SkillClaw: Gdy jeden agent zawodzi, każdy agent się uczy.
Jak SkillClaw zbiera ślady interakcji od wielu użytkowników, rozwija umiejętności wspólnych agentów za pomocą narzędzia do ewolucji agentów oraz weryfikuje zmiany przed ich wdrożeniem.
Rozwój umiejętności agentów z biegiem czasu to jedna z najbardziej obiecujących koncepcji w tej dziedzinie obecnie. Framework SkillClaw, opisany w artykule z arXiv z kwietnia 2026 roku, stosuje tę ideę w środowisku, w którym wielu użytkowników dzieli się jednym ekosystemem agentów (OpenClaw), i warto przyjrzeć się bliżej, jak on funkcjonuje oraz gdzie może napotkać ograniczenia.
Dlaczego obecne rozwiązania dotyczące umiejętności się zatrzymują
Agenci rozmawiają z użytkownikami przez cały dzień i gromadzą doświadczenie, jednak niewiele z tego przyczynia się do poprawy całego systemu. Wyróżnia się kilka głównych przyczyn.
- Umiejętności są przeważnie statyczne. Ktoś je ręcznie instaluje i utrzymuje, a później rzadko się zmieniają. Nawet jeśli agent znajdzie lepszą metodę w trakcie wykonywania zadania, ulepszenie to zazwyczaj pozostaje w ramach tej konkretnej rozmowy i nigdy nie trafia do repozytorium umiejętności.
- Użytkownicy ciągle napotykają te same problemy. Ludzie stosują podobne procedury, korzystają z tych samych narzędzi i popełniają te same błędy: niewłaściwe formaty parametrów, błędna kolejność wywołań narzędzi, brak weryfikacji. Nic nie łączy tych wzorców pomiędzy użytkownikami ani w czasie, więc wielu ludzi na nowo odkrywa te same rozwiązania samodzielnie.
- Istniejące podejścia obejmują tylko połowę problemu. Systemy pamięciowe przechowują historię, aby można ją było wyszukiwać, ale mają trudności z przekształceniem jej w umiejętności, które można by ponownie wykorzystać lub udoskonalić. Biblioteki umiejętności faktycznie pakują doświadczenia, ale zazwyczaj są nieruchome i nie ewoluują wraz z ich używaniem.
Wyobraź sobie przekształcenie rozproszonych doświadczeń z różnych sesji w umiejętności, którymi korzysta cały system i które są stale udoskonalane. Weryfikowane rozwiązanie znalezione w jednym miejscu mogłoby zostać przekazane przez wspólny repositoryj, a każdy przyszły agent korzystający z tej umiejętności mógłby z tego skorzystać.
Zamknięty cykl dla ewolucji zbiorowej
SkillClaw zbiera ślady interakcji z codziennego użytkowania przez różnych użytkowników, rozwija je w lepsze umiejętności i synchronizuje te ulepszone umiejętności z każdym agentem. Cykl składa się z czterech kroków.
1. Rejestrowanie śladów interakcji
Każda wymiana jest rejestrowana w całości: nie tylko ostateczne odpowiedzi, ale także pośrednie pytania, działania, wywołania narzędzi, błędy, informacje zwrotne od środowiska oraz końcowa odpowiedź. Szczegóły są ważne, ponieważ wiele problemów związanych z umiejętnościami kryje się w pośrednich etapach, a nie w wyniku końcowym.
2. Tworzenie wspólnych dowodów
Ślady są uporządkowane i grupowane według umiejętności, które się w nich pojawiają. Dzięki temu można porównywać sukcesy i porażki danej umiejętności u różnych użytkowników i w różnych warunkach, co pokazuje, kiedy i dlaczego działa. Sesje, które nie wykorzystały żadnej istniejącej umiejętności, trafiają do specjalnej grupy oznaczonej jako G(∅), którą narzędzie ewolucyjne analizuje w poszukiwaniu luk – konkretnych procedur, które można by nauczyć i które prawdopodobnie znów się pojawią.
3. Ewolucja umiejętności za pomocą agencji ewolucyjnej
Głównym elementem jest agencja ewolucyjna. Nie kieruje się ręcznie napisanymi zasadami. Otwarcie analizuje dostępne dowody wraz z obecnymi definicjami umiejętności, a następnie wybiera jedną z trzech możliwości: udoskonalić istniejącą umiejętność, stworzyć nową lub nic nie zmieniać.
Bierze pod uwagę zarówno sukcesy, jak i porażki. Sukcesy wskazują na te aspekty umiejętności, których nie należy zmieniać, natomiast porażki pokazują, co wymaga poprawy. Celem jest uniknięcie sytuacji, w której naprawa jednej wady powoduje uszkodzenie czegoś, co już funkcjonowało poprawnie, a kolejny krok dodaje dodatkową ochronę.
4. Weryfikacja przed wdrożeniem
Nic nie zostaje natychmiast wprowadzone do użycia. Kandydujące umiejętności są testowane przez noc w realistycznych środowiskach, porównując nowe z tymi istniejącymi przy wykonywaniu odpowiednich zadań.
- Przyjmowane są tylko te kandydaty, które przewyższają obecnie używaną umiejętność w odpowiednich zadaniach weryfikacyjnych, po czym są łączone z wspólnym repozytorium i wprowadzane do użycia przez wszystkie agenty następnego dnia.
- Kandydaci o gorszych wynikach są odrzucani, co zapewnia to, co autorzy nazywają monotonicznym wdrożeniem: zasób umiejętności nigdy się nie pogarsza.
