📌 왜 로그 자동 알림이 필요할까?

서버는 보통 이렇게 망가집니다.

• CPU가 천천히 올라감
• 디스크가 가득 참
• nginx에서 500 에러 증가
• 특정 서비스가 반복적으로 죽음

그런데 문제는,

대부분 “나중에” 알게 됩니다.

그래서 필요한 것이 바로

👉 로그를 자동 분석하다가 이상 징후가 나오면 즉시 알림 전송

이번 글에서는:

• Python으로 로그 실시간 감시
• 에러 패턴 발견 시
• Synology Chat으로 자동 알림 전송

구성을 완성합니다.

🧠 전체 구조

[서버 로그 파일]
        ↓
[Python 프로그램이 실시간 감시]
        ↓
[에러 패턴 발견]
        ↓
[Synology Chat Webhook 전송]
        ↓
[채널에 알림 도착]

🛠 1단계: 시놀로지 챗 Webhook 생성

① Synology Chat 접속

② 우측 상단 프로필 → 통합(Integration)

③ “Incoming Webhooks” 생성

④ 채널 선택

⑤ 생성된 Webhook URL 복사

URL 예시:

https://NAS주소:5001/webapi/entry.cgi?api=SYNO.Chat.External&method=incoming&version=2&token=토큰값

이 URL을 Python 코드에 붙여 넣습니다.

🧩 2단계: Python 로그 감시 프로그램

파일명 예:

log_watch_to_synochat.py

📜 전체 코드 (실전용)

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import os
import time
import json
import re
import hashlib
from datetime import datetime
import requests

# ====== 설정 ======
SYNCHAT_WEBHOOK_URL = "여기에_웹훅_URL_입력"

LOG_FILES = [
    "/var/log/syslog",
    # "/var/log/nginx/error.log",
]

ERROR_PATTERNS = [
    r"\bERROR\b",
    r"\bCRITICAL\b",
    r"\bFATAL\b",
    r"Exception",
    r"\b5\d\d\b"
]

DEDUP_WINDOW_SEC = 300
VERIFY_SSL = True
# ===================


def send_synology_chat(text):
    payload_obj = {"text": text}
    data = {"payload": json.dumps(payload_obj, ensure_ascii=False)}
    response = requests.post(
        SYNCHAT_WEBHOOK_URL,
        data=data,
        timeout=10,
        verify=VERIFY_SSL
    )
    response.raise_for_status()


def tail_follow(path):
    with open(path, "r", encoding="utf-8", errors="replace") as f:
        f.seek(0, os.SEEK_END)
        while True:
            line = f.readline()
            if not line:
                time.sleep(0.2)
                continue
            yield line.strip()


def main():
    compiled_patterns = [re.compile(p, re.IGNORECASE) for p in ERROR_PATTERNS]
    last_sent = {}

    watchers = [(path, tail_follow(path)) for path in LOG_FILES]

    while True:
        for path, generator in watchers:
            try:
                line = next(generator)
            except StopIteration:
                continue

            for pattern in compiled_patterns:
                if pattern.search(line):
                    now = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
                    message = f"🚨 서버 로그 에러 감지\n시간: {now}\n파일: {path}\n내용: {line}"

                    key = hashlib.sha1(message.encode()).hexdigest()
                    if key not in last_sent or time.time() - last_sent[key] > DEDUP_WINDOW_SEC:
                        try:
                            send_synology_chat(message)
                            last_sent[key] = time.time()
                            print("전송 완료:", message)
                        except Exception as e:
                            print("전송 실패:", e)

        time.sleep(0.05)


if __name__ == "__main__":
    main()

🚀 3단계: 실행 방법

1️⃣ requests 설치

pip3 install requests

2️⃣ 실행

python3 log_watch_to_synochat.py

※ /var/log 접근은 root 권한이 필요할 수 있습니다.

🔄 4단계: systemd로 자동 실행 설정

운영 환경이라면 백그라운드 실행이 필요합니다.

