ai tutorial macwindowslinux 2026年3月15日

OpenClaw 실전 연습: 1시간 만에双色球(Sports Lottery) 분석 웹사이트 만들기! 재정적 자유 실현?

OpenClaw에서 커스텀 스킬을 만드는 방법을 단계별로 보여주고, 대화 기반 AI로双色球 LSTM 예측 웹사이트를 완성합니다 - 요구사항 전달, 결과 검수, 문제 피드백, 전체 웹 애플리케이션 실행까지, 코딩 없이 가능합니다.

OpenClawAI 도구LSTM双色球ClawdHub스킬 생성코딩 없이 개발

⚠️ 면책 조항: 아래 내용은 순수 학습 참고용이며, 어떤 투자 조언도 아닙니다. 복권을 사는 것은 당신의 선택이며, 당첨되면 밥을 사주시고, 당첨되지 않으면 찾아오지 마세요.

무엇을 배울 수 있을까요

이 프로젝트는 겉보기에 복권 예측 웹사이트를 만드는 것이지만, 실제로는 다음을 경험하게 됩니다:

OpenClaw에서 커스텀 스킬 수동 생성
LSTM 딥러닝 모델로 시계열 데이터 처리
프론트엔드/백엔드 통합 및 전체 웹 애플리케이션 실행

예측이 정확할까요? 솔직히 말하면, LSTM 모델은 랜덤성이 매우 높은 숫자 조합 앞에서, 이론적으로는 발로 밟은 것과 비슷합니다. 하지만 이 시스템은 안정적으로 결과를 줄 수 있고, 매번 다르지 않습니다 - 이것만으로도 많은 사람의 직관을 이겼습니다.

Part 0: OpenClaw가 자동으로 스킬을 만들도록 하기

어디서부터 시작해야 할지 모르겠나요? 사실 급하게 하지 않고, 그냥 물어보세요:

스킬을 만드는 단계는 무엇인가요? 각 작업 단계를 자세히 설명해 주세요.

그것이 하나하나 열거해 줄 것입니다. 그리고 나서 예시를 하나 만들어 달라고 하면, 완료 후 어디에 저장되었는지, 어떻게 호출하는지 알려줍니다 - 즉, 먼저 시범을 보여주고, 옆에서 보고 배우는 것입니다.

이 기초가 있으면, 직접 자신의 스킬을 만들 수 있습니다.

먼저 비디오를 보세요:

Part 1: OpenClaw에서 스킬 수동으로 만들기

스킬 폴더는 어디에 있나요

macOS 사용자, 작업 공간은 사용자 디렉토리의 숨김 폴더 .openclaw 안에 있습니다:

~/.openclaw/workspace/

들어간 후 새로운 skills 폴더를 만들고, 구조는 대략 다음과 같습니다:

skills/
└── 당신의 스킬 이름/
    ├── SKILL.md        ← 스킬 핵심 명령어
    └── 기타配套 파일    ← (선택 사항) 없어도 됩니다

SKILL.md는 당신과 AI 사이의 “작업 협약”입니다 - 무엇을 하고, 어떻게 하고, 무엇에 주의해야 하는지 명확하게 쓰면, 그것이 그대로 따릅니다.

SKILL.md에는 무엇을 써야 할까요

최소한 다음을 포함해야 합니다:

필드	역할
스킬 이름	AI가 인식하는 데 사용
트리거 조건	언제 이 스킬을 호출할지
실행 단계	단계별 지시
주의 사항	하지 말아야 할 것

Part 2: 스킬 에코시스템(ClawdHub) 설치

수동으로 만든 스킬만으로는 할 수 있는 것이 한정됩니다. 전체 웹 프로젝트를 실행하려면 App Builder와 Tailwind CSS 같은 스킬 패키지가 필요하고, 이것은 ClawdHub를 통해 설치해야 합니다.

첫 번째 단계: ClawdHub 본체 설치

이것은 터미널(명령행)에서 작업하며, 다음을 입력하세요:

npm i -g clawhub

설치가 완료되면 로그인 명령을 실행하세요:

clawhub login

여기서 브라우저 페이지가 팝업되고, GitHub 계정을 바인딩하라고 요구합니다. 바인딩이 완료되면 ClawdHub가 진짜로 활성화됩니다.