Ta weryfikacja bezpieczeństwa ma swoją cenę. Proces walidacji zużywa dodatkowe tokeny, ponieważ kandydaci muszą działać w rzeczywistych środowiskach z pełną interakcją z narzędziami. Korzyścią jest bardziej stabilne zachowanie aplikacji u użytkowników w porównaniu z bezpośrednim wdrażaniem zmian.
Ocena
Pytanie brzmiało, czy ewolucja umiejętności napędzana danymi z wielu użytkowników poprawia wydajność przy późniejszych zadaniach przypominających rzeczywistą pracę agentów.
Ustawienia
Standard testowy WildClawBench obejmuje 60 złożonych zadań w sześciu obszarach umiejętności. Zadania są wykonywane od początku do końca w rzeczywistych kontenerach Linux z prawdziwymi zestawami narzędzi oraz wielomodalnymi danymi wejściowymi, a nie tylko tekstowymi wynikami. Ocena jest ścisła – krytyczny błąd może obniżyć wynik zadania do zera.
Test również nie polegał na pojedynczym wykonywaniu zewnętrznym. Symulował sześć dni wdrożenia. Każdego dnia osiem jednoczesnych użytkowników wykonywało zadania za pośrednictwem agentów. Każdej nocy system generował propozycje aktualizacji umiejętności na podstawie danych z danego dnia i weryfikował je w realistycznym środowisku, a tylko te aktualizacje, które przeszły weryfikację, wdrażano następnego dnia. Przez cały czas używano tego samego modelu – Qwen3-Max.
Wyniki
Podano wyniki dla czterech reprezentatywnych kategorii zadań, przy czym ścieżki poprawy się różniły. Twórcza synteza najpierw skorzystała na bardziej niezawodnym środowisku i ustawieniach wejściowych. Funkcje wyszukiwania i odzyskiwania danych poprawiały się stopniowo, począwszy od weryfikacji plików, a następnie przechodząc do planowania odzyskiwania danych z lepszym uwzględnieniem ograniczeń.
W porównaniu z pierwszym dniem krzywa nie była nierówna. Stopniowo rosła, a następnie w większości kategorii ustabilizowała się, gdy aktualizacje potwierdzone jako skuteczne zostały włączone do najlepszej dotychczasowej bazy umiejętności.
Należy jednak pamiętać o skali eksperymentu: osiem użytkowników, sześć dni i cztery zgłoszone kategorie. To małe badanie. Stały postęp jest zachęcający dla rozwoju umiejętności zbiorowych, ale prawdziwą próbą są większe wdrożenia.
Ocena
SkillClaw został starannie zaprojektowany. Zbiera ślady wykonywanych działań od istniejących agentów, wykorzystuje mechanizm ewolucji agentów do analizy sukcesów i porażek, modyfikuje umiejętności na podstawie uzyskanych informacji, a następnie przeprowadza testy asynchronicznie, zachowując najlepsze wyniki. Wszystko to zależy od posiadania dużej ilości danych interakcji, zarówno pozytywnych, jak i negatywnych, pochodzących od szerokiej bazy użytkowników.
Wyróżniają się dwa główne problemy.
- Ewolucja, wykonywanie i walidacja opierają się wszystkie na jednym modelu podstawowym. Szczególnie podczas walidacji model sam porównuje stare i nowe wyniki. Może to prowadzić do błędnego koła, w którym określone uprzedzenia stale się wzmacniają. Wyniki benchmarków mogą stale rosnąć, bez żadnych realnych wskaźników biznesowych.
- Decydowanie o tym, które interakcje są rzeczywiście skuteczne, stanowi nierozwiązany problem. Bez wiarygodnego mechanizmu oceny budowa wysokiej jakości repozytorium śladów działania jest od samego początku trudna.
To framework przypomina również Trace2Skill – powiązane podejście, które przekształca doświadczenie agenta w umiejętności przenoszone. Obie metody opierają się na założeniu, że agenci mogą się doskonalić bez drobnej kalibracji parametrów, przekształcając ślady swoich działań w umiejętności wielokrotnie wykorzystywalne. Różnice między nimi są jednak istotne:
- SkillClaw traktuje ewolucję umiejętności przede wszystkim jako problem systemów online: jak rozproszone agenty mogą gromadzić fragmentaryczne codzienne interakcje w wspólne umiejętności i bezpiecznie je udoskonalać w symulowanym, realistycznym środowisku.
- Trace2Skill traktuje to jako destylację doświadczeń: rozkłada wiele pojedynczych śladów na części, syntetyzuje wysokiej jakości ogólne wnioski i łączy je w przenoszone, deklaratywne artefakty umiejętności.
Oryginalny artykuł nosi tytuł „SkillClaw: Let Skills Evolve Collectively with Agentic Evolver” i jest dostępny na arXiv.
Literatura pokrewna
- Systemy Wielu Agentów to Systemy Tła z Niedeterministycznymi Elementami — Dlaczego produkcyjne systemy wielu agentów promują praktyki stosowane w systemach tła: wyraźne umowy, polecenia jako konfiguracja, ścisły kontekst, jedna rola na agenta, solidny kod zapewniający niezawodność.
- Wyjaśnienie sandboxów agentów: starty z zimnego stanu, izolacja, wyjście z sandboxu i zrzuty stanu — Co inżynierowie AI powinni wziąć pod uwagę przed umieszczeniem agenta uruchamiającego kod w sandboxzie: rzeczywiste starty z zimnego stanu, zbiory agentów w ciepłym stanie, kontenery vs gVisor vs microVM, wyjście z sieci i stan agenta.