خودآموزی

یادگیری خودکار به OpenClaw امکان می‌دهد شواهد مفید گفتگوها را به پیشنهادهای در انتظار Skill Workshop تبدیل کند. این قابلیت وزن‌های مدل را آموزش نمی‌دهد، Skills فعال را ویرایش نمی‌کند و رفتار عامل را بی‌سروصدا تغییر نمی‌دهد. هر رویه آموخته‌شده تا زمانی که اپراتور آن را بازبینی و اعمال کند، در انتظار باقی می‌ماند.

یادگیری خودکار به‌طور پیش‌فرض غیرفعال است. آن را فقط زمانی فعال کنید که یک اجرای اضافی مدل در پس‌زمینه و بازبینی رونوشت برای فضای کاری شما مناسب باشد.

فعال‌سازی یادگیری خودکار

در رابط کنترل، Plugins → Workshop را باز کنید و Self-learning را روشن کنید. این تغییر بلافاصله اعمال می‌شود؛ هنگامی که نویسنده پیکربندی دیگری فایل را به‌روزرسانی کرده باشد، رابط کنترل نمای لحظه‌ای پیکربندی را تازه می‌کند و بدون بارگذاری مجدد صفحه یا Gateway، تغییر وضعیت را دوباره امتحان می‌کند.

از CLI استفاده کنید:

openclaw config set skills.workshop.autonomous.enabled true --strict-json

یا ~/.openclaw/openclaw.json را ویرایش کنید:

{  skills: {    workshop: {      autonomous: {        enabled: true,      },    },  },}

برای غیرفعال‌کردن دوباره آن:

openclaw config set skills.workshop.autonomous.enabled false --strict-json

ایجاد Skill به درخواست کاربر، /learn و عملیات دستی Skill Workshop در زمان غیرفعال‌بودن یادگیری خودکار همچنان کار می‌کنند.

بازبینی دستی نشست‌های گذشته

بازبینی دستی تاریخچه، جایگزین محافظه‌کارانه‌ای برای ثبت خودکار است. در رابط کنترل Plugins → Workshop را باز و Find skill ideas را انتخاب کنید. این کار skills.workshop.autonomous.enabled را تغییر نمی‌دهد.

هر اسکن:

• از جدیدترین نشست‌های بازبینی‌نشده آغاز می‌شود و به عقب می‌رود؛
• حداکثر 20 نشست قابل‌توجه با دست‌کم شش نوبت مدل را بازبینی می‌کند؛
• نشست‌های cron، heartbeat، hook، زیرعامل، ACP، متعلق به Plugin و بازبینی داخلی را نادیده می‌گیرد؛
• اطلاعات محرمانه شناخته‌شده را حذف می‌کند و پیش از ارسال بسته رونوشت به مدل پیکربندی‌شده عامل انتخابی، اندازه آن را محدود می‌کند؛
• از همان معیار سخت‌گیرانه بازبینی خودکار تجربه استفاده می‌کند؛ و
• می‌تواند حداکثر سه پیشنهاد در انتظار ایجاد یا بازنگری کند و هرگز Skills فعال را تغییر نمی‌دهد.

Workshop تعداد تجمعی نشست‌ها، پوشش زمانی و ایده‌های یافت‌شده را گزارش می‌کند. برای پنجره قدیمی‌تر بعدی، Scan earlier work را انتخاب کنید. وقتی مکان‌نما به ابتدای تاریخچه واجد شرایط برسد، کنش به Scan new work تغییر می‌کند. OpenClaw فقط فراداده مکان‌نما و پوشش را در پایگاه داده وضعیت مشترک نگه‌داری می‌کند؛ یک بایگانی رونوشت دوم ایجاد نمی‌کند.

