MetaClaw: 일상 대화로 자동 진화하고 유휴 시간에 가중치를 갱신하는 AI 에이전트

현재 배포되는 대부분의 AI 에이전트는 한 번 배포되면 고정된 프롬프트에 갇혀 사용자의 변화하는 요구에 유연하게 대응하지 못합니다. 새로운 작업에 적응시키려면 서비스를 멈추고 모델을 오프라인에서 다시 파인튜닝해야 하는 번거로움이 있었습니다.

aiming-lab은 실제 사용 환경에서 대화를 통해 지속적으로 진화하는 오픈소스 메타학습 프레임워크 MetaClaw를 공개했습니다. 서비스 중단이나 로컬 GPU 없이도 일상적인 대화에서 에이전트가 자체적으로 역량을 학습하도록 설계됐습니다.

주간에는 즉시 스킬 생성, 유휴 시간에는 가중치 미세조정

MetaClaw의 핵심은 속도가 다른 두 가지 적응 루프를 결합한 데 있습니다.

빠른 루프는 스킬 기반 즉각 적응입니다. 에이전트가 작업에 실패하면 LLM 진화기가 실패 경로를 분석해 재사용 가능한 행동 스킬을 즉시 생성하고 다음 턴에 바로 주입합니다. 이 과정에는 서비스 중단이 전혀 발생하지 않습니다.

느린 루프는 모델 가중치 자체를 개선하는 단계입니다. 프로세스 보상 모델 기반 강화학습(RL-PRM)과 클라우드 LoRA를 사용해 정책을 최적화합니다.

업무 중 모델 업데이트로 지연이 생기지 않도록, 시스템에는 기회주의적 메타학습 스케줄러(OMLS)가 탑재됐습니다. 키보드 입력 유휴 상태, 설정된 수면 시간, 구글 캘린더 일정을 감지해 사용자가 자리를 비운 시간에만 클라우드 학습을 트리거합니다. 또한 데이터 버전 관리 메커니즘을 통해 스킬 분석용 데이터와 강화학습용 데이터를 분리하여 보상 신호 오염을 방지합니다.

로컬 GPU 없는 프록시 아키텍처와 검증된 성능

사용자 환경에 고가의 GPU 인프라가 필요 없다는 점도 실용적입니다. MetaClaw는 개인 에이전트와 LLM API 사이에서 프록시 형태로 작동합니다.

OpenAI 호환 규격뿐 아니라 NanoClaw 등을 위한 Anthropic 호환 엔드포인트를 제공하며, OpenClaw, CoPaw, IronClaw 등 다양한 에이전트를 지원합니다. 최근 업데이트에서는 세션을 넘나드는 장기 메모리 계층도 추가됐습니다.

실험 결과에서도 뚜렷한 성능 개선이 확인됐습니다. 44일 치 업무 환경을 시뮬레이션한 934개 문항의 MetaClaw-Bench에서 스킬 적응만으로 최대 32%의 상대적 정확도 향상을 기록했습니다. 전체 파이프라인을 가동한 Kimi-K2.5는 작업 정확도가 21.4%에서 40.6%로 급증해 GPT-5.2 기준치(41.1%)에 근접했으며, 엔드투엔드 작업 완수율은 8.25배 향상됐습니다. 23단계로 구성된 AutoResearchClaw 테스트에서도 견고성이 18.3% 높아졌습니다.

왜 중요한가

상시 에이전트를 운용하는 개발자나 일반 사용자 입장에서는 값비싼 인프라 구축 없이도 대화만으로 점진적으로 똑똑해지는 에이전트를 가질 수 있게 됐습니다.

산업적으로는 정적 프롬프트 관리나 비용 소모가 큰 오프라인 재학습에 머물던 에이전트 생태계를 지속적 평생 학습 체계로 전환하는 계기가 될 수 있습니다. 즉각적인 프롬프트 스킬 생성과 유휴 시간의 모델 가중치 강화를 나눈 이중 속도 아키텍처는 생물학적 학습 방식을 연상시킬 만큼 정교합니다.

캘린더와 유휴 시간을 감지해 야간 학습을 돌리는 아이디어는 매우 영리합니다. 다만 Tinker나 MinT 같은 클라우드 학습 백엔드 이용에 따른 API 비용이 발생할 수 있고, 진화기 모델의 성능에 따라 생성되는 스킬의 신뢰도가 달라질 수 있다는 점은 염두에 두어야 합니다.