RPi 기반 State Machine 아키텍처를 통한 $0 비용 AI 스카우터 구현

Automated Intelligence Dev Bounty Scouter with OpenClaw, Gemini & SearXNG in RPi

Khe Ai2026년 4월 22일11분intermediate

AI 요약

Context

완전 자율 AI 에이전트의 무분별한 데이터 수집으로 인한 데이터 오염 문제 발생. 특히 Raspberry Pi의 제한된 리소스와 Gemini API의 엄격한 Rate Limit(15 RPM)으로 인한 시스템 불안정성을 해결해야 하는 상황.

API 호출 최소화를 위해 OpenClaw에 State Machine 기반 God Prompt를 적용하여 실행 순서를 강제한 결정론적 워크플로우 설계
외부 API 비용 제거 및 차단 방지를 위해 RPi 내 Docker 기반 SearXNG를 로컬 배포하고 Redis Limiter 플러그인으로 요청 속도 제어
Edge(RPi)에서 비정형 데이터 수집 및 JSONL 저장을 수행하고 Cloud(Cloud Run)에서 정제된 데이터만 처리하는 Hybrid 구조 채택
데이터 무결성 확보를 위해 AI와 Cloud Vault 사이에 Human-in-the-Loop 레이어를 배치한 품질 보증 프로세스 구축
MongoDB Atlas M0의 Vector Search와 Gemini Embedding을 결합하여 수집된 정보의 효율적 검색 및 관리 체계 마련
Cloud Run의 Session Affinity 설정을 통한 Meteor WebSockets의 Sticky Session 유지 및 실시간 데이터 동기화 구현

실천 포인트

1. LLM API의 Rate Limit이 엄격할 경우 에이전트의 추론 루프를 단계별 상태 머신으로 강제했는지 확인

2. 홈 IP 기반 스크래핑 시 Redis 기반 Limiter 및 Proxy Pool 도입을 통해 CAPTCHA 발생 가능성 검토

3. 완전 자동화보다 Human-in-the-Loop 단계를 설계하여 데이터 파이프라인의 신뢰성 확보

4. 무료 티어 클라우드 사용 시 Cold Start 및 저장 용량 제한이 서비스 가용성에 미치는 영향 분석

태그