نشست‌ها فقط زمانی اسکن می‌شوند که OpenClaw بتواند مالکیت آن‌ها را اثبات و محتوای hook خارجی را مستثنا کند. پس از ارتقا، رونوشت فعلی پیش از ارتقا را می‌توان به‌صورت محلی طبقه‌بندی کرد، اما رونوشت‌های چرخش‌یافته پیش از ارتقا که منشأ هر اجرا را ندارند، نادیده گرفته می‌شوند. رونوشت‌های جدید این منشأ را در چرخه چرخش حفظ می‌کنند.

اسکن‌های دستی همچنان هزینه ارائه‌دهنده مدل دارند و محتوای واجد شرایط گفتگو را به ارائه‌دهنده پیکربندی‌شده می‌فرستند. فقط زمانی از آن‌ها استفاده کنید که این بازبینی با الزامات حریم خصوصی و مدیریت داده فضای کاری سازگار باشد.

مواردی که OpenClaw می‌تواند بیاموزد

یادگیری خودکار دو مسیر محافظه‌کارانه دارد:

1. دستورالعمل‌ها و اصلاحات مستقیم. OpenClaw عبارت‌های ماندگاری مانند «از این به بعد»، «دفعه بعد» و اصلاحات یک رویکرد ناموفق را تشخیص می‌دهد. با فعال‌بودن یادگیری خودکار، می‌تواند بدون انتظار برای درخواست دیگری این نشانه‌ها را به پیشنهادهای در انتظار تبدیل کند. این مسیر قطعی می‌تواند دستورالعمل‌های مرتبط را در حداکثر سه پیشنهاد گروه‌بندی کند، یک Skill قابل‌نوشتن در فضای کاری را هدف بگیرد یا پیشنهاد در انتظار مرتبط خود را بازنگری کند. همچنین پس از نوبت‌های ناموفق اجرا می‌شود، زیرا دستورالعمل‌های کاربر را ثبت می‌کند و تکمیل‌شدن را قضاوت نمی‌کند.
2. بازبینی تجربه. پس از یک نوبت پیش‌زمینه موفق و قابل‌توجه، OpenClaw می‌تواند کار تکمیل‌شده را برای یافتن یک روش بازیابی قابل‌استفاده مجدد یا رویه‌ای پایدار که دست‌کم دو رفت‌وبرگشت آینده مدل یا ابزار را حذف کند، بازبینی کند.

نامزدهای مناسب عبارت‌اند از:

• یک بازیابی قابل‌اعتماد پس از شکست‌های مکرر ابزار یا مدل؛
• یک محدودیت ترتیب غیرآشکار که از خطایی تکرارشونده جلوگیری کرده است؛
• یک گردش‌کار چندمرحله‌ای پایدار که به کشف مکرر نیاز داشته است؛ یا
• یک پیش‌بررسی قابل‌استفاده مجدد که از چندین فراخوانی آینده جلوگیری می‌کند.

بازبین باید برای کارهای موفق روزمره، درخواست‌های یک‌باره، واقعیت‌های شخصی، ترجیحات ساده، خرابی‌های گذرای محیط، توصیه‌های کلی، ادعاهای منفی بدون پشتوانه و اطلاعات محرمانه از ارائه پیشنهاد خودداری کند.

زمان اجرای بازبینی تجربه

بازبینی تجربه عمداً با تأخیر و محدودیت اجرا می‌شود:

• نوبت پیش‌زمینه باید با موفقیت پایان یابد.
• نوبت فعلی باید دست‌کم ده تکرار مدل داشته باشد.
• نشست‌های Cron، Heartbeat، حافظه، سرریز، hook، زیرعامل و بازبینی مستثنا هستند.
• اجرای پیش‌زمینه باید یک ارائه‌دهنده و مدل را تعیین کرده و واقعاً به skill_workshop دسترسی داشته باشد.
• OpenClaw پس از تکمیل 30 ثانیه منتظر می‌ماند. تکمیل پیش‌زمینه دیگری در همان نشست این دوره سکوت را از نو آغاز می‌کند.
• اگر اجرای عامل یا پاسخ دیگری همچنان فعال باشد، بازبینی 30 ثانیه دیگر منتظر می‌ماند.
• در هر زمان فقط یک بازبینی تجربه اجرا می‌شود.
• بازبینی تأخیری، کاری محلی در فرایند Gateway است. Gateway باید در سراسر پنجره بیکاری در حال اجرا بماند؛ محیط‌های اجرای محلی یک‌باره و مبتنی بر CLI، زمینه کافی از مسیر اجرا و دسترس‌پذیری ابزار را برای زمان‌بندی آن حفظ نمی‌کنند.

