aiming-lab/MetaClaw

🦞 Просто общайся со своим агентом — он учится и ЭВОЛЮЦИОНИРУЕТ 🧬.

Агенты⭐ 3 492Pythonпоследний релиз: v0.4.1
Открыть на GitHub ↗Сайт проекта ↗

Что это за инструмент

MetaClaw — это прокси-агент, который позволяет LLM-агентам мета-обучаться и эволюционировать на основе реальных диалогов без необходимости в GPU-кластере.

Зачем нужен

Инструмент перехватывает взаимодействия между пользователем и агентом, извлекая из них сигналы для обучения. Он автоматически сохраняет навыки и использует фоновое RL-обучение (через Tinker/MinT) для обновления весов модели в периоды простоя, улучшая агента в реальном времени.

Что можно реализовать

  • Автоматическое улучшение персонального AI-ассистента (OpenClaw, CoPaw и др.) по мере использования
  • Создание агентов, которые запоминают предпочтения пользователя и контекст проектов между сессиями
  • Обучение моделей через RL без остановки работы агента (обновления только в idle-окнах)
  • Быстрый запуск мета-обучения через CLI без настройки сложной инфраструктуры

Ключевые возможности

  • Полностью асинхронная архитектура, не требующая GPU-кластера (использует API и облачный Tinker)
  • Поддержка множества агентов: OpenClaw, IronClaw, PicoClaw, ZeroClaw, NanoClaw, NemoClaw
  • Слой памяти (Contexture) для сохранения кросс-сессийных данных и адаптивного извлечения фактов
  • Гибкие режимы работы: Skills, RL и Auto (комбинированный)
  • Одно-click деплой через CLI и интеграция как плагин для OpenClaw

👤 Кому подойдёт: разработчики AI-агентов, исследователи в области meta-learning, энтузиасты персонального AI

Релизы

v0.4.1minor
🕐 5 мес назад · релиз на GitHub ↗

В MetaClaw v0.4.1 добавлена инкрементальная загрузка памяти с буферизацией, что ускоряет работу агентов.

  • Added: Память теперь буферизуется и сохраняется каждые N ходов (по умолчанию 5), а не только в конце сессии.
  • Added: Добавлены новые эндпоинты /buffer_turn и /flush_session для управления буферизацией через HTTP.
  • Added: Плагин OpenClaw переписан для отправки только изменений (delta) и корректной финальной синхронизации.
  • Added: В конфигурацию добавлен параметр memory_flush_every для настройки частоты сброса буфера.
  • Fixed: Устранена O(N²) сложность из-за повторной отправки полной истории при каждом ходе агента.