Skip to main content
Durch Selbstlernen kann OpenClaw nützliche Erkenntnisse aus Unterhaltungen in ausstehende Skill-Workshop-Vorschläge umwandeln. Dabei werden weder Modellgewichte trainiert noch aktive Skills bearbeitet oder das Agentenverhalten unbemerkt geändert. Jedes erlernte Verfahren bleibt ausstehend, bis es von einer zuständigen Person geprüft und angewendet wird. Selbstlernen ist standardmäßig deaktiviert. Aktivieren Sie es nur, wenn ein zusätzlicher Modelllauf im Hintergrund und eine Prüfung des Transkripts für Ihren Workspace angemessen sind.

​
Selbstlernen aktivieren

Öffnen Sie in der Control UI Plugins → Workshop und aktivieren Sie Self-learning. Die Änderung wird sofort wirksam. Wenn ein anderer Konfigurationsschreiber die Datei aktualisiert hat, aktualisiert die Control UI den Konfigurations-Snapshot und versucht erneut, den Schalter umzulegen, ohne die Seite oder den Gateway neu zu laden. Verwenden Sie die CLI:
Oder bearbeiten Sie ~/.openclaw/openclaw.json:
Deaktivieren Sie es wieder mit:
Vom Benutzer angeforderte Skill-Erstellung, /learn und manuelle Skill-Workshop-Vorgänge funktionieren weiterhin, während das Selbstlernen deaktiviert ist.

​
Frühere Sitzungen manuell prüfen

Die manuelle Verlaufsprüfung ist die konservative Alternative zur autonomen Erfassung. Öffnen Sie in der Control UI Plugins → Workshop und wählen Sie Find skill ideas. Dadurch wird skills.workshop.autonomous.enabled nicht geändert. Jeder Scan:
  • beginnt mit den neuesten ungeprüften Sitzungen und arbeitet sich rückwärts vor;
  • prüft bis zu 20 umfangreiche Sitzungen mit mindestens sechs Modelldurchläufen;
  • überspringt Cron-, Heartbeat-, Hook-, Subagenten-, ACP-, Plugin-eigene und interne Prüfungssitzungen;
  • schwärzt erkannte Secrets und begrenzt das Transkriptpaket, bevor es an das konfigurierte Modell des ausgewählten Agenten gesendet wird;
  • wendet denselben hohen Maßstab wie die autonome Erfahrungsprüfung an; und
  • kann höchstens drei ausstehende Vorschläge erstellen oder überarbeiten, niemals aktive Skills.
Der Workshop meldet die kumulierte Anzahl der Sitzungen, den abgedeckten Zeitraum und die gefundenen Ideen. Wählen Sie Scan earlier work für das nächste ältere Zeitfenster. Wenn der Cursor den Anfang des relevanten Verlaufs erreicht, ändert sich die Aktion zu Scan new work. OpenClaw speichert ausschließlich Cursor- und Abdeckungsmetadaten in der gemeinsamen Zustandsdatenbank; es erstellt kein zweites Transkriptarchiv. Sitzungen werden nur gescannt, wenn OpenClaw ihre Eigentümerschaft nachweisen und Inhalte externer Hooks ausschließen kann. Nach einem Upgrade kann das aktuelle Transkript von vor dem Upgrade lokal klassifiziert werden, aber rotierte Transkripte von vor dem Upgrade ohne Herkunftsnachweis pro Lauf werden übersprungen. Neue Transkripte behalten diesen Herkunftsnachweis bei der Rotation. Manuelle Scans verursachen weiterhin Kosten beim Modell-Provider und senden relevante Gesprächsinhalte an den konfigurierten Provider. Verwenden Sie sie nur, wenn diese Prüfung den Datenschutz- und Datenverarbeitungsanforderungen des Workspace entspricht.