서비스 파일 생성:

sudo nano /etc/systemd/system/logwatch.service

내용:

[Unit]
Description=Log Watch to Synology Chat
After=network.target

[Service]
ExecStart=/usr/bin/python3 /경로/log_watch_to_synochat.py
Restart=always
User=root

[Install]
WantedBy=multi-user.target

활성화:

sudo systemctl daemon-reload
sudo systemctl enable logwatch
sudo systemctl start logwatch

⚙ 실무 업그레이드 아이디어

✔ 5분 동안 에러 10회 이상일 때만 전송
✔ 에러 유형별로 메시지 구분
✔ 최근 10줄 로그 묶어서 전송
✔ Docker 로그 감시 추가
✔ nginx 전용 패턴 구성

🎯 실제 운영에서 얻는 효과

• 장애 발생 즉시 인지
• 새벽 시간 장애 대응 가능
• 로그 확인 시간 단축
• 운영 신뢰도 상승

📋 체크리스트

✔ Webhook 생성 완료
✔ Python 실행 성공
✔ 에러 발생 시 Chat 알림 수신
✔ 중복 알림 방지 정상 동작
✔ systemd 등록 완료

🔥 이 구성의 핵심 장점

• 비용 0원
• 외부 SaaS 불필요
• NAS 기반 완전 자가 운영 가능
• 가볍고 안정적

게시물 파이썬 서버 로그 자동 분석 후 시놀리지 챗 알림 보내기이 하우인포-IT·테크에 처음 등장했습니다.

Linux 명령어에 익숙해졌다면, 이제 한 단계 올라갈 차례입니다.
요즘 서버 운영, AI, 자동화, NAS 환경에서 빠지지 않는 기술이 바로 Docker입니다.

Docker를 이해하면:

✔ 서버 세팅이 빨라지고
✔ 환경 충돌이 사라지고
✔ 자동화 구성이 쉬워지고
✔ 이식성이 극대화됩니다

이번 글에서는 직접 설치 → 실행 → 컨테이너 운영까지 실습해봅니다.

1️⃣ Docker란 무엇인가?

Docker는 컨테이너 기반 가상화 플랫폼입니다.

기존 가상머신(VM)은 OS를 통째로 올리지만,
Docker는 필요한 실행 환경만 분리해서 올립니다.

👉 가볍고 빠릅니다
👉 서버 운영에 최적화되어 있습니다

2️⃣ Docker 설치 실습 (Ubuntu 기준)

📌 1단계: 패키지 업데이트

sudo apt update

📌 2단계: Docker 설치

sudo apt install docker.io -y

📌 3단계: Docker 실행 확인

docker --version

📌 4단계: Docker 서비스 활성화

sudo systemctl enable docker
sudo systemctl start docker

상태 확인:

sudo systemctl status docker

3️⃣ 첫 번째 컨테이너 실행해보기

📌 Hello World 실행

sudo docker run hello-world

정상이라면 테스트 메시지가 출력됩니다.

👉 이 순간 Docker 엔진이 동작한 것입니다.

4️⃣ Nginx 웹서버 컨테이너 실행 실습

📌 Nginx 실행

sudo docker run -d -p 8080:80 nginx

설명:

• -d : 백그라운드 실행
• -p 8080:80 : 포트 연결
• nginx : 이미지 이름

브라우저에서 접속:

http://서버IP:8080

👉 웹서버가 바로 실행됩니다.

5️⃣ 컨테이너 관리하기

📌 실행 중 컨테이너 확인

docker ps

📌 전체 컨테이너 보기

docker ps -a

📌 컨테이너 중지

docker stop 컨테이너ID

📌 컨테이너 삭제

docker rm 컨테이너ID

6️⃣ Docker 이미지 관리

📌 이미지 목록 확인

docker images

📌 이미지 삭제

docker rmi 이미지ID

7️⃣ 실제 운영 감각 익히기 (중요)

Docker는 단순 실행이 목적이 아닙니다.