پاسخ پیش‌زمینه هرگز به‌خاطر یادگیری به تأخیر نمی‌افتد. یک نوبت ناموفق یا فاقد شرایط، بازبینی تجربه را آغاز نمی‌کند؛ بااین‌حال، وقتی خودکاری غیرفعال باشد، اصلاحات مستقیم کاربر همچنان می‌توانند به‌عنوان پیشنهاد ارائه شوند.

آنچه بازبین دریافت می‌کند

بازبین پس‌زمینه فقط نوبت فعلی را، از جدیدترین پیام کاربر به بعد، دریافت می‌کند. مسیر اجرای رندرشده به 60,000 نویسه محدود است؛ در صورت نیاز، OpenClaw پیام نخست و جدیدترین شواهد را نگه می‌دارد و بخش میانی حذف‌شده را علامت‌گذاری می‌کند.

بازبین از ارائه‌دهنده و مدل تعیین‌شده دوباره استفاده می‌کند. وقتی هویت نمایه احراز هویت پیش‌زمینه در دسترس باشد، همان را دوباره استفاده می‌کند و مدل‌های جایگزین را غیرفعال می‌سازد. بنابراین، بازبینی یک اجرای اضافی مدل را در ارائه‌دهنده پیکربندی‌شده آغاز می‌کند. این اجرا هنگام بررسی یا تدوین یک پیشنهاد ممکن است بیش از یک درخواست به ارائه‌دهنده ارسال کند. قیمت‌گذاری و شرایط مدیریت داده ارائه‌دهنده، درست مانند نوبت پیش‌زمینه اعمال می‌شود.

پیش از آغاز، OpenClaw پیکربندی جاری زمان اجرا را دوباره بارگذاری می‌کند و sandbox مؤثر و سیاست ابزار گفتگوی اصلی را مجدداً بررسی می‌کند. اگر اجرا در sandbox باشد، سیاست دیگر skill_workshop را مجاز نداند یا واقعیت‌های ضروری زمان اجرا موجود نباشند، بازبینی به‌صورت بسته و ایمن شکست می‌خورد و چیزی ایجاد نمی‌کند.

ایمنی پیشنهادها

بازبین در نشستی ایزوله با سطح ابزار عمداً محدود اجرا می‌شود:

• فقط می‌تواند پیشنهادهای Workshop را فهرست یا بررسی کند و یک پیشنهاد در انتظار ایجاد یا بازنگری کند.
• نمی‌تواند یک Skill فعال را به‌روزرسانی کند، پیشنهادی را اعمال، رد یا قرنطینه کند، پیامی بفرستد یا از ابزارهای عمومی عامل استفاده کند.
• یک بودجه تغییر میان تلاش‌های مجدد مدل مشترک است، بنابراین هر بازبینی می‌تواند حداکثر یک پیشنهاد ایجاد یا بازنگری کند.
• مسیر اجرای بازبینی‌شده به‌عنوان شواهد غیرقابل‌اعتماد در نظر گرفته می‌شود، نه دستورالعملی برای عامل پس‌زمینه.
• Skill Workshop محتوای پیشنهاد را اسکن می‌کند و پیش از نوشته‌شدن وضعیت پیشنهاد، اعتبارنامه‌های تحت‌اللفظی شناخته‌شده را رد می‌کند.