​
Was OpenClaw lernen kann

Das Selbstlernen umfasst zwei konservative Pfade:
  1. Direkte Anweisungen und Korrekturen. OpenClaw erkennt dauerhafte Formulierungen wie „von nun an“, „beim nächsten Mal“ und Korrekturen eines fehlgeschlagenen Ansatzes. Bei aktiviertem Selbstlernen kann es diese Signale in ausstehende Vorschläge umwandeln, ohne auf einen weiteren Prompt zu warten. Dieser deterministische Pfad kann zusammengehörige Anweisungen in bis zu drei Vorschlägen bündeln, auf einen beschreibbaren Workspace-Skill abzielen oder einen eigenen zugehörigen ausstehenden Vorschlag überarbeiten. Er wird auch nach fehlgeschlagenen Durchläufen ausgeführt, da er die Anweisungen des Benutzers erfasst, statt den Abschluss zu beurteilen.
  2. Erfahrungsprüfung. Nach einem erfolgreichen, umfangreichen Vordergrunddurchlauf kann OpenClaw die abgeschlossene Arbeit auf eine wiederverwendbare Wiederherstellungstechnik oder ein stabiles Verfahren prüfen, das mindestens zwei künftige Modell- oder Tool-Rundläufe überflüssig machen würde.
Geeignete Kandidaten sind unter anderem:
  • eine zuverlässige Wiederherstellung nach wiederholten Tool- oder Modellfehlern;
  • eine nicht offensichtliche Reihenfolgebedingung, die einen wiederkehrenden Fehler verhindert hat;
  • ein stabiler mehrstufiger Workflow, der wiederholte Erkundung erforderte; oder
  • eine wiederverwendbare Vorabprüfung, die mehrere künftige Aufrufe vermeiden würde.
Bei routinemäßigen erfolgreichen Arbeiten, einmaligen Anfragen, persönlichen Fakten, einfachen Präferenzen, vorübergehenden Umgebungsfehlern, allgemeinen Ratschlägen, unbelegten negativen Behauptungen und Secrets sollte die prüfende Instanz auf einen Vorschlag verzichten.

​
Wann die Erfahrungsprüfung ausgeführt wird

Die Erfahrungsprüfung wird bewusst verzögert und begrenzt:
  • Der Vordergrunddurchlauf muss erfolgreich abgeschlossen werden.
  • Der aktuelle Durchlauf muss mindestens zehn Modelliterationen enthalten.
  • Cron-, Heartbeat-, Speicher-, Überlauf-, Hook-, Subagenten- und Prüfungssitzungen sind ausgeschlossen.
  • Für den Vordergrundlauf müssen ein Provider und ein Modell aufgelöst worden sein, und er muss tatsächlich Zugriff auf skill_workshop gehabt haben.
  • OpenClaw wartet nach dem Abschluss 30 Sekunden. Ein späterer Abschluss im Vordergrund in derselben Sitzung startet diese Ruhephase neu.
  • Wenn noch ein Agenten- oder Antwortlauf aktiv ist, wartet die Prüfung weitere 30 Sekunden.
  • Es wird jeweils nur eine Erfahrungsprüfung ausgeführt.
  • Die verzögerte Prüfung ist prozesslokale Gateway-Arbeit. Der Gateway muss während des gesamten Leerlauffensters aktiv bleiben; einmalige lokale und CLI-gestützte Laufzeiten behalten nicht genügend Kontext zu Verlauf und Tool-Verfügbarkeit, um sie einzuplanen.
Die Vordergrundantwort wird durch das Lernen niemals verzögert. Ein fehlgeschlagener oder ungeeigneter Durchlauf startet keine Erfahrungsprüfung. Direkte Benutzerkorrekturen können jedoch weiterhin als Vorschlag angeboten werden, wenn die Autonomie deaktiviert ist.

​
Was die prüfende Instanz erhält

Die prüfende Instanz im Hintergrund erhält nur den aktuellen Durchlauf, beginnend mit dessen neuester Benutzernachricht. Der gerenderte Verlauf ist auf 60,000 Zeichen begrenzt. Falls erforderlich, behält OpenClaw die erste Nachricht und die neuesten Nachweise bei und kennzeichnet den ausgelassenen Mittelteil. Die prüfende Instanz verwendet den aufgelösten Provider und das aufgelöste Modell erneut. Sie verwendet das Authentifizierungsprofil des Vordergrundlaufs erneut, wenn diese Identität verfügbar ist, und deaktiviert Modell-Fallbacks. Die Prüfung startet daher einen zusätzlichen Modelllauf beim konfigurierten Provider. Dieser Lauf kann mehr als eine Provider-Anfrage auslösen, wenn er einen Vorschlag prüft oder entwirft. Es gelten dieselben Preis- und Datenverarbeitungsbedingungen des Providers wie für den Vordergrunddurchlauf. Vor dem Start lädt OpenClaw die aktuelle Laufzeitkonfiguration neu und prüft die wirksame Sandbox- und Tool-Richtlinie für die ursprüngliche Unterhaltung erneut. Wenn der Lauf in einer Sandbox ausgeführt wird, die Richtlinie skill_workshop nicht mehr zulässt oder erforderliche Laufzeitinformationen fehlen, bricht die Prüfung sicher ab und erstellt nichts.
Die Aktivierung des Selbstlernens erlaubt, relevante Gesprächsinhalte einschließlich Tool- Eingaben und Ergebnissen des aktuellen Durchlaufs für eine zusätzliche Prüfung an den ausgewählten Modell-Provider zu senden. Aktivieren Sie es nicht in einem Workspace, in dem diese Prüfung gegen Datenverarbeitungsanforderungen verstoßen würde.

​
Sicherheit von Vorschlägen

Die prüfende Instanz wird in einer isolierten Sitzung mit einer bewusst eingeschränkten Tool- Oberfläche ausgeführt:
  • Sie kann nur Workshop-Vorschläge auflisten oder prüfen und einen ausstehenden Vorschlag erstellen oder überarbeiten.
  • Sie kann keinen aktiven Skill aktualisieren, keinen Vorschlag anwenden, ablehnen oder unter Quarantäne stellen, keine Nachricht senden und keine allgemeinen Agenten-Tools verwenden.
  • Ein gemeinsames Mutationsbudget gilt für alle Modellwiederholungen, sodass eine Prüfung höchstens einen Vorschlag erstellen oder überarbeiten kann.
  • Der geprüfte Verlauf wird als nicht vertrauenswürdiger Nachweis behandelt, nicht als Anweisungen für den Hintergrundagenten.
  • Der Skill Workshop scannt Vorschlagsinhalte und lehnt erkannte wörtliche Zugangsdaten ab, bevor der Vorschlagsstatus geschrieben wird.
Die normalen Workshop-Grenzwerte gelten weiterhin, einschließlich maxPending, maxSkillBytes, Beschränkungen für Unterstützungsdateien, Scanner-Prüfungen und ausschließlich Workspace-bezogener Schreibvorgänge. Die Einstellung approvalPolicy: "auto" gewährt der prüfenden Instanz im Hintergrund keinen Zugriff auf Lebenszyklusaktionen.

​
Erlernte Vorschläge prüfen

Das Selbstlernen erzeugt dieselben ausstehenden Vorschläge wie die manuelle Verwendung des Workshop. Prüfen Sie sie vor der Anwendung:
Überarbeiten, verwerfen oder isolieren Sie Vorschläge, die nützlich, aber noch nicht einsatzbereit sind:
Das Anwenden ist der einzige Vorgang, der einen aktiven SKILL.md schreibt. Unter Skill Workshop finden Sie das vollständige Lebenszyklus- und Speichermodell.

​
Konfiguration

Das vollständige Schema, die Wertebereiche und zugehörige Skill-Einstellungen finden Sie unter Skills-Konfiguration.

​
Fehlerbehebung

​
Nach einem langen Durchlauf erscheint kein Vorschlag

Prüfen Sie alle folgenden Punkte:
  1. skills.workshop.autonomous.enabled ist in der aktiven Gateway-Konfiguration auf true gesetzt.
  2. Der Durchlauf war erfolgreich und umfasste nach der neuesten Benutzernachricht mindestens zehn Modelliterationen.
  3. Die Unterhaltung war ein normaler Vordergrundlauf und kein geplanter, Speicher-, Hook- oder Subagentenlauf.
  4. Der ursprüngliche Lauf hatte Zugriff auf skill_workshop und wurde nicht in einer Sandbox ausgeführt.
  5. Das System blieb lange genug im Leerlauf, damit die verzögerte Prüfung stattfinden konnte.
  6. Der lang laufende Gateway-Prozess blieb während des Leerlauffensters aktiv; ein einmaliger lokaler Befehl wartet nicht auf die verzögerte Prüfung.
Auch eine geeignete Prüfung erzeugt möglicherweise keinen Vorschlag. Ein Verzicht ist das erwartete Ergebnis, wenn die Nachweise den Maßstab für ein wiederverwendbares Verfahren nicht erfüllen.

​
Doctor meldet, dass das Workshop-Tool ausgeblendet ist

Wenn das Selbstlernen aktiviert ist, prüft openclaw doctor, ob die wirksame Tool-Richtlinie des Standardagenten skill_workshop zulässt. Nehmen Sie die gemeldete Änderung an tools.allow oder tools.alsoAllow vor oder deaktivieren Sie das Selbstlernen.

​
Es erscheinen zu viele Vorschläge mit geringem Nutzen

Deaktivieren Sie das Selbstlernen und verwenden Sie weiterhin /learn oder ausdrückliche Workshop-Anfragen:
Ausstehende Vorschläge bleiben nach der Deaktivierung der Funktion prüfbar. Durch die Deaktivierung des Selbstlernens werden sie weder angewendet noch abgelehnt oder gelöscht.

​
Verwandte Themen