自己学習

自己学習により、OpenClaw は会話から得られた有用な証拠を保留中の Skill Workshop 提案に変換できます。モデルの 重みを学習したり、有効なスキルを編集したり、エージェントの動作を暗黙に変更したりするものではありません。学習された 手順はすべて、オペレーターが確認して適用するまで保留状態のままです。

自己学習はデフォルトで無効です。追加の バックグラウンドモデル実行とトランスクリプトの確認がワークスペースに適している場合にのみ有効にしてください。

自己学習を有効にする

Control UI で Plugins → Workshop を開き、Self-learning をオンにします。 変更は直ちに反映されます。別の設定ライターが ファイルを更新していた場合、Control UI は設定スナップショットを再読み込みし、ページや Gateway を再読み込みせずにトグル操作を再試行します。

CLI を使用する場合:

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

または ~/.openclaw/openclaw.json を編集します:

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

再び無効にするには:

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

ユーザーが要求したスキルの作成、/learn、および手動の Skill Workshop 操作は、 自己学習が無効な間も引き続き機能します。

過去のセッションを手動で確認する

手動の履歴確認は、自律的な収集に代わる保守的な方法です。 Control UI で Plugins → Workshop を開き、Find skill ideas を選択します。 この操作で skills.workshop.autonomous.enabled が変更されることはありません。

各スキャンでは:

• 未確認の最新セッションから開始し、過去へさかのぼります。
• モデルターンが 6 回以上ある実質的なセッションを最大 20 件確認します。
• Cron、Heartbeat、フック、サブエージェント、ACP、Plugin 所有、および内部確認 セッションをスキップします。
• 認識されたシークレットを秘匿し、選択されたエージェントに設定されたモデルへ送信する前に、 トランスクリプトのバンドルを制限します。
• 自律的な経験レビューと同じ厳格な基準を使用します。
• 作成または改訂できる保留中の提案は最大 3 件であり、有効なスキルを変更することはありません。

Workshop は累積セッション数、対象期間、および見つかったアイデアを報告します。 次の古い期間を確認するには Scan earlier work を選択します。カーソルが 対象履歴の先頭に達すると、アクションは Scan new work に変わります。 OpenClaw が共有状態データベースに永続化するのは、カーソルと対象範囲のメタデータだけです。 2 つ目のトランスクリプトアーカイブは作成しません。

セッションがスキャンされるのは、OpenClaw がその所有権を証明し、 外部フックの内容を除外できる場合に限られます。アップグレード後は、アップグレード前の現在のトランスクリプトを ローカルで分類できますが、実行ごとの 来歴情報がない、ローテーション済みのアップグレード前トランスクリプトはスキップされます。新しいトランスクリプトでは、この来歴情報がローテーション後も保持されます。

手動スキャンでもモデルプロバイダーの費用が発生し、対象となる会話の 内容が設定済みのプロバイダーに送信されます。その確認が ワークスペースのプライバシーおよびデータ処理要件に適合する場合にのみ使用してください。

OpenClaw が学習できる内容

自己学習には 2 つの保守的な経路があります:

1. 直接的な指示と訂正。 OpenClaw は「今後は」「次回は」などの継続的な意図を示す表現や、 失敗した手法への訂正を検出します。 自己学習が有効な場合、別のプロンプトを待たずに、 これらのシグナルを保留中の提案に変換できます。この決定論的な経路では、関連する 指示を最大 3 件の提案にまとめ、書き込み可能なワークスペーススキルを対象としたり、 自身が作成した関連する保留中の提案を改訂したりできます。また、完了したかどうかを判定するのではなく ユーザーの指示を収集するため、失敗したターンの後にも実行されます。
2. 経験レビュー。 成功した実質的なフォアグラウンドターンの後、 OpenClaw は完了した作業を確認し、再利用可能な復旧手法や、 将来のモデルまたはツールとの往復を少なくとも 2 回削減できる 安定した手順を見つけられます。

適切な候補には次のものがあります:

• ツールまたはモデルの繰り返し失敗後に有効だった、信頼性の高い復旧方法。
• 繰り返し発生するエラーを防いだ、自明ではない順序制約。
• 調査を繰り返す必要があった、安定した複数ステップのワークフロー。
• 将来の複数回の呼び出しを回避できる、再利用可能な事前確認。

確認担当モデルは、通常の成功した作業、一度限りの依頼、 個人情報、単純な設定、環境の一時的な障害、一般的な助言、 裏付けのない否定的主張、およびシークレットについては提案を控える必要があります。

経験レビューが実行されるタイミング

経験レビューは意図的に遅延され、制限されています:

• フォアグラウンドターンが正常に完了している必要があります。
• 現在のターンにモデルの反復が少なくとも 10 回含まれている必要があります。
• Cron、Heartbeat、メモリ、オーバーフロー、フック、サブエージェント、およびレビューセッションは 除外されます。
• フォアグラウンド実行でプロバイダーとモデルが解決され、実際に skill_workshop へアクセスできていた必要があります。
• OpenClaw は完了後 30 秒待機します。同じセッションで後続のフォアグラウンド実行が完了すると、 その待機期間は最初からやり直されます。
• エージェントまたは応答の実行が 1 つでも進行中の場合、レビューはさらに 30 秒待機します。
• 一度に実行される経験レビューは 1 件だけです。
• 遅延レビューはプロセスローカルな Gateway の処理です。Gateway は アイドル期間が終わるまで実行し続ける必要があります。1 回限りのローカルランタイムや CLI ベースのランタイムでは、 スケジュールに必要な軌跡およびツール可用性のコンテキストが十分に保持されません。

