MetaClaw：讓智慧體越聊越聰明，免 GPU 即時提煉技能自動進化

大家用 AI 智慧體時最頭疼的問題，莫過於每次開新對話它就跟失憶了一樣，犯過的錯還會再犯一遍。

通常要讓模型變聰明，要麼得手動改提示詞，要麼得攢一大批對話資料拿去微調。最近開源的 MetaClaw 換了一種解法：只要正常和它聊天，它就在後臺偷偷自學，越用越順手。

專案上線不久，其技術報告就登上了 HuggingFace Daily Papers 榜首。

在中間加一層代理，像人腦一樣邊用邊學

MetaClaw 的思路很簡單，它並沒有重寫底層模型，而是在智慧體客戶端和模型 API 之間架起了一層代理。

你在前端像往常一樣和 AI 聊天，MetaClaw 會在後臺默默觀察。每次對話結束，它會自動總結復盤，把有效的解題套路或使用者偏好提煉成一項項「技能」，存進本地技能庫。

等到下一次你提出類似需求，代理層會在請求發給模型之前，自動檢索並把最相關的技能指令注入提示詞。

為了避免越聊越卡，它採用了服務、評分和訓練完全解耦的全非同步架構。你在前面正常提問收答案，後臺的經驗提煉和評分完全在平行執行，互不打擾。

除了支援 OpenClaw，它還相容了 IronClaw、PicoClaw、ZeroClaw、CoPaw、NanoClaw 和 NemoClaw 等多種智慧體，甚至給 NanoClaw 專門開了相容 Anthropic 格式的介面。

沒卡也能跑，甚至挑你睡覺時偷偷訓練

很多人一聽模型自進化就覺得得燒顯示卡，但 MetaClaw 提供了一個純輕量的「技能模式」。

在這個模式下，你完全不需要本地 GPU。它直接通過標準 API 調外部模型，光靠提示詞層的技能自動提煉和跨會話記憶，就能完成自我迭代。

如果你追求更深度的模型權重進化，它也準備了強化學習模式。這一步不需要你自建叢集，而是接上 Tinker 或 MinT 等雲端算力跑 LoRA 訓練。

有意思的是它的自動排程策略。它知道訓練權重很吃資源，所以強化學習任務預設只會在電腦空閒、使用者睡覺或者日曆顯示開會的時間段偷偷跑，完全不會搶佔正常工作時的響應速度。

版本迭代到最近，它還加入了增量記憶提取機制，每聊幾輪就會持久化一次上下文，解決了長對話中途掉記憶的毛病。

為什麼重要

我們認為，MetaClaw 踩中了一個非常真實的使用者痛點：個人智慧體的「調優門檻」太高了。

過去普通開發者或重度使用者想讓 Agent 適配自己的習慣，得花大量精力寫系統提示詞，或者定期整理資料集拿去雲端微調。MetaClaw 把這個過程做成了無感的即插即用，把「部署後微調」變成了「在日常互動中野蠻生長」。輕量技能模式不要顯示卡就能玩，對想折騰個人助手的開發者來說門檻極低。

在行業層面，它展示了一種很有啟發性的進化路線。與其死磕怎麼把底座模型練得全知全能，不如在端側做一個懂使用者習慣的外掛大腦。模型負責通用推理，外掛層負責即時打補丁。

不過這種方案也有隱患。完全依賴日常對話提煉經驗，一旦使用者給出錯誤反饋，或者提煉總結時產生了幻覺，錯誤的技能指令可能會在技能庫裡越滾越大。如何在沒有人工清洗的情況下保證技能庫的純淨，是它後續必須面對的考驗。