운영에서 중요한 개념:

🔹 포트 매핑

외부포트:내부포트

-p 3000:3000

🔹 볼륨 연결 (데이터 보존)

docker run -d -p 8080:80 -v /home/data:/usr/share/nginx/html nginx

👉 컨테이너 삭제해도 데이터 유지

🔹 재부팅 시 자동 실행

docker run -d --restart=always nginx

8️⃣ Docker Compose 기초 (실무 핵심)

Docker를 여러 개 운영하면 docker-compose가 필요합니다.

설치:

sudo apt install docker-compose -y

예시 docker-compose.yml

version: '3'
services:
  web:
    image: nginx
    ports:
      - "8080:80"

실행:

docker-compose up -d

👉 실무에서는 거의 이 방식으로 운영합니다.

📌 Docker를 배우면 생기는 변화

✔ 서버 세팅 시간이 획기적으로 단축
✔ 개발/운영 환경 동일화
✔ 자동화 구성 쉬워짐
✔ NAS 활용도 상승
✔ AI 모델 배포 쉬워짐

Docker는 이제 선택이 아니라 기본입니다.

게시물 Docker 기초 실습 가이드이 하우인포-IT·테크에 처음 등장했습니다.

2026년 현재, IT 자동화는 단순 반복 작업을 줄이는 수준을 넘어
업무 구조 자체를 바꾸는 기술로 발전하고 있습니다.

과거에는 스크립트 기반 자동화가 중심이었다면,
지금은 AI가 직접 판단하고 실행하는 자동화 시대입니다.

특히 다음 4가지 키워드가 핵심입니다.

• Google Opal
• n8n
• AI 에이전트 (Agentic AI)
• AIOps

1️⃣ Google Opal – 자연어 기반 AI 자동화

Google Opal 은
자연어로 설명하면 AI가 자동으로 워크플로우를 만들어주는 AI 중심 노코드 플랫폼입니다.

✔ 특징

• 텍스트로 “주간 보고서 자동 생성해줘” 입력
• AI가 워크플로 구성
• 생성형 AI 모델 자동 연결
• 비개발자도 사용 가능

✔ 이런 경우에 적합

• 보고서 자동화
• 콘텐츠 생성 자동화
• 내부 업무 흐름 자동화

Opal은 자동화 진입 장벽을 크게 낮춘 도구라고 볼 수 있습니다.

2️⃣ n8n – 실무형 워크플로 자동화

n8n 은
오픈소스 기반의 강력한 자동화 플랫폼입니다.

특히 NAS, 서버 환경에서 Self-host 방식으로 운영 가능하다는 점이 강점입니다.

✔ n8n의 장점

• 다양한 API 연결
• AI 노드(GPT, Gemini 등) 연동 가능
• 조건 분기 및 복잡한 로직 구성 가능
• 기업 환경 적용 용이

✔ 실제 활용 예

• 블로그 자동 업로드
• 음성 → 텍스트 변환 자동화
• 고객 문의 자동 분류
• IT 장애 알림 자동 전송

Opal이 “AI 자동 생성형”이라면
n8n은 “실무 운영형 자동화”라고 볼 수 있습니다.

3️⃣ AI 에이전트 – 사람이 아닌 AI가 일하는 시대

최근 가장 많이 언급되는 키워드는 AI 에이전트(Agentic AI) 입니다.

이제 AI는 단순 보조 역할이 아니라:

• 목표 설정
• 데이터 분석
• 실행
• 결과 검증

까지 수행하는 단계로 발전하고 있습니다.

예를 들어:

• 서버 로그 분석 → 이상 감지 → 알림 발송
• 매출 데이터 분석 → 리포트 작성 → 이메일 발송

이 모든 흐름을 사람이 개입하지 않고 수행할 수 있습니다.

4️⃣ AIOps – IT 운영 자동화의 핵심

AIOps 은
AI 기반 IT 운영 자동화 기술입니다.

✔ 주요 기능

• 이상 탐지
• 장애 예측
• 자동 복구
• 로그 분석 자동화

대규모 시스템을 운영하는 기업에서는
AIOps 도입이 운영 효율과 비용 절감에 직접적인 영향을 줍니다.

🔐 자동화 시대의 주의점

자동화가 늘어날수록 중요해지는 요소는:

• 데이터 보안
• 접근 권한 관리
• AI 모델 통제
• 로그 및 감사 추적

자동화는 효율을 주지만
통제가 없으면 리스크가 됩니다.