왜 로그인해야 하나요? ClawdHub의 스킬 라이브러리는 원격 서버에 호스팅되어 있고, 로그인하지 않으면 어떤 스킬도 찾을 수 없으며, 설치 명령어는 모두 실패합니다. 많은 사람들이 이 단계에서 막히고, 네트워크 문제라고 생각하는데, 사실은 clawhub login을 빠트린 것입니다.

두 번째 단계: 프로젝트에 필요한 스킬 설치

로그인 후 OpenClaw의 대화 상자로 돌아가서 다음 지시를 보내세요:

App Builder와 Tailwind CSS 두 스킬을 설치해 주세요

정상적으로 자동으로 다운로드가 완료됩니다. 실패하면 순서대로 확인하세요:

ClawdHub에 로그인했는지 확인하세요 - 열 번 중 여덟 번은 이 원인입니다
네트워크 확인 - 일부 지역에서 ClawdHub 서버에 액세스가 불안정하므로, 기다렸다가 다시 시도하세요
수동 설치 - clawhub.ai에 접속하여 해당 스킬을 찾고, 스킬 폴더를 직접 skills/ 디렉토리로 복사하여 네트워크 문제를 건너뛰세요 (파일 구조는 Part 1을 참고)

스킬 설치 확인

모든 설치가 완료되면 다음을 물어보세요:

지금 어떤 스킬이 있나요?

그것이 모든 로드된 스킬 이름을 나열합니다. 설치한 스킬이 목록에 나타나야 작업을 시작할 수 있습니다.

Part 3: LSTM 모델 - 이것이 여기서 무엇을 하는가

왜 일반 통계 방법을 사용하지 않는가

가장 직관적인 방법은 각 번호의 출현 빈도를 통계하여 “인기 번호”와 “비인기 번호”를 찾는 것입니다. 문제는 이 방법이 암묵적으로 매 회 당첨이 역사에 영향을 받는다고 가정한다는 것입니다 - 하지만 복권 추첨은 물리적 랜덤 과정이고, 지난 회에 7번이 나왔다고 해서 이번 회에 7번이 더 나오거나 덜 나오는 일은 없습니다. 빈도 통계가 여기서 하는 것은 본질적으로 자기 만족을 하는 것입니다.

LSTM은 다릅니다. 그것은 규칙이 있다고 가정하지 않고, 데이터에서 스스로 찾습니다 - 정말로 어떤 시간적 연관이 있다면 그것을 배우고, 없다면 배우지 못하고, 그냥 그만합니다. 적어도 태도는 정직합니다.

LSTM의 작동 방식 (공식 없는 버전)

LSTM은 Long Short-Term Memory의 약자로, 한국어로 “장단기 기억 네트워크”라고 합니다.

일반 신경망은 데이터를 처리할 때 각 입력이 독립적이고, 이전에 무엇이 일어났는지가 다음에 아무런 영향을 주지 않습니다. LSTM의 특별한 점은 전체 시퀀스를 관통하는 “기억 선”이 있다는 것입니다.

편집자가 연재 소설을 처리하는 상황을 상상해 보세요. 일반 네트워크는 매번 이전에 무엇이 일어났는지 기억하지 못하고, 매번 처음부터 다시 읽습니다. LSTM은 “메모”를 남겨서, 어떤 플롯이 중요하고 무엇을 잊을 수 있는지 기록하고, 새로운 회를 읽을 때 메모 내용을 업데이트할지 아니면 삭제할지를 결정하고, 그다음 판단을 내립니다.

복권 데이터로 구체화하면: 지난 N 회의 당첨 기록을 입력 시퀀스로 하고, LSTM은 훈련 과정에서 자동으로 가중치를 조정하여 회와 회 사이의 숫자 변화 규칙을 찾으려고 시도하고, 이 규칙으로 다음 회를 예측합니다.

