전에 차단하고, 안정적인 상태 전이를 보장한다.

2. 서브‑에이전트 경계 관리 메커니즘

서브‑에이전트는 별도의 실행 환경을 갖으며, AsyncLocalStorage를 이용해 자체 컨텍스트 공간을 격리한다. prepareSubagentSpawn 훅은 부모 에이전트의 현재 작업ID와 연결된 노드만을 선택해 하위 에이전트에 전달하고, 화이트리스트 기반으로 허용된 정보만 공유한다. 이 과정에서 Boundary Checker가 정책을 검증하여 비인가 컨텍스트 유출을 방지하고, 각 에이전트가 자치적인 작업 환경을 유지하도록 설계된다.

3. 토큰 예산 관리와 컨텍스트 최적화 전략

assemble 단계에서는 사용자가 지정한 soft 토큰 예적을 기준으로 최근 메시지와 벡터 검색 결과를 조합한다. budget.soft의 0.6 비율에 해당하는 최신 메시지를 직접 포함하고, 0.3 비율의 벡터 검색 결과와 0.1 비율의 시스템 프롬프트를 추가한다. 이 과정에서 토큰 초과가 예상될 경우 compact/hooks이 자동으로 오래된 에피소드를 요약하거나, 필요 시 벡터 저장소에 오프로드하여 예적을 재조정한다. 이렇게 함으로써 장시간 실행에도 안정적인 컨텍스트 구성 유지가 가능하다.

4. 실제 적용 사례와 향후 확장 가능성

Lossless‑Claw 같은 플러그인은 DAG 기반 요약으로 모든 메시지를 보존하면서도 토큰 제한을 우회하고, MemOS Cloud Plugin은 클라우드 메모리를 공유해 세션 간 기억을 유지한다. 향후 RAG 기반 컨텍스트 조합, 다중 에이전트 공동 지식 그래프, 동적 토큰 최적화 등 다양한 확장이 기대된다. 이러한 발전은 Context Engine을 단순한 플러그인에서 플랫폼 수준 서비스로 전환시키며, 기업용 자동화와 복합 워크플로우를 지원한다.