🚀 2026년 자동화 흐름 요약

자동화는 이제 “도구”가 아니라
업무 설계 방식 자체를 바꾸는 전략이 되고 있습니다.

📌 마무리

2026년 IT 자동화는 다음 단계로 넘어가고 있습니다.

✔ AI가 자동으로 설계
✔ AI가 자동으로 실행
✔ AI가 자동으로 판단

하지만 중요한 것은
“무엇을 자동화할 것인가?” 입니다.

도구 선택보다 더 중요한 것은
업무 구조 설계와 통제 전략입니다.

게시물 구글 Opal, n8n, AI 에이전트, AIOps까지 한 번에 정리이 하우인포-IT·테크에 처음 등장했습니다.

AI 자동화는 거창한 로봇이 아니라, 이런 반복을 “한 번에” 줄여주는 도구에 가깝습니다.
오늘은 실무에서 바로 적용 가능한 AI 자동화 10가지를 실제 예시 중심으로 정리해보겠습니다.

1) 메일/메신저 “요약 + 답장 초안” 자동화

어디에 쓰나? 협업 요청, 장애 공유, 회의 일정 조율, 고객 문의 응대

예시

• 받은 메일이 길 때 → 핵심 5줄 요약 + 내가 해야 할 일(액션아이템)만 뽑기
• 답장이 애매할 때 → “정중하지만 단호한 톤”으로 초안 생성

효과

• 메일 읽는 시간 ↓, 답장 작성 스트레스 ↓

2) 회의 녹음 → 회의록/결정사항/할 일 자동 생성

어디에 쓰나? 주간회의, 프로젝트 회의, 협의체, 외부사 미팅

예시

• 음성 파일을 넣으면
  ① 회의 요약 ② 결정사항 ③ 담당자별 액션아이템 ④ 다음 회의 안건
  을 자동으로 정리

효과

• 회의록 작성 “퇴근 후 작업”이 사라짐

3) 문서(제안서/보고서/요구사항)에서 누락·모순 자동 점검

어디에 쓰나? 계약 문서, RFP, 요구사항정의서, 운영 가이드

예시

• “누락된 항목(일정/범위/검수/책임/비용)” 체크
• 같은 말 다른 표현(용어 불일치) 찾기
• 앞뒤 논리 충돌(예: ‘24시간 대응’이라면서 ‘영업시간만’) 경고

효과

• 검토 시간 ↓, 실수 리스크 ↓

4) 엑셀/CSV 정리: 붙여넣기만 하면 “표준 보고 형태”로 변환

어디에 쓰나? KPI 집계, 월간 실적, VOC 리스트, 장애 로그

예시

• 지저분한 원본 데이터 → 자동으로
  • 중복 제거
  • 컬럼 정리
  • 분류(유형/원인/담당)
  • 요약(Top 5, 추세, 특이점)
    를 생성

효과

• “정리 작업”이 줄고 분석/판단에 집중 가능

5) 티켓/VOC 자동 분류 + 우선순위 추천

어디에 쓰나? 운영 이슈, 고객 불만, 개발 요청, 장애 신고

예시

• 들어오는 요청을 자동으로
  • 카테고리 분류(결제/가입/로그인/네트워크/단말 등)
  • 심각도(긴급/높음/보통/낮음)
  • 담당 팀 추천
  • 관련 과거 이슈 링크 후보
    로 정리

효과

• “분류 회의” 시간이 줄어듦

6) 운영 공지/장애 안내문 자동 작성(템플릿 기반)

어디에 쓰나? 시스템 점검 공지, 장애 안내, 복구 완료 공지

예시

• 입력: “언제/무엇/영향/조치/예상복구시간”
• 출력: 내부 공지용 문구 + 고객용 문구(톤 다르게) + FAQ 3개

효과

• 공지 작성이 빠르고 일관성 있게 유지됨

7) 반복 보고서 “초안 자동 생성” (주간/월간)