(여기까지 말하니 제가 구름 속에 있는 것 같습니다…)

모델 구조 (간단 버전)

역사 당첨 기록 (지난 N 회)
        ↓
  데이터 전처리 + 정규화
        ↓
   LSTM 레이어 (시퀀스 규칙 학습)
        ↓
   Dense 출력 레이어 (예측 값 생성)
        ↓
  역정규화 → 최종 번호

솔직한 설명

이 모델은 훈련 세트에서 상당히 잘 작동할 수 있습니다 - 역사 데이터로 훈련하고, 다시 역사를 예측하는 것이니 당연히 일정한 적중률이 있습니다.

하지만 진짜 시험은 미래 데이터에서입니다. 복권 번호는 이론적으로 독립이고 동일 분포인 랜덤 변수이므로, LSTM이 배울 수 있는 “규칙”은 아마도 데이터의 노이즈일 뿐이고, 모델은 그것을 신호라고 착각합니다 - 마치 구름을 보고 용을 찾는 것과 같지만, 하늘은 그렇게 생각하지 않습니다.

그러니 이 시스템의 가치는 “예측 도구”라기보다 시계열 모델링의 전체 연습 - 데이터 처리, 모델 훈련, 결과 평가, 프론트엔드/백엔드 통합까지 한 번에 해보는 것이 진짜 배우는 것입니다.

Part 4: 대화로双色球 예측 시스템 만들기

이 부분의 초점은 코드가 아니라, 어떻게 AI와 협력하여 전체 프로젝트를 완성하는지입니다.

전체 과정에서 당신이 해야 할 것은 세 가지뿐입니다: 원하는 것을 명확히 말하기, 결과 검수, 문제 피드백. 코드는 그것이 쓰고, 아키텍처는 그것이 짭니다. 당신의 역할은 개발자보다 프로젝트 리더에 더 가깝습니다.

전제가 하나 있습니다: 몇 가지 기술 용어 - 예를 들어 Next.js, Tailwind CSS -에 대해 대략적인 인식이 있어야 합니다. 반드시 쓸 줄 알 필요는 없고, 코드를 이해할 필요도 없지만, 이것들이 무엇을 하는지, 어떤 기술 경로가 있는지는 알아야 합니다. 그리고 이런 질문은 AI가 답하기에 가장 좋아합니다.

첫 번째 단계: 작업 설명 전달

문장마다 설명하지 말고, 전체 프로젝트의 요구사항을 한 번에 명확히 말하세요. 다음은 제가 OpenClaw에 보낸 프롬프트입니다:

app-builder와 tailwindcss를 사용하여双色球 통계 예측 웹 프론트엔드를 개발해 주세요
(Next.js + Tailwind CSS + Chart.js):

1. 이미 있는 ssq-lstm-predict 스킬을 통합해야 합니다
   (경로: ~/.openclaw/workspace/skills/ssq-lstm-predict),
   페이지에서 그것의 lottery_lstm.py를 호출하여 다음을 가져옵니다:
   - 모든 번호의 현재 누락 횟수 (빨간 공 1-33 + 파란 공 1-16)
   - 최신 회차 빨간 공 평균값
   - 인기 번호(누락 적음) / 비인기 번호(누락 많음)
   - LSTM 예측 다음 회차 번호

2. 페이지 레이아웃:
   - 상단: 제목 "双色球 통계 및 예측 시스템"
   - 중간: 누락 횟수 테이블 (정렬 가능), 인기/비인기 번호 막대형 차트 (Chart.js)
   - 아래: 최신 평균값 표시 + 큰 빨간색 "원클릭 다음 회차 예측" 버튼
     (클릭하면 LSTM을 호출하고, 빨간 공 6개 + 파란 공 반환)
   - 반응형, 모바일 친화적, 복권 빨간색 테마

3. 프로젝트는 ~/.openclaw/workspace/ssq-predict-web에 생성

4. 완료 후 로컬에서 npm run dev를 실행하고, localhost 프리뷰 링크를 주세요

5. 코드는 깨끗하고 수동으로 수정할 수 있어야 하며, 완료 후 계속 개발하거나 디버깅하는 방법을 알려주세요

한 번에 명확히 말하는 것이, 열 번 왔다 갔다 보완하는 것보다 낫습니다. AI는 정보를 전체적으로 이해하고 실행하므로, 요구사항이 완전할수록 첫 번째 결과가 더 신뢰할 수 있고, 수정 횟수가 줄어듭니다.

