Skip to main content
El autoaprendizaje permite que OpenClaw convierta la evidencia útil de las conversaciones en propuestas pendientes de Skill Workshop. No entrena los pesos del modelo, edita Skills activas ni cambia silenciosamente el comportamiento del agente. Cada procedimiento aprendido permanece pendiente hasta que un operador lo revisa y aplica. El autoaprendizaje está desactivado de forma predeterminada. Actívelo únicamente cuando una ejecución adicional del modelo en segundo plano y la revisión de la transcripción sean apropiadas para el espacio de trabajo.

​
Activar el autoaprendizaje

En la interfaz de control, abra Plugins → Workshop y active Self-learning. El cambio surte efecto inmediatamente; cuando otro proceso de escritura de configuración haya actualizado el archivo, la interfaz de control actualiza la instantánea de configuración y vuelve a intentar el cambio sin recargar la página ni el Gateway. Use la CLI:
O edite ~/.openclaw/openclaw.json:
Vuelva a desactivarlo con:
La creación de Skills solicitada por el usuario, /learn y las operaciones manuales de Skill Workshop siguen funcionando mientras el autoaprendizaje está desactivado.

​
Revisar manualmente sesiones anteriores

La revisión manual del historial es la alternativa conservadora a la captura autónoma. Abra Plugins → Workshop en la interfaz de control y seleccione Find skill ideas. Esto no cambia skills.workshop.autonomous.enabled. Cada análisis:
  • comienza con las sesiones sin revisar más recientes y retrocede;
  • revisa hasta 20 sesiones sustanciales con al menos seis turnos del modelo;
  • omite sesiones de Cron, Heartbeat, enlaces, subagentes, ACP, propiedad de plugins y revisión interna;
  • oculta los secretos reconocidos y limita el paquete de transcripciones antes de enviarlo al modelo configurado del agente seleccionado;
  • aplica el mismo criterio estricto que la revisión autónoma de experiencias; y
  • puede crear o revisar como máximo tres propuestas pendientes, nunca Skills activas.
Workshop informa del recuento acumulado de sesiones, la cobertura de fechas y las ideas encontradas. Seleccione Scan earlier work para consultar el siguiente intervalo más antiguo. Cuando el cursor alcanza el principio del historial apto, la acción cambia a Scan new work. OpenClaw solo conserva los metadatos del cursor y la cobertura en la base de datos de estado compartida; no crea un segundo archivo de transcripciones. Las sesiones solo se analizan cuando OpenClaw puede demostrar su propiedad y excluir el contenido de enlaces externos. Después de una actualización, la transcripción actual anterior a la actualización puede clasificarse localmente, pero se omiten las transcripciones rotadas anteriores a la actualización que no tengan procedencia por ejecución. Las transcripciones nuevas conservan esta procedencia tras la rotación. Los análisis manuales siguen generando costes del proveedor del modelo y envían el contenido apto de la conversación al proveedor configurado. Úselos únicamente cuando esa revisión se ajuste a los requisitos de privacidad y tratamiento de datos del espacio de trabajo.

​
Qué puede aprender OpenClaw

El autoaprendizaje tiene dos vías conservadoras:
  1. Instrucciones directas y correcciones. OpenClaw detecta expresiones duraderas como «a partir de ahora», «la próxima vez» y correcciones de un enfoque fallido. Con el autoaprendizaje activado, puede convertir esas señales en propuestas pendientes sin esperar a otra solicitud. Esta vía determinista puede agrupar instrucciones relacionadas en hasta tres propuestas, dirigirse a una Skill modificable del espacio de trabajo o revisar su propia propuesta pendiente relacionada. También se ejecuta después de turnos fallidos porque captura las instrucciones del usuario en lugar de evaluar su finalización.
  2. Revisión de experiencias. Después de un turno en primer plano sustancial y completado correctamente, OpenClaw puede revisar el trabajo terminado en busca de una técnica de recuperación reutilizable o un procedimiento estable que elimine al menos dos futuras rondas de interacción con el modelo o las herramientas.
Entre los buenos candidatos se incluyen:
  • una recuperación fiable después de fallos repetidos de herramientas o modelos;
  • una restricción de orden no evidente que evitó un error recurrente;
  • un flujo de trabajo estable de varios pasos que exigía búsquedas repetidas; o
  • una comprobación previa reutilizable que evitaría varias llamadas futuras.
El revisor debe abstenerse ante trabajos rutinarios completados correctamente, solicitudes puntuales, datos personales, preferencias simples, fallos transitorios del entorno, consejos genéricos, afirmaciones negativas sin respaldo y secretos.

​
Cuándo se ejecuta la revisión de experiencias

La revisión de experiencias se retrasa y limita deliberadamente:
  • El turno en primer plano debe finalizar correctamente.
  • El turno actual debe contener al menos diez iteraciones del modelo.
  • Se excluyen las sesiones de Cron, Heartbeat, memoria, desbordamiento, enlaces, subagentes y revisión.
  • La ejecución en primer plano debe haber resuelto un proveedor y un modelo, y debe haber tenido realmente acceso a skill_workshop.
  • OpenClaw espera 30 segundos después de la finalización. Una finalización posterior en primer plano dentro de la misma sesión reinicia ese período de inactividad.
  • Si aún hay alguna ejecución de agente o respuesta activa, la revisión espera otros 30 segundos.
  • Solo se ejecuta una revisión de experiencias a la vez.
  • La revisión retrasada es trabajo del Gateway local al proceso. El Gateway debe seguir ejecutándose durante el período de inactividad; los entornos de ejecución locales de una sola ejecución y los basados en la CLI no conservan suficiente contexto de trayectoria y disponibilidad de herramientas para programarla.
La respuesta en primer plano nunca se retrasa por el aprendizaje. Un turno fallido o no apto no inicia la revisión de experiencias, aunque las correcciones directas del usuario aún pueden ofrecerse como sugerencia cuando la autonomía está desactivada.