어디에 쓰나? 주간보고, 월간보고, 임원 보고, 프로젝트 경과 보고

예시

• 입력: 이번 주 이슈 5개 + 숫자 몇 개
• 출력:
  • 주요 성과
  • 리스크/이슈
  • 대응 계획
  • 다음 주 추진 항목
    을 보고서 문장으로 정리

효과

• “문장 만들기” 시간이 확 줄어듦

8) 코드/스크립트 작성 보조 + 운영 스크립트 자동 생성

어디에 쓰나? 서버 점검, 백업, 로그 수집, 배치 작업

예시

• “이 폴더의 로그를 날짜별로 압축하고 30일 지나면 삭제”
  → 크론 + 스크립트 초안 생성
• 장애 대응용 “원클릭 점검 스크립트” 초안 생성

효과

• 운영 자동화가 빨라지고 표준화됨

9) 지식 정리 자동화: 자료 모으기 → 요약 → 내 노트로 저장

어디에 쓰나? 정책/기술 동향, 경쟁사 분석, 학습 노트

예시

• 웹 링크/문서/PDF를 모으면
  • 핵심 요약
  • 내 업무에 영향(What it means)
  • 액션 제안(What to do)
  • 용어 정리
    를 자동으로 정리해서 노트에 저장

효과

• “자료만 쌓이고 끝”이 줄어듦

10) 블로그/콘텐츠 자동화: 글 초안 + SEO 요소 + 썸네일까지

어디에 쓰나? 워드프레스 운영, 사내 지식 공유, 기술 블로그

예시

• 글 초안 작성 → 문장 자연스럽게 다듬기 → 제목 후보 10개
• FAQ/요약/메타디스크립션/태그 자동 생성
• 대표 이미지 문구(한글+영문)까지 생성

효과

• 꾸준히 “발행”하는 게 가능해짐

AI 자동화는 ‘사람을 줄이는 것’이 아니라 ‘낭비를 줄이는 것’

현업에서 자동화로 가장 먼저 없어지는 건 인력이 아니라 불필요한 작업입니다.

• 복붙 반복
• 정리/요약 노동
• 형식 맞추기
• 누락 체크
• 문장 다듬기

이 시간을 줄이면, 팀은 오히려 더 중요한 판단과 협업에 집중할 수 있습니다.

오늘부터 시작하는 가장 쉬운 1단계

아래 3개 중 하나만 선택해도 “효과”가 바로 보입니다.

1. 메일 요약 + 답장 초안
2. 회의 요약 + 액션아이템 정리
3. 주간보고 초안 자동 생성

게시물 “업무가 줄어드는” AI 자동화 10가지 (실제 예시 포함)이 하우인포-IT·테크에 처음 등장했습니다.

겉으로 보면 미래가 한 발 앞당겨진 듯한 장면입니다.
하지만 이 실험적인 시도 뒤에서 보안 문제가 연이어 드러나며 우려의 목소리도 커지고 있습니다.

🤖 인간 없는 SNS, 무엇이 달랐을까?

이 플랫폼은 AI 에이전트 전용 소셜미디어 **몰트북**입니다.
특징은 명확합니다.

• 사람은 읽기만 가능
• 게시글·댓글·토론은 전부 AI 에이전트가 수행
• AI들끼리 인간 사회, 기술, 가치관까지 논의

AI가 스스로 사회를 형성하는 모습에 “AI 시대가 정말 왔다”는 반응도 많았습니다.

🔓 그런데, 보안은 생각보다 허술했다

문제는 플랫폼의 보안 구조였습니다.
보안 연구자들이 몰트북을 점검하는 과정에서 외부에 노출된 데이터베이스 접근 키가 발견된 것입니다.

놀라운 점은,

• 복잡한 해킹 없이
• 일반 웹사이트를 둘러보는 수준의 접근만으로
• AI 에이전트 정보와 사용자 데이터에 접근 가능했다는 사실입니다.

원인은 몰트북이 사용한 오픈소스 DB 서비스 **Supabase**의 설정 오류였습니다.
데이터 접근을 제한하는 행 단위 보안(RLS) 이 적용되지 않아, 사실상 모든 정보가 열려 있던 셈입니다.