두 번째 단계: 검수 - 그것이 준 것을 보세요

그것이 완료되었다고 하면, 바로 “좋아요”라고 말하지 마세요. 하나하나 확인하세요:

그것이 준 URL에 접근할 수 있나요?
페이지에 데이터가 있나요?
핵심 기능(예측 버튼)이 작동하나요?
결과가 안정적인가요, 아니면 매번 다른가요?
당신이 원하는 것인가요? 아직 구현되지 않은 것이 있나요?

제 첫 번째 검수 결과는 다섯 가지 모두 문제가 있었습니다 - URL 포트가 틀렸고(300을 3000으로 씀), 페이지가 공백이고, 버튼이 반응하지 않고, 결과가 매번 다르고, 어떤 기능은 아예 나타나지 않았습니다.

이것은 완전히 정상입니다. 첫 번째 결과에 문제가 있는 것은 AI 능력이 부족한 것이 아니라, 복잡한 프로젝트는 원래 반복이 필요합니다. 핵심은 문제가 어디에 있는지 정확하게 설명할 수 있는지입니다.

세 번째 단계: 피드백 - 현상을 말하고, 느낌은 말하지 마세요

“안 돼”, “문제 있어”는 가장 쓸모 없는 피드백입니다. 그것은 어디가 안 되는지, 어떤 문제인지 모릅니다. 세상에서 가장 독설을 쏟아 부어도 이것은 전혀 도움이 안 됩니다 - AI는 아프지 않지만, 당신은 시간을 낭비합니다.

관찰한 현상을 하나하나 나열하세요:

다음 문제를 수정해 주세요:
1. 당신이 준 URL 포트는 300인데, 실제로는 3000이어야 하고, 접근할 수 없습니다
2. 페이지 로드 후 데이터가 표시되지 않습니다
3. 예측 버튼을 클릭해도 반응이 없습니다
4. 수정 후 확인해 주세요: 여러 번 예측을 클릭해도 결과는 일관되어야 합니다

문제 설명이 구체적일수록 그것의 수정 정확도가 높아지고, 당신의 왔다 갔다 횟수가 줄어듭니다.

네 번째 단계: 다시 검수하고, 만족할 때까지 반복

그것이 수정을 마친 후 두 번째 단계의 목록을 반복합니다.

저는 이번에 몇 번 왔다 갔습니다: 포트 문제는 그것이 몇 번 수정해도 못 해서, 결국 직접 3000 포트에 접근했습니다. 예측 결과 안정성 문제는 수정 후 정상이 되었습니다. 최종 페이지는 데이터가 있고, 예측이 안정적이고, 기능이到位되었습니다 - 프로젝트 완성.

전체 과정에서 저는 코드 한 줄도 쓰지 않았습니다. 하지만 각 단계가 무엇을 하는지, 어떤 문제가 발생했는지, 어떻게 설명해야 하는지 명확히 알고 있습니다.

이 능력은 코딩하는 것보다 키우기 더 어렵지만, 더 가치 있습니다. 학교 때 선생님이 말씀하시기를 “배움, 배움, 배움은 질문하는 법을 배우는 것”이라고 했습니다. 핵심 문제를 관찰하고, 올바르게 설명하고, 검증과 분석을 통해 지식으로 만드는 것 - 이것은 AI가 도와줄 수 없고, 스스로 연습해야 합니다.

마무리

이 시스템의 가치는 예측이 얼마나 정확한지가 아니라 - 당신이 전체 프로젝트를 0에서 시작까지 직접 경험했다는 것입니다.

프롬프트와 데이터가 위에 있으니, 한 번 따라 해 보면, 자신이 이해하는 것이 상상보다 많다는 것을 알게 될 것입니다.

관심이 있으시다면, 제 채널을 팔로우해 주세요. 계속 업데이트하겠습니다:

🎬 YouTube: lingshunlab
📺 Bilibili: 凌顺实验室

참조

GitHub에 공유된 Skill 파일은 2003-01-01부터 2026-03-15까지의双色球 역사 당첨 데이터 파일을 포함합니다: lingshunlab / ssq-lstm-predict