​
Qué recibe el revisor

El revisor en segundo plano recibe únicamente el turno actual, comenzando por su mensaje de usuario más reciente. La trayectoria renderizada se limita a 60,000 caracteres; cuando es necesario, OpenClaw conserva el primer mensaje y la evidencia más reciente, y marca la parte intermedia omitida. El revisor reutiliza el proveedor y el modelo resueltos. Reutiliza el perfil de autenticación en primer plano cuando esa identidad está disponible y desactiva las alternativas del modelo. Por tanto, la revisión inicia una ejecución adicional del modelo en el proveedor configurado. Esa ejecución puede realizar más de una solicitud al proveedor cuando inspecciona o redacta una propuesta. Se aplican los precios y las condiciones de tratamiento de datos del proveedor, al igual que en el turno en primer plano. Antes de comenzar, OpenClaw vuelve a cargar la configuración actual del entorno de ejecución y comprueba de nuevo la política efectiva de aislamiento y herramientas de la conversación original. Si la ejecución está aislada, la política ya no permite skill_workshop o faltan datos necesarios del entorno de ejecución, la revisión se cierra de forma segura y no crea nada.
Activar el autoaprendizaje permite que el contenido apto de la conversación, incluidas las entradas y los resultados de herramientas del turno actual, se envíe al proveedor del modelo seleccionado para una revisión adicional. No lo active en un espacio de trabajo donde esa revisión infrinja los requisitos de tratamiento de datos.

​
Seguridad de las propuestas

El revisor se ejecuta en una sesión aislada con un conjunto de herramientas deliberadamente restringido:
  • Solo puede enumerar o inspeccionar propuestas de Workshop y crear o revisar una propuesta pendiente.
  • No puede actualizar una Skill activa, aplicar una propuesta, rechazar una propuesta, poner en cuarentena una propuesta, enviar un mensaje ni usar herramientas generales del agente.
  • Se comparte un presupuesto de una mutación entre los reintentos del modelo, por lo que una revisión puede crear o revisar como máximo una propuesta.
  • La trayectoria revisada se trata como evidencia no fiable, no como instrucciones para el agente en segundo plano.
  • Skill Workshop analiza el contenido de la propuesta y rechaza las credenciales literales reconocidas antes de escribir el estado de la propuesta.
Se siguen aplicando los límites normales de Workshop, incluidos maxPending, maxSkillBytes, las restricciones de archivos auxiliares, las comprobaciones del analizador y las escrituras exclusivas en el espacio de trabajo. La configuración approvalPolicy: "auto" no concede al revisor en segundo plano acceso a las acciones del ciclo de vida.

​
Revisar las propuestas aprendidas

El autoaprendizaje genera las mismas propuestas pendientes que el uso manual de Workshop. Inspecciónelas antes de aplicarlas:
Revise, rechace o ponga en cuarentena las propuestas que sean útiles pero aún no estén listas:
Aplicar es la única operación que escribe una SKILL.md activa. Consulte Skill Workshop para conocer el ciclo de vida y el modelo de almacenamiento completos.

​
Configuración

Para consultar el esquema exhaustivo, los intervalos y los ajustes relacionados con Skills, consulte Configuración de Skills.

​
Solución de problemas

​
No aparece ninguna propuesta después de un turno largo

Compruebe todo lo siguiente:
  1. skills.workshop.autonomous.enabled es true en la configuración activa del Gateway.
  2. El turno finalizó correctamente e incluyó al menos diez iteraciones del modelo después del mensaje de usuario más reciente.
  3. La conversación fue una ejecución normal en primer plano, no una ejecución programada, de memoria, de enlace ni de subagente.
  4. La ejecución original tuvo acceso a skill_workshop y no estaba aislada.
  5. El sistema permaneció inactivo el tiempo suficiente para la revisión retrasada.
  6. El proceso de larga duración del Gateway permaneció activo durante el período de inactividad; un comando local de una sola ejecución no espera la revisión retrasada.
Una revisión apta puede seguir sin generar ninguna propuesta. La abstención es el resultado esperado cuando la evidencia no supera el criterio de procedimiento reutilizable.

​
Doctor informa que la herramienta Workshop está oculta

Cuando el autoaprendizaje está activado, openclaw doctor comprueba si la política efectiva de herramientas del agente predeterminado permite skill_workshop. Aplique el cambio indicado en tools.allow o tools.alsoAllow, o desactive el autoaprendizaje.

​
Aparecen demasiadas propuestas de poco valor

Desactive el autoaprendizaje y siga usando /learn o solicitudes explícitas de Workshop:
Las propuestas pendientes siguen pudiéndose revisar después de desactivar la función. Desactivar el autoaprendizaje no las aplica, rechaza ni elimina.

​
Contenido relacionado