Claw4Science: A Dataset and Platform for the OpenClaw Scientific Agent Ecosystem

이 논문은 OpenClaw 과학 에이전트 생태계의 분산된 리포지토리를 통합한 최초의 큐레이션 데이터셋과 91 개 프로젝트 및 2,230 개의 스킬을 아우르는 Claw4Science 플랫폼을 구축하여, 과학적 AI 에이전트 생태계의 구조를 체계적으로 분석하고 표준화된 인프라의 기초를 마련했다는 내용을 담고 있습니다.

핵심

1. 과거: 각자 따로 노는 '외로운 과학자'들

과거에 과학 연구용 AI(로봇) 들은 마치 각자 다른 학교에 다니는 천재 학생들과 같았습니다.

• 한 학생은 유전자를 분석하는 법을 알지만, 그 지식을 다른 학생에게 알려주려면 자신의 머릿속을 다 비워서 다시 설명해야 했습니다 (코드를 직접 고쳐야 함).
• 새로운 실험 방법을 배우려면, 그 학생이 만든 특수한 도구상자를 통째로 가져와야 했고, 다른 학생의 도구상자와는 호환이 안 되어 함께 쓰기 어려웠습니다.
• 결과적으로, 각자 훌륭한 일을 했지만 서로 연결되지 않아 과학 전체가 빠르게 발전하기 어려웠습니다.

2. 해결책: OpenClaw 의 '레시피 카드' (Skill)

여기서 OpenClaw라는 시스템이 등장했습니다. 이 시스템은 과학자들이 AI 에게 새로운 일을 시킬 때, 복잡한 코드를 짜지 않아도 된다고 제안했습니다. 대신 **'레시피 카드 (Skill)'**를 쓰게 한 것입니다.

• 레시피 카드 (Skill) 란?
  • AI 가 할 일을 자연스러운 언어로 적힌 간단한 메모입니다. (예: "먼저 DNA 시료를 가져와서, A 프로그램을 실행하고, 그 결과를 B 그래프로 그려줘.")
  • 이 메모는 Markdown이라는 간단한 텍스트 파일 형식이라, 컴퓨터 공학자가 아니더라도 과학자라면 누구나 쉽게 쓸 수 있습니다.
  • 이 레시피 카드는 어떤 AI 로봇이든 읽을 수 있어서, 한 번 작성하면 어디든 가져가서 쓸 수 있습니다.

이 덕분에 과학자들은 AI 를 직접 고칠 필요 없이, 새로운 레시피를 만들어 공유할 수 있게 되었고, AI 생태계가 폭발적으로 커졌습니다.

3. 문제점: 너무 커져서 길을 잃음

하지만 문제는 너무 빨리, 너무 많이 생겨났다는 것입니다.

• 이름 충돌: "ScienceClaw"라는 이름의 프로젝트가 4 개나 생겼습니다. 마치 "김철수"라는 사람이 4 명이나 있어서, 누가 진짜 김철수인지 모르게 된 상황입니다.
• 품질 불균형: 레시피 카드가 2,200 개 넘게 쌓였지만, 어떤 것은 맛있는 요리고 어떤 것은 타지 않은 생고기입니다. 어떤 게 좋은지 비교할 기준이 없습니다.
• 찾기 어려움: 각자 다른 곳에 흩어져 있어서, 내가 필요한 도구가 어디 있는지 찾기 힘듭니다.

4. 해결책: Claw4Science (클로4사이언스)

이런 혼란을 정리하기 위해 연구팀이 Claw4Science라는 **공공 도서관 (플랫폼)**을 만들었습니다.

• 통합 지도: 흩어져 있던 91 개의 프로젝트와 2,200 개의 레시피 카드를 한곳에 모았습니다.
• 정리된 분류: 유전학, 약물 개발, 의학 등 34 가지 과학 분야별로 깔끔하게 정리해 두었습니다.
• 정확한 안내: 이름이 비슷한 프로젝트들은 "이건 A 학교 김철수, 저건 B 학교 김철수"라고 명확히 구분해 줍니다.
• 실용성: 과학자들이 이 사이트를 통해 어떤 AI 도구를 써야 할지 쉽게 찾아보고, 신뢰할 수 있는 레시피를 골라 쓸 수 있게 도와줍니다.

