🧩 Framework & Thư viện•Mã nguồn mở•
MetaClaw
Framework agent meta-learning từ AIMING Lab, train RL policy từ conversation trajectories, cải thiện agent qua từng interaction.
#metaclaw
Danh mục
🧩 Framework & Thư viện
Giá
Mã nguồn mở
GitHub Stars
⭐ 3,455
Ngôn ngữ
Python
License
MIT
Ngày thêm
2026-03-27
Tóm tắt từ README GitHub
Just talk to your agent — it learns and EVOLVES .
Inspired by how brains learn. Meta-learn and evolve your 🦞 from every conversation in the wild. No GPU required.
🇨🇳 中文 • 🇯🇵 日本語 • 🇰🇷 한국어 • 🇫🇷 Français • 🇩🇪 Deutsch • 🇪🇸 Español • 🇧🇷 Português • 🇷🇺 Русский • 🇮🇹 Italiano • 🇻🇳 Tiếng Việt • 🇦🇪 العربية • 🇮🇳 हिन्दी
Overview • Quick Start • Multi-Claw Support • Configuration • Skills Mode • RL Mode • Auto Mode • Memory • Citation
---
Two commands. That's it.
---
🔥 News
- [04/11/2026] v0.4.1 — Incremental memory ingestion: the memory layer now extracts and persists turns every N turns (default 5) instead of only at session end, shrinking the mid-session memory blackout window.
- [03/25/2026] v0.4.0 — Contexture layer: MetaClaw now persists cross-session memory for users and projects. Relevant facts, preferences, and project history are automatically retrieved and injected into prompts. Includes adaptive memory policy, background consolidation, and an optional memory sidecar service.
- [03/24/2026] v0.3.3 — One-click OpenClaw plugin: MetaClaw now ships as a native OpenClaw extension — drop the folder into OpenClaw's extensions, run one command, and everyth
Xem thêm từ README.mdThu gọn README.md
Đánh giá chi tiết
Tổng quan
MetaClaw là framework research cho agent meta-learning từ AIMING Lab, cho phép AI agent cải thiện qua từng interaction bằng reinforcement learning (RL). MetaClaw train RL policy từ conversation trajectories, giúp agent tự động chọn strategy tốt hơn cho task tương tự trong tương lai. Repo có hơn 2,800 stars, viết bằng Python.
Tính năng chính
- Meta-learning loop: agent tự cải thiện từ mỗi conversation trajectory
- RL training: train policy từ success/failure outcomes
- Trajectory collection: thu thập và phân tích agent behavior data
- Strategy selection: tự chọn approach phù hợp dựa trên task type
- Multi-environment: test agent trên nhiều benchmark (WebArena, SWE-bench)
- Ablation tools: phân tích component nào đóng góp nhiều nhất
Stack kỹ thuật
- Python, PyTorch cho RL training
- LLM: OpenAI, Anthropic API
- Weights & Biases cho experiment tracking
Điểm mạnh
- Giải quyết vấn đề agent không học từ sai lầm
- Paper-backed research từ AIMING Lab
- RL approach có cơ sở lý thuyết vững
- Reproducible experiments với W&B tracking
Hạn chế
- Research-oriented, không phải production-ready tool
- Training loop tốn compute và API cost đáng kể
- Cần nhiều trajectory data trước khi improvement đáng kể
- Setup phức tạp: GPU, API keys, benchmark environments
Phù hợp khi nào
Researcher nghiên cứu agent learning, hoặc team muốn thử meta-learning approach để cải thiện custom AI agent qua thời gian.