[ICLR 2026] MetaClaw：让 Agent 在野外自主进化的持续元学习框架

TL;DR

传统的 LLM Agent 在部署后通常是“冻结”的，面对不断变化的实际任务容易显得力不从心。MetaClaw 提出了一种创新的持续元学习范式：它像人类一样，既能在失败后迅速总结出一套“避坑指南”（技能演进），也能在闲暇深夜默默“苦练内功”（参数微调）。这种双螺旋式的进化能力，使得即使是性能稍弱的模型，也能在实际使用中快速进化到 SOTA 级别。

痛点深挖：静态 Agent 难以应对动态世界

在 OpenClaw 等真实平台上，Agent 每天面对的任务分布会剧烈漂移。例如，用户本周还在处理文件系统操作，下周可能就转向大规模邮件工作流。

现有方法存在三大硬伤：

• 冗余性：简单的记忆存储（Memory-based）只是在堆砌原始轨迹，缺乏跨任务的可复用性。
• 割裂性：现有的技能库方法将“提示词技能”与“模型权重”视为孤岛，无法形成互补。
• 可用性：在线微调通常意味着昂贵的 GPU 开销或服务停机，这对 24/7 运行的个人助理来说是不可接受的。

核心机制：MetaClaw 的双尺度演进

MetaClaw 的核心在于将 Meta-Model $\mathcal{M}=(heta,\mathcal{S})$ 拆分为两个维度进行协同演进：

1. 技能驱动的快速适应 (Skill-Driven Fast Adaptation)

当 Agent 任务失败时，它会立即调用一个“演变器（Evolver）”来分析失败原因，并将其转化为一条通用的 Markdown 技能（例如：“在修改文件前必须先备份 .bak”）。

• 即时性：通过 Prompt 注入，无需微调，零延迟生效。
• 泛化性：从一次失败中提炼的规则，可以瞬间覆盖后续所有同类任务。

2. 机会主义策略优化 (Opportunistic Policy Optimization)

为了让模型底层逻辑更稳健，MetaClaw 会在后台积累“高质量数据”。但这里有两个精妙的设计：

• OMLS 调度器：它会盯着你的 Google Calendar、键盘活跃度和睡眠时间，趁你不在的时候偷偷在云端跑 LoRA 训练（基于序列策略优化算法 GRPO）。
• 版本隔离机制：这是一个严谨的学术设计。系统会严格区分“旧技能背景下的失败数据”和“新技能下的成功轨迹”，通过版本标记自动清洗掉会造成训练污染的陈旧样本，确保 RL 始终是在优化“已经适应后的行为”。

图 1：MetaClaw 的双环进化逻辑：左环通过失败分析实现技能瞬时演进，右环利用用户空闲期进行参数微调。

实验与战绩：弱模型的逆袭

论文在包含 44 个模拟工作日的 MetaClaw-Bench 上进行了极具挑战性的测试。

• 性能飞跃：Kimi-K2.5 在经过 MetaClaw 的全流程进化后，准确率从 21.4% 翻倍至 40.6%，几乎追平了顶级闭源模型 GPT-5.2 的出厂水平。
• 端到端突破：单纯的技能辅助（Skills-only）虽然能提高正确率，但只有结合了 RL 权重优化（Full），模型才能在复杂的 CLI 多步操作中展现出极高的“执行可靠性”。
• 跨领域泛化：在全自动学术研究任务（AutoResearchClaw）中，MetaClaw 无需任何领域微调，直接将系统的复合鲁棒性提升了 18.3%。

表 1：各模型在不同配置下的性能对比，可见 MetaClaw (Full) 对 Kimi-K2.5 的巨大提振。

深度洞察：为什么 MetaClaw 有效？

MetaClaw 验证了一个深刻的直觉：技能（Skills）提供了显性的确定性规则，而策略（Policy）提供了隐性的执行直觉。

在实验中可以看到，技能库在进化早期（前 8 天）起主导作用，快速纠正诸如“ISO 8601 时间格式”这类显式错误。而随着 RL 训练在第 8 天左右完成权重热替换（Hot-swap），Agent 展现出一个明显的性能拐点（Inflection Point），这标志着模型已经从“背诵规则”进化到了“内化规则”。

局限与展望

尽管 MetaClaw 实现了高度的自动化，但 OMLS 对用户空闲期的检测仍依赖于用户日历等隐私配置，在极其高频使用的场景下可能缺乏足够的训练窗口。未来，如何利用边缘计算在本地更高效地消化这些演进梯度，将是该领域的一大看点。

总结：MetaClaw 为我们描绘了一个“越用越好用”的 Agent 未来——它不再是被工厂预定义的死板程序，而是一个能伴随用户工作习惯共同生长的智能体。