MetaClaw 核心原理速查
1. 双时间尺度适应
MetaClaw 认为 AI 代理的"学习"应该发生在两个不同的时间尺度上，而且它们应该相互强化：
| 时间尺度 | 机制 | 作用 |
|---|---|---|
| 秒级 | 技能驱动快速适应 | 从失败中提炼行为规则，立即生效 |
| 小时级 | 机会主义策略优化 | 通过 RL 微调模型权重，深度改进 |
---
2. 技能驱动快速适应（秒级）
流程： 1. AI 执行任务失败（如删除了错误文件） 2. "技能进化器"（另一个 LLM）分析失败轨迹 3. 提炼出简洁的行为指令，如："修改任何文件前，先创建 .bak 备份" 4. 写入技能库，立即生效——下一个对话就能用
关键特性：
- 零停机、零梯度计算
- 技能以自然语言形式存在，天然跨任务可迁移
- 技能库既是"元参数"（积累知识），也是"适应基础"（推理时检索）
3. 机会主义策略优化（小时级）
问题： 权重更新需要"热交换"模型，会导致几分钟停机。生产环境不能随意停机。
解决方案：OMLS（机会主义元学习调度器）
监控三种空闲信号，只在用户不在的时候训练： 1. 睡眠窗口：用户配置的睡觉时间（如 23:00-07:00） 2. 系统不活跃：键盘/鼠标超过 30 分钟无活动 3. 日历感知：通过 Google Calendar API 检测用户正在开会
训练可以暂停/恢复，在碎片化的空闲窗口中累积梯度步骤。
---
4. 最关键的设计：技能代版本控制
问题： 如果用旧技能下的失败数据去训练已经学会新技能的模型，会发生"陈旧奖励污染"。
解决方案：版本隔离
- 每个样本打上技能版本标签 g
- 支持数据：在版本 g 下收集的失败，用于进化技能到 g+1，然后丢弃
- 查询数据：在版本 g+1 下收集的轨迹，才能进入 RL 训练缓冲区
- 技能进化时，自动清空所有旧版本样本
---
5. 整体架构
---
6. 核心公式
MetaClaw 的元模型： 𝒯 = (θ, 𝒮)
- θ：基础 LLM 参数（通过 RL 慢速优化）
- 𝒮：技能库（通过进化器快速更新）
---
7. 实验验证
| 模型 | 基线 | +MetaClaw | 提升 |
|---|---|---|---|
| Kimi-K2.5 | 21.4% | 40.6% | +90% |
| 任务完成率 | 2.0% | 16.5% | 8.25× |
---
一句话总结
MetaClaw 让 AI 代理像人一样学习——秒级记住技巧，小时级内化能力，而且永远不会用旧错误惩罚新自己。