5. 결론: 과학의 '모듈화' 시대

이 논문의 핵심 메시지는 **"과학 연구도 이제 레고 블록처럼 조립해서 쓸 수 있는 시대가 왔다"**는 것입니다.

• 과거: 모든 걸 처음부터 직접 만들어야 함 (어려움).
• 현재: 좋은 레시피 (레고 블록) 를 공유하고 조합해서 복잡한 실험을 쉽게 수행함.

물론 아직 해결해야 할 문제들 (품질 관리, 이름 통일, 기준 마련) 이 있지만, Claw4Science는 이 거대한 과학 AI 생태계가 어떻게 움직이고 있는지 보여주는 첫 번째 체계적인 지도이자 실제 사용할 수 있는 플랫폼이라는 점에서 큰 의미가 있습니다.

한 줄 요약:

"과학자들이 AI 에게 실험을 시킬 때, 복잡한 코딩 대신 간단한 레시피 카드로 소통하게 되자 AI 생태계가 폭발적으로 커졌는데, 너무 많아져서 길을 잃지 않도록 전체 지도와 도서관을 만들어준 프로젝트입니다."

기술 요약

논문 요약: Claw4Science - OpenClaw 과학 에이전트 생태계를 위한 데이터셋 및 플랫폼

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 대규모 언어 모델 (LLM) 을 기반으로 한 과학적 AI 에이전트 (OpenClaw 등) 가 바이오인포매틱스, 신약 개발 등 다양한 분야에서 연구 워크플로우를 자동화하는 새로운 패러다임을 제시하고 있습니다. OpenClaw 는 마크다운 (Markdown) 파일 형태의 '스킬 (Skill)'을 통해 워크플로우를 구조화하여 기여 장벽을 낮추고 생태계 성장을 촉진했습니다.
• 문제점: 급속한 성장으로 인해 다음과 같은 심각한 분열 (Fragmentation) 과 관리의 어려움이 발생했습니다.
  • 산재된 저장소: 프로젝트들이 독립적인 GitHub 저장소에 흩어져 있어 통합된 탐색이 어렵습니다.
  • 품질 불균형: 2,000 개 이상의 스킬이 존재하지만, 검증된 표준이 없어 품질 편차가 큽니다.
  • 이름 충돌 (Naming Collisions): "ScienceClaw", "PaperClaw" 등 동일한 이름을 가진 독립 프로젝트들이 많아 혼란을 야기합니다.
  • 표준화 부재: 스킬 간 비교, 에이전트의 과학적 능력 평가, 재현성 (Reproducibility) 보장을 위한 통일된 벤치마크나 거버넌스가 없습니다.

2. 방법론 (Methodology)

저자들은 OpenClaw 생태계를 체계적으로 분석하고 접근성을 높이기 위해 다음과 같은 3 단계 방법론을 적용했습니다.