محدودیت‌های عادی Workshop همچنان اعمال می‌شوند، از جمله maxPending، maxSkillBytes، محدودیت‌های فایل پشتیبان، بررسی‌های اسکنر و نوشتن فقط در فضای کاری. تنظیم approvalPolicy: "auto" به بازبین پس‌زمینه دسترسی به کنش‌های چرخه عمر نمی‌دهد.

بازبینی پیشنهادهای آموخته‌شده

یادگیری خودکار همان پیشنهادهای در انتظاری را تولید می‌کند که استفاده دستی از Workshop ایجاد می‌کند. پیش از اعمال، آن‌ها را بررسی کنید:

openclaw skills workshop listopenclaw skills workshop inspect <proposal-id>openclaw skills workshop apply <proposal-id>

پیشنهادهایی را که مفیدند اما آماده نیستند بازنگری، رد یا قرنطینه کنید:

openclaw skills workshop revise <proposal-id> --proposal ./PROPOSAL.mdopenclaw skills workshop reject <proposal-id> --reason "Too specific"openclaw skills workshop quarantine <proposal-id> --reason "Needs security review"

اعمال‌کردن تنها عملیاتی است که یک SKILL.md فعال می‌نویسد. برای چرخه عمر کامل و مدل ذخیره‌سازی، Skill Workshop را ببینید.

پیکربندی

برای طرح‌واره کامل، بازه‌ها و تنظیمات مرتبط Skill، به پیکربندی Skills مراجعه کنید.

عیب‌یابی

پس از یک نوبت طولانی هیچ پیشنهادی ظاهر نمی‌شود

همه موارد زیر را بررسی کنید:

1. skills.workshop.autonomous.enabled در پیکربندی فعال Gateway برابر true است.
2. نوبت موفق بوده و پس از جدیدترین پیام کاربر دست‌کم ده تکرار مدل داشته است.
3. گفتگو یک اجرای عادی پیش‌زمینه بوده است، نه اجرای زمان‌بندی‌شده، حافظه، hook یا زیرعامل.
4. اجرای اصلی به skill_workshop دسترسی داشته و در sandbox نبوده است.
5. سیستم به‌اندازه کافی بیکار مانده است تا بازبینی تأخیری اجرا شود.
6. فرایند طولانی‌مدت Gateway در سراسر پنجره بیکاری فعال مانده است؛ یک فرمان محلی یک‌باره منتظر بازبینی تأخیری نمی‌ماند.

ممکن است یک بازبینی واجد شرایط همچنان هیچ پیشنهادی تولید نکند. وقتی شواهد از معیار رویه قابل‌استفاده مجدد عبور نمی‌کنند، خودداری از پیشنهاد نتیجه مورد انتظار است.

Doctor گزارش می‌دهد ابزار Workshop پنهان است

هنگامی که یادگیری خودکار فعال است، openclaw doctor بررسی می‌کند که آیا سیاست ابزار مؤثر عامل پیش‌فرض، skill_workshop را مجاز می‌داند. تغییر گزارش‌شده tools.allow یا tools.alsoAllow را انجام دهید، یا یادگیری خودکار را غیرفعال کنید.

پیشنهادهای کم‌ارزش بیش‌ازحد ظاهر می‌شوند

یادگیری خودکار را غیرفعال کنید و استفاده از /learn یا درخواست‌های صریح Workshop را ادامه دهید:

openclaw config set skills.workshop.autonomous.enabled false --strict-json

پیشنهادهای در انتظار پس از غیرفعال‌شدن این قابلیت همچنان قابل‌بازبینی هستند. غیرفعال‌کردن یادگیری خودکار آن‌ها را اعمال، رد یا حذف نمی‌کند.

مرتبط

• کارگاه Skills برای بازبینی پیشنهاد، تأیید و ذخیره‌سازی
• ایجاد Skills برای Skills دست‌نویس و ساختار SKILL.md
• پیکربندی Skills برای همه تنظیمات skills.*
• CLI مربوط به Skills برای فرمان‌های کارگاه و متولی محتوا