🧠 AI 에이전트는 왜 더 위험할까?

몰트북의 AI들은 단순한 챗봇이 아닙니다.
이들은 오픈소스 AI 에이전트 프레임워크 OpenClaw 기반으로 동작합니다.

이런 AI 에이전트는 다음과 같은 권한을 가질 수 있습니다.

• 사용자 PC·서버 접근
• 일정 관리, 메시지 전송
• 외부 서비스 연동
• 플러그인(스킬)로 기능 확장

즉, AI가 유출되면 단순 계정 문제가 아니라 사용자 환경 전체가 위험해질 수 있는 구조입니다.

만약 악성 플러그인이 섞인다면,

• 개인정보 외부 유출
• AI 계정 도용
• 사용자를 대신한 명령 실행
  같은 문제로 이어질 가능성도 배제할 수 없습니다.

⚠️ “편리함보다 먼저 봐야 할 것”

전문가들이 공통적으로 지적하는 부분은 이것입니다.

“AI 자동화는 편리하지만,
보안 설계 없이 권한부터 열어두면
개인을 넘어 사회적 문제로 번질 수 있다.”

실제로 해당 취약점은 제보 후 수정되었지만,
이번 사례는 AI 전용 서비스가 얼마나 새로운 보안 기준을 요구하는지를 분명히 보여줬습니다.

✋ AI가 대화하는 시대, 사람의 역할은?

AI가 스스로 말하고 행동하는 시대가 시작됐습니다.
하지만 통제와 책임, 보안 기준까지 AI에게 맡길 수는 없습니다.

앞으로 AI 서비스를 사용할 때는

• 어떤 권한을 요구하는지
• 데이터는 어디까지 접근하는지
• 최소 권한 원칙이 지켜졌는지

이런 질문을 먼저 던지는 습관이 필요해 보입니다.

AI끼리 대화하는 세상,
그 대화가 우리의 안전 위에서 이뤄지고 있는지는
여전히 사람이 확인해야 할 몫입니다.

게시물 AI끼리 대화하는 SNS 등장, 편리함 뒤에 숨은 보안 위험이 하우인포-IT·테크에 처음 등장했습니다.

최근 GitHub에서 폭발적으로 성장한 AI 에이전트 Moltbot(OpenClaw).
단순한 챗봇이 아니라 내 컴퓨터를 대신 조작하고, 파일을 정리하고, 스크립트를 실행하는 AI 비서입니다.

하지만 개발자조차 경고합니다.

“AI 에이전트를 개인 PC에서 실행하는 것은 매우 위험하다.”

그래서 저는 Orange Pi 5를 AI 전용 서버로 만들어
Moltbot을 완전히 격리된 환경에서 안전하게 설치해보았습니다.

이 글은 그 실제 설치 과정을 실패 → 원인 분석 → 해결 → 성공까지 정리한 실전 가이드입니다.

🧠 왜 Orange Pi 5인가?

4

Moltbot은 “컴퓨터를 대신 조작”합니다.
즉, 잘못 설정하면 내 파일, 비밀번호, 금융 정보까지 접근할 수 있습니다.

그래서 필요한 조건은 단 하나:

개인 정보가 전혀 없는, 항상 켜져 있는 리눅스 머신

Orange Pi 5는 이 조건에 완벽히 맞습니다.

• 항상 켜져 있음
• 리눅스 환경
• 메인 PC와 완전 분리
• 자동화/스크립트 실행에 최적

🛠 설치 중 가장 큰 난관: Node, npm, CMake

처음에는 단순히 설치 스크립트를 실행하면 끝날 줄 알았습니다.

curl -fsSL https://openclaw.ai/install.sh | bash

하지만 실제로는 다음 문제들이 연속으로 발생합니다.

여기서 많은 분들이 포기합니다.

