MetaClaw
通过本地代理把个人智能体对话转化为技能、记忆和可选的 LoRA 持续学习。
- Star 数
- ★ 3.5k
- 最近更新
- 5 个月前
- License
- MIT
- 主语言
- Python
- FA 评分
- 50/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Codex · Claude Code · OpenAI API · Claude API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 使用 OpenClaw 的个人用户，希望把日常对话自动沉淀为可复用技能，同时避免手动维护提示词库。
- 不适合
- 不愿改动或重启现有个人代理配置的用户：启动时会自动改写配置并重启网关
- 对训练服务故障恢复或数据留存有硬性要求的团队：文档未给出相关保证
- 源码审查
- 50/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
MetaClaw 是面向个人智能体的本地代理层，可置于 OpenClaw、CoPaw、IronClaw、PicoClaw、ZeroClaw、NanoClaw、NemoClaw、Hermes Agent 或任意 OpenAI 兼容客户端之前。它在每轮请求中检索并注入技能，在会话后自动将经验总结为新的 SKILL.md 文件；启用后还会跨会话保存和检索用户、项目记忆。RL 模式将实时对话样本异步交给 PRM 评分，并通过 Tinker、MinT 或 Weaver 后端进行 LoRA 微调。默认 auto 模式会把权重更新延后到睡眠、空闲或日历会议窗口，以减少对正常使用的中断。部署边界是本机运行的 HTTP 代理与 ~/.metaclaw 下的配置、技能和可选记忆数据，模型调用与训练后端则通过网络服务完成。
运行 metaclaw setup 后，MetaClaw 将配置写入 ~/.metaclaw/config.yaml；metaclaw start 启动本地代理，默认监听 http://127.0.0.1:30000/v1，并可自动修改所选 personal agent 的配置。代理接收 OpenAI 兼容请求，NanoClaw 等 Anthropic 原生客户端则可使用 /v1/messages；它按 skills.retrieval_mode 检索 ~/.metaclaw/skills/ 下的 SKILL.md 并注入提示词。会话结束后，它生成技能摘要；启用 memory.enabled 时，还会提取 episodic、semantic、preference、project_state 和 working_summary 记忆并在后续请求中检索。启用 RL 时，每个会话轮次会成为训练样本，PRM 异步评分后由 rl.backend 指定的 Tinker、MinT 或 Weaver 执行 GRPO LoRA 训练；可选 OPD 会从 OpenAI 兼容的 /v1/completions 教师端点获取逐 token 概率。
- 使用 OpenClaw 的个