1. 커레이션 데이터셋 구축 (Curated Dataset Construction):
   • GitHub 키워드 검색, 소셜 미디어 모니터링, 커뮤니티 추천 등을 통해 91 개의 관련 프로젝트를 식별하고 수동 검토를 통해 선별했습니다.
   • 12 개의 과학 중심 스킬 저장소를 GitHub API 를 통해 자동 스캔하여 2,230 개의 스킬을 수집했습니다.
   • 수집된 스킬들을 34 개의 과학 분야 카테고리 (예: 유전체학, 임상 의학, 신약 개발 등) 로 분류했습니다.
2. 생태계 구조 분석 (Systematic Analysis):
   • 기능적 역할 (핵심 플랫폼, 오케스트레이션, 도메인 특화 에이전트 등) 과 구조적 관계 (직접 파생, 변형, 독립 시스템 등) 에 따라 생태계를 계층화하여 분석했습니다.
   • 스킬의 분포, 도메인별 집중도, 그리고 생태계 성장 패턴을 정량적으로 평가했습니다.
3. Claw4Science 플랫폼 개발:
   • 구축된 데이터셋을 기반으로 https://claw4science.org 라는 공개 플랫폼을 개발했습니다.
   • 이 플랫폼은 분산된 프로젝트와 스킬 저장소를 통합된 인터페이스로 제공하며, 이름 충돌을 해결하고 워크플로우 탐색을 용이하게 합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 커레이션 데이터셋: OpenClaw 생태계의 91 개 프로젝트와 2,230 개의 스킬을 34 개 과학 카테고리로 체계화한 최초의 데이터셋을 공개했습니다.
2. 생태계 구조에 대한 통찰: OpenClaw 가 단일 프로젝트가 아닌 '공유 기반 (Shared Substrate)'으로서 작동하며, 경량 런타임, 오케스트레이션 레이어, 도메인 애플리케이션 등으로 계층화된 구조를 형성하고 있음을 규명했습니다.
3. Claw4Science 플랫폼: 생태계의 분열을 해결하고 연구자들이 실제 워크플로우를 탐색하고 사용할 수 있는 통합 포털을 제공했습니다.
4. 스킬 패러다임의 공식화: '스킬'이 과학적 기여의 기본 단위로서 어떻게 작동하는지 분석하고, Claw4S 컨퍼런스 (2026 년 예정) 와 같은 평가 프레임워크의 필요성을 제기했습니다.

4. 주요 결과 (Results)

• 계층적 구조 확인: 생태계는 OpenClaw 코어를 중심으로 경량 변형체, 오케스트레이션 시스템, 연구 워크스페이스, 스킬 라이브러리, 도메인 애플리케이션으로 이어지는 명확한 계층 구조를 보입니다.
• 스킬 분포: 수집된 2,230 개 스킬 중 **유전체학 (Genomics)**이 31.4% 로 가장 큰 비중을 차지했으며, 이어 임상/의학 (8.0%), 신약 개발 (5.7%), 연구 자동화 (25.8%) 순으로 분포했습니다. 이는 생태계가 특정 도메인 (생물정보학) 에 집중되어 있으면서도 전반적인 연구 워크플로우를 포괄하고 있음을 보여줍니다.
• 성장 동력: 스킬 시스템은 기여 장벽을 낮추고 (코딩 지식 불필요), 모듈성 (조립 가능성), 투명성 (텍스트 기반) 을 제공하여 생태계의 빠른 확장을 주도했습니다.
• 발견된 쟁점:
  • 이름 충돌: 91 개 프로젝트 중 23 건의 이름 충돌 사례가 확인되었습니다.
  • 품질 편차: 스킬의 품질이 매우 다양하며, 외부 의존성 (API, 모델 업데이트) 으로 인한 재현성 문제가 존재합니다.
  • 벤치마크 부재: 과학적 에이전트 성능을 평가할 수 있는 표준 벤치마크가 전무합니다.

5. 의의 및 결론 (Significance)

• 과학적 자동화의 패러다임 전환: OpenClaw 생태계는 고립된 시스템에서 모듈화되고 공유 가능한 과학적 계산 모델로의 전환을 보여줍니다.
• 미래 연구의 기초: 본 논문에서 제시된 데이터셋은 향후 과학적 AI 에이전트를 위한 표준 벤치마크 개발과 인프라 구축의 기초 자료로 활용될 수 있습니다.
• 실용적 접근성: Claw4Science 플랫폼은 바이오인포매틱스 및 과학 워크플로우 연구자들에게 생태계를 탐색하고 도구를 활용할 수 있는 실질적인 진입점을 제공합니다.
• 과제 제시: 생태계의 성숙을 위해서는 이름 관리 거버넌스 강화, 스킬 품질 평가 체계 정립, 외부 의존성 해결을 통한 재현성 확보, 그리고 과학적 도메인에 특화된 벤치마크 개발이 시급하다고 결론지었습니다.

이 연구는 AI 에이전트 생태계의 급속한 성장을 데이터 기반으로 분석하고, 이를 체계화하여 과학 연구의 자동화와 재현성을 높이는 데 중요한 이정표가 됩니다.