✅ 핵심 해결 포인트 3가지

1️⃣ Node 22 이상 설치 (필수)

curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt install -y nodejs

확인:

node -v
npm -v

2️⃣ 빌드 도구 설치 (exit 127 해결)

sudo apt install -y build-essential python3 make g++ pkg-config git cmake

3️⃣ CMake 버전 문제 해결 (가장 중요)

OpenClaw는 내부적으로 llama.cpp를 C++로 빌드합니다.
Debian 기본 CMake 3.18로는 절대 안 됩니다.

다행히 xpm이 최신 CMake를 자동으로 내려받습니다.

echo 'export PATH="$HOME/.local/xPacks/@xpack-dev-tools/cmake/3.31.9-1.1/.content/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc
cmake --version

3.31.9가 나오면 성공입니다.

🎉 드디어 설치 성공

재설치:

curl -fsSL https://openclaw.ai/install.sh | bash

마침내 다음 메시지를 보게 됩니다.

OpenClaw installed successfully

🔒 Moltbot을 ‘안전한 AI’로 만드는 방법

Moltbot은 아무 폴더나 건드릴 수 있습니다.
그래서 작업 폴더를 강제로 고정합니다.

sudo su - moltbot
mkdir -p ~/moltwork
nano ~/.bashrc

추가:

export MOLTBOT_WORKDIR=/home/moltbot/moltwork
cd /home/moltbot/moltwork

💬 이제 가능한 것들

이제 Orange Pi는 이런 명령을 받을 수 있는 AI 서버가 됩니다.

• “CSV 읽어서 그래프로 만들어줘”
• “로그 분석해서 요약해줘”
• “백업 확인해줘”
• “파이썬 스크립트 실행해줘”

그리고 결과를 메신저로 받아볼 수 있습니다.

⚠ 왜 메인 PC에 설치하면 안 되는지 이해됨

설치 과정을 겪어보면 깨닫습니다.

Moltbot은 정말로 ‘컴퓨터를 조작’합니다.

그래서 개발자가 경고했던 이유가 이해됩니다.

하지만 Orange Pi 같은 격리 환경에서는

위험한 AI → 통제된 AI 비서

로 바뀝니다.

✅ 결론

Moltbot은 단순한 챗봇이 아닙니다.

리눅스 서버를 채팅으로 조작하는 AI 에이전트

이고,

Orange Pi는 이를 가장 안전하게 실험할 수 있는 최고의 장비입니다.

다음 글에서는
👉 Synology Chat으로 Moltbot과 대화하는 방법을 소개하겠습니다.

게시물 Orange Pi 5에 Moltbot(OpenClaw) 설치기 — AI 비서를 안전하게 격리 구축하기이 하우인포-IT·테크에 처음 등장했습니다.

✅ 왜 DB에 저장해야 할까?

많은 분들이 이런 자동화 봇을 만듭니다.

• 네이버/증권 API로 주가 조회
• 보유 종목 수익률 계산
• Synology Chat, Slack, 텔레그램으로 알림 전송

하지만 시간이 지나면 이런 생각이 들죠.

“어제보다 오늘 얼마나 늘었지?”
“한 달 동안 수익률 추이가 어땠지?”
“어떤 종목이 실제로 수익에 가장 기여했지?”

👉 알림 메시지로는 절대 알 수 없습니다.
👉 시계열 데이터(History)가 필요합니다.

🧠 해결 방법 구조

가장 간단하고 강력한 구조는 아래입니다.

[파이썬 주식 봇]
        ↓
   SQLite DB 저장
        ↓
 Streamlit 웹 대시보드

이 방법의 장점은:

• 별도 서버 불필요
• DB는 파일 하나 (백업 쉬움)
• 오렌지파이 / 라즈베리파이에서도 충분히 동작
• 웹에서 그래프로 바로 확인 가능

🗄️ 1단계 — SQLite DB 설계

봇이 실행될 때마다 2가지 정보를 저장합니다.

① 포트폴리오 전체 요약 (1행)

② 종목별 스냅샷 (종목 수 만큼)

💾 SQLite 저장 코드 (봇에 추가)

import sqlite3
from datetime import datetime

DB_PATH = "/home/orangepi/python/data/portfolio.db"

def init_db():
    con = sqlite3.connect(DB_PATH)
    cur = con.cursor()

    cur.execute("""
    CREATE TABLE IF NOT EXISTS portfolio_snapshot (
      ts TEXT PRIMARY KEY,
      total_value_krw REAL,
      total_invested_krw REAL,
      total_pl_krw REAL,
      total_roi_pct REAL
    )
    """)

    cur.execute("""
    CREATE TABLE IF NOT EXISTS holding_snapshot (
      ts TEXT,
      name TEXT,
      qty REAL,
      avg_buy REAL,
      price REAL,
      market_value_krw REAL,
      pl_krw REAL,
      roi_pct REAL,
      PRIMARY KEY (ts, name)
    )
    """)
    con.commit()
    con.close()

봇이 계산을 마친 시점에 다음 함수 호출만 추가하면 됩니다.

def save_snapshot(summary, holdings):
    ts = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
    con = sqlite3.connect(DB_PATH)
    cur = con.cursor()

    cur.execute("""
    INSERT OR REPLACE INTO portfolio_snapshot VALUES (?,?,?,?,?)
    """, (ts,
          summary["total_value_krw"],
          summary["total_invested_krw"],
          summary["total_pl_krw"],
          summary["total_roi_pct"]))

    for h in holdings:
        cur.execute("""
        INSERT OR REPLACE INTO holding_snapshot VALUES (?,?,?,?,?,?,?,?)
        """, (ts, h["name"], h["qty"], h["avg_buy"],
              h["price"], h["market_value_krw"],
              h["pl_krw"], h["roi_pct"]))

    con.commit()
    con.close()

🌐 2단계 — Streamlit 웹 대시보드 만들기

Streamlit은 파이썬으로 웹을 만드는 가장 쉬운 도구입니다.

설치:

pip install streamlit pandas

dashboard.py 생성:

import sqlite3, pandas as pd
import streamlit as st

DB_PATH = "/home/orangepi/python/data/portfolio.db"

st.title("📈 포트폴리오 대시보드")

con = sqlite3.connect(DB_PATH)
snap = pd.read_sql_query("SELECT * FROM portfolio_snapshot ORDER BY ts", con)
hold = pd.read_sql_query("SELECT * FROM holding_snapshot ORDER BY ts", con)
con.close()

st.subheader("총 평가금액 추이")
st.line_chart(snap.set_index("ts")["total_value_krw"])

st.subheader("총 손익 추이")
st.line_chart(snap.set_index("ts")["total_pl_krw"])

st.subheader("최근 종목별 손익")
latest = hold["ts"].max()
st.dataframe(
    hold[hold["ts"] == latest].sort_values("pl_krw", ascending=False)
)

실행:

streamlit run dashboard.py --server.port 8501

이제 브라우저에서 접속하면 주식 손익 그래프 웹페이지가 열립니다.

📊 이렇게 보입니다

4

• 총 자산 증가 추이
• 손익 변동 그래프
• 종목별 수익 기여도
• 자산 비중 파이차트 (추가 가능)

🚀 이 방식의 진짜 장점

✨ 확장 아이디어

• 주간/월간 리포트를 자동으로 PNG 그래프로 생성 후 Chat 전송
• Grafana/Metabase 연결
• 종목별 ROI 히스토리 그래프
• 자산군(ETF/주식/금) 비중 변화 추이

✅ 마무리

주식 자동화 봇을 만들었다면, 이제는 데이터를 쌓아야 할 단계입니다.

기록되지 않는 수익률은, 결국 기억에만 남습니다.

SQLite + Streamlit 조합은
가볍고, 쉽고, 강력한 개인 투자자용 대시보드를 만드는 최고의 방법입니다.

지금 사용 중인 주식 봇에 단 50줄만 추가해보세요.
당신의 투자가 ‘데이터’로 보이기 시작합니다.

다음시간에 실시간 기록을 남기는 소스를 보겠습니다.

게시물 📈 파이썬 주식 봇 데이터를 DB에 저장하고 웹 대시보드로 보는 방법 (SQLite + Streamlit)이 하우인포-IT·테크에 처음 등장했습니다.