学習のためにフォアグラウンドの回答が遅延することはありません。失敗したターンや対象外の ターンでは経験レビューは開始されませんが、自律性が無効な場合でも、ユーザーからの直接的な訂正を 提案として提示できます。

確認担当モデルが受け取る内容

バックグラウンドの確認担当モデルが受け取るのは、直近の ユーザーメッセージから始まる現在のターンだけです。レンダリングされた軌跡は 60,000 文字に制限されます。 必要な場合、OpenClaw は最初のメッセージと最新の証拠を保持し、 省略した中間部分を明示します。

確認担当モデルは、解決済みのプロバイダーとモデルを再利用します。その識別情報が利用可能な場合は、フォアグラウンドの 認証プロファイルを再利用し、モデルのフォールバックを無効にします。 したがって、このレビューにより、設定済みのプロバイダーで追加のモデル実行が開始されます。 提案を調査または下書きする際、その実行ではプロバイダーへのリクエストが複数回行われる場合があります。 プロバイダーの料金およびデータ処理条件は、フォアグラウンドターンと同様に適用されます。

開始前に、OpenClaw は現在のランタイム設定を再読み込みし、元の会話に対する 実効的なサンドボックスおよびツールポリシーを再確認します。実行が サンドボックス化されている場合、ポリシーで skill_workshop が許可されなくなった場合、または必要なランタイム情報が 不足している場合、レビューは安全側に倒して失敗し、何も作成しません。

提案の安全性

確認担当モデルは、意図的に狭く制限されたツール サーフェスを持つ分離されたセッションで実行されます:

• Workshop の提案を一覧表示または調査し、保留中の提案を 1 件作成または改訂することだけが可能です。
• 有効なスキルの更新、提案の適用、提案の却下、提案の隔離、 メッセージの送信、または一般的なエージェントツールの使用はできません。
• モデルの再試行全体で 1 回分の変更予算が共有されるため、レビューで作成または 改訂できる提案は最大 1 件です。
• 確認対象の軌跡は、バックグラウンドエージェントへの指示ではなく、信頼できない証拠として扱われます。
• Skill Workshop は提案の内容をスキャンし、認識されたリテラルの 認証情報を、提案の状態が書き込まれる前に拒否します。

maxPending、maxSkillBytes、 サポートファイルの制限、スキャナーチェック、ワークスペースのみへの書き込みなど、通常の Workshop の制限も引き続き適用されます。 approvalPolicy: "auto" の設定によって、バックグラウンドの確認担当モデルに ライフサイクル操作へのアクセスが許可されることはありません。

学習済みの提案を確認する

自己学習では、手動で Workshop を使用した場合と同じ保留中の提案が生成されます。 適用する前に確認してください:

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

有用ではあるものの準備が整っていない提案は、改訂、却下、または隔離します:

openclaw skills workshop revise <proposal-id> --proposal ./PROPOSAL.mdopenclaw skills workshop reject <proposal-id> --reason "具体的すぎる"openclaw skills workshop quarantine <proposal-id> --reason "セキュリティレビューが必要"

有効な SKILL.md に書き込む操作は適用だけです。完全なライフサイクルおよびストレージ モデルについては、Skill Workshop を参照してください。

設定

完全なスキーマ、範囲、および関連するスキル設定については、 Skills の設定を参照してください。

トラブルシューティング

長いターンの後も提案が表示されない

次の項目をすべて確認してください:

1. 有効な Gateway 設定で skills.workshop.autonomous.enabled が true になっている。
2. ターンが成功し、直近のユーザーメッセージ以降にモデルの反復が少なくとも 10 回含まれている。
3. 会話が通常のフォアグラウンド実行であり、スケジュール済み、メモリ、 フック、またはサブエージェントの実行ではなかった。
4. 元の実行で skill_workshop にアクセスでき、サンドボックス化されていなかった。
5. 遅延レビューに十分な時間、システムがアイドル状態を維持した。
6. 長時間実行される Gateway プロセスがアイドル期間中も稼働し続けた。 1 回限りのローカルコマンドは遅延レビューを待機しません。

条件を満たすレビューでも提案が生成されない場合があります。証拠が 再利用可能な手順の基準を満たさない場合、提案を控えることが想定される結果です。

Doctor が Workshop ツールは非表示だと報告する

自己学習が有効な場合、openclaw doctor はデフォルト エージェントの実効的なツールポリシーで skill_workshop が許可されているか確認します。報告された tools.allow または tools.alsoAllow の変更に従うか、自己学習を無効にしてください。

価値の低い提案が多すぎる

自己学習を無効にし、/learn または明示的な Workshop リクエストを引き続き使用してください:

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

機能を無効にした後も、保留中の提案は確認できます。自己学習を 無効にしても、それらが適用、却下、または削除されることはありません。

関連項目

• 提案のレビュー、承認、保存についてはSkill Workshop
• 手作業で作成する Skills と SKILL.md 構造についてはSkills の作成
• すべての skills.* 設定についてはSkills の設定
• Workshop とキュレーターのコマンドについてはSkills CLI