Samouczenie się

Samouczenie pozwala OpenClaw przekształcać przydatne informacje z rozmów w oczekujące propozycje Skill Workshop. Nie trenuje ono wag modelu, nie edytuje aktywnych umiejętności ani nie zmienia po cichu zachowania agenta. Każda wyuczona procedura pozostaje oczekująca, dopóki operator jej nie przejrzy i nie zastosuje.

Samouczenie jest domyślnie wyłączone. Należy je włączać tylko wtedy, gdy dodatkowe uruchomienie modelu w tle i przegląd transkrypcji są odpowiednie dla danego obszaru roboczego.

Włączanie samouczenia

W interfejsie Control UI otwórz Plugins → Workshop i włącz Self-learning. Zmiana zaczyna obowiązywać natychmiast; gdy inny proces zapisujący konfigurację zaktualizował plik, Control UI odświeża migawkę konfiguracji i ponawia próbę przełączenia bez ponownego ładowania strony ani Gateway.

Użycie CLI:

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

Można też edytować ~/.openclaw/openclaw.json:

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

Ponowne wyłączenie:

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

Tworzenie umiejętności na żądanie użytkownika, /learn oraz ręczne operacje Skill Workshop działają nadal, gdy samouczenie jest wyłączone.

Ręczne przeglądanie wcześniejszych sesji

Ręczny przegląd historii jest zachowawczą alternatywą dla autonomicznego przechwytywania. W interfejsie Control UI otwórz Plugins → Workshop i wybierz Find skill ideas. Nie zmienia to skills.workshop.autonomous.enabled.

Każde skanowanie:

• zaczyna od najnowszych nieprzejrzanych sesji i cofa się;
• przegląda maksymalnie 20 istotnych sesji obejmujących co najmniej sześć tur modelu;
• pomija sesje cron, heartbeat, hook, subagent, ACP, należące do pluginów oraz wewnętrzne sesje przeglądu;
• redaguje rozpoznane sekrety i ogranicza pakiet transkrypcji przed wysłaniem go do skonfigurowanego modelu wybranego agenta;
• stosuje ten sam wysoki próg co autonomiczny przegląd doświadczeń; oraz
• może utworzyć lub zmienić najwyżej trzy oczekujące propozycje, nigdy aktywne umiejętności.

Workshop raportuje łączną liczbę sesji, zakres dat i liczbę znalezionych pomysłów. Wybierz Scan earlier work, aby przejść do następnego starszego zakresu. Gdy kursor dotrze do początku kwalifikującej się historii, działanie zmieni się na Scan new work. OpenClaw zapisuje we współdzielonej bazie danych stanu tylko kursor i metadane zakresu; nie tworzy drugiego archiwum transkrypcji.

Sesje są skanowane tylko wtedy, gdy OpenClaw może potwierdzić ich własność i wykluczyć treść z zewnętrznych hooków. Po aktualizacji bieżąca transkrypcja sprzed aktualizacji może zostać sklasyfikowana lokalnie, ale rotowane transkrypcje sprzed aktualizacji bez danych o pochodzeniu poszczególnych uruchomień są pomijane. Nowe transkrypcje zachowują te dane pochodzenia podczas rotacji.

Ręczne skanowania nadal generują koszty dostawcy modelu i wysyłają kwalifikującą się treść rozmów do skonfigurowanego dostawcy. Należy ich używać tylko wtedy, gdy taki przegląd jest zgodny z wymaganiami obszaru roboczego dotyczącymi prywatności i przetwarzania danych.

Czego OpenClaw może się nauczyć

Samouczenie ma dwie zachowawcze ścieżki:

1. Bezpośrednie instrukcje i korekty. OpenClaw wykrywa trwałe sformułowania, takie jak „od teraz”, „następnym razem”, oraz korekty nieskutecznego podejścia. Gdy samouczenie jest włączone, może przekształcić te sygnały w oczekujące propozycje bez czekania na kolejny monit. Ta deterministyczna ścieżka może grupować powiązane instrukcje w maksymalnie trzy propozycje, kierować je do zapisywalnej umiejętności obszaru roboczego lub zmieniać własną powiązaną oczekującą propozycję. Uruchamia się również po nieudanych turach, ponieważ przechwytuje instrukcje użytkownika, zamiast oceniać ukończenie.
2. Przegląd doświadczeń. Po pomyślnej, istotnej turze pierwszoplanowej OpenClaw może przejrzeć ukończoną pracę pod kątem techniki odzyskiwania nadającej się do ponownego użycia lub stabilnej procedury, która wyeliminowałaby co najmniej dwie przyszłe rundy modelu lub narzędzi.

Dobrymi kandydatami są:

• niezawodny sposób odzyskiwania po powtarzających się awariach narzędzia lub modelu;
• nieoczywiste ograniczenie kolejności, które zapobiegło powtarzającemu się błędowi;
• stabilny wieloetapowy przepływ pracy, który wymagał wielokrotnego rozpoznania; lub
• wielokrotnego użytku kontrola wstępna, która pozwoliłaby uniknąć wielu przyszłych wywołań.

Recenzent powinien powstrzymać się od działania w przypadku rutynowej udanej pracy, jednorazowych próśb, faktów osobistych, prostych preferencji, przejściowych awarii środowiska, ogólnych porad, niepopartych twierdzeń negatywnych oraz sekretów.

Kiedy uruchamia się przegląd doświadczeń

Przegląd doświadczeń jest celowo opóźniony i ograniczony:

• Tura pierwszoplanowa musi zakończyć się powodzeniem.
• Bieżąca tura musi zawierać co najmniej dziesięć iteracji modelu.
• Sesje cron, heartbeat, pamięci, przepełnienia, hooków, subagentów i przeglądu są wykluczone.
• Uruchomienie pierwszoplanowe musi mieć rozpoznanego dostawcę i model oraz rzeczywiście mieć dostęp do skill_workshop.
• OpenClaw czeka 30 sekund po ukończeniu. Późniejsze ukończenie zadania pierwszoplanowego w tej samej sesji rozpoczyna ten okres ciszy od nowa.
• Jeśli jakiekolwiek uruchomienie agenta lub odpowiedzi jest nadal aktywne, przegląd czeka kolejne 30 sekund.
• Jednocześnie działa tylko jeden przegląd doświadczeń.
• Opóźniony przegląd jest lokalną dla procesu pracą Gateway. Gateway musi działać przez cały okres bezczynności; jednorazowe środowiska lokalne i oparte na CLI nie zachowują wystarczającego kontekstu trajektorii ani dostępności narzędzi, aby go zaplanować.

Odpowiedź pierwszoplanowa nigdy nie jest opóźniana na potrzeby uczenia. Nieudana lub niekwalifikująca się tura nie rozpoczyna przeglądu doświadczeń, chociaż bezpośrednie korekty użytkownika mogą nadal zostać zaproponowane jako sugestia, gdy autonomia jest wyłączona.

Co otrzymuje recenzent

Recenzent działający w tle otrzymuje tylko bieżącą turę, począwszy od jej najnowszej wiadomości użytkownika. Wyrenderowana trajektoria jest ograniczona do 60,000 znaków; w razie potrzeby OpenClaw zachowuje pierwszą wiadomość i najnowsze dowody oraz oznacza pominiętą środkową część.

Recenzent ponownie wykorzystuje rozpoznanego dostawcę i model. Ponownie wykorzystuje profil uwierzytelniania zadania pierwszoplanowego, gdy ta tożsamość jest dostępna, i wyłącza rozwiązania awaryjne modelu. Przegląd rozpoczyna zatem dodatkowe uruchomienie modelu u skonfigurowanego dostawcy. To uruchomienie może wysłać więcej niż jedno żądanie do dostawcy podczas sprawdzania lub tworzenia propozycji. Obowiązują ceny i warunki przetwarzania danych dostawcy, tak samo jak w przypadku tury pierwszoplanowej.

Przed rozpoczęciem OpenClaw ponownie wczytuje bieżącą konfigurację środowiska uruchomieniowego i ponownie sprawdza obowiązujące zasady piaskownicy i narzędzi dla pierwotnej rozmowy. Jeśli uruchomienie odbywa się w piaskownicy, zasady nie zezwalają już na skill_workshop albo brakuje wymaganych danych środowiska uruchomieniowego, przegląd kończy się bezpiecznym niepowodzeniem i niczego nie tworzy.

Bezpieczeństwo propozycji

Recenzent działa w odizolowanej sesji z celowo ograniczonym zestawem narzędzi:

• Może tylko wyświetlać lub sprawdzać propozycje Workshop oraz utworzyć albo zmienić jedną oczekującą propozycję.
• Nie może aktualizować aktywnej umiejętności, stosować propozycji, odrzucać propozycji, poddawać propozycji kwarantannie, wysyłać wiadomości ani używać ogólnych narzędzi agenta.
• Jeden budżet modyfikacji jest współdzielony między ponownymi próbami modelu, dlatego przegląd może utworzyć lub zmienić najwyżej jedną propozycję.
• Przeglądana trajektoria jest traktowana jako niezaufany materiał dowodowy, a nie jako instrukcje dla agenta działającego w tle.
• Skill Workshop skanuje treść propozycji i odrzuca rozpoznane dosłowne dane uwierzytelniające, zanim stan propozycji zostanie zapisany.

Nadal obowiązują standardowe limity Workshop, w tym maxPending, maxSkillBytes, ograniczenia plików pomocniczych, kontrole skanera oraz zapisy wyłącznie w obszarze roboczym. Ustawienie approvalPolicy: "auto" nie przyznaje recenzentowi działającemu w tle dostępu do działań cyklu życia.

Przeglądanie wyuczonych propozycji

Samouczenie tworzy takie same oczekujące propozycje jak ręczne użycie Workshop. Należy je sprawdzić przed zastosowaniem:

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

Propozycje, które są przydatne, ale jeszcze niegotowe, można zmienić, odrzucić lub poddać kwarantannie:

openclaw skills workshop revise <proposal-id> --proposal ./PROPOSAL.mdopenclaw skills workshop reject <proposal-id> --reason "Zbyt szczegółowe"openclaw skills workshop quarantine <proposal-id> --reason "Wymaga przeglądu bezpieczeństwa"

Zastosowanie jest jedyną operacją zapisującą aktywną SKILL.md. Pełny model cyklu życia i przechowywania opisano w Skill Workshop.

Konfiguracja

Pełny schemat, zakresy i powiązane ustawienia umiejętności opisano w sekcji Konfiguracja Skills.

Rozwiązywanie problemów

Po długiej turze nie pojawia się żadna propozycja

Należy sprawdzić wszystkie poniższe warunki:

1. skills.workshop.autonomous.enabled ma wartość true w aktywnej konfiguracji Gateway.
2. Tura zakończyła się powodzeniem i obejmowała co najmniej dziesięć iteracji modelu po najnowszej wiadomości użytkownika.
3. Rozmowa była standardowym uruchomieniem pierwszoplanowym, a nie uruchomieniem zaplanowanym, pamięci, hooka lub subagenta.
4. Pierwotne uruchomienie miało dostęp do skill_workshop i nie działało w piaskownicy.
5. System pozostawał bezczynny wystarczająco długo, aby opóźniony przegląd mógł się odbyć.
6. Długotrwały proces Gateway pozostał aktywny przez cały okres bezczynności; jednorazowe polecenie lokalne nie czeka na opóźniony przegląd.

Kwalifikujący się przegląd nadal może nie utworzyć żadnej propozycji. Powstrzymanie się od działania jest oczekiwanym wynikiem, gdy materiał dowodowy nie spełnia progu procedury nadającej się do ponownego użycia.

Doctor zgłasza, że narzędzie Workshop jest ukryte

Gdy samouczenie jest włączone, openclaw doctor sprawdza, czy obowiązujące zasady narzędzi domyślnego agenta zezwalają na skill_workshop. Należy zastosować zgłoszoną zmianę tools.allow lub tools.alsoAllow albo wyłączyć samouczenie.

Pojawia się zbyt wiele propozycji o małej wartości

Należy wyłączyć samouczenie i nadal używać /learn lub jawnych żądań Workshop:

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

Oczekujące propozycje można nadal przeglądać po wyłączeniu funkcji. Wyłączenie samouczenia nie stosuje, nie odrzuca ani nie usuwa tych propozycji.

Powiązane

• Skill Workshop do przeglądu propozycji, zatwierdzania i przechowywania
• Tworzenie umiejętności dla umiejętności tworzonych ręcznie oraz struktury SKILL.md
• Konfiguracja umiejętności dla wszystkich ustawień skills.*
• CLI umiejętności dla poleceń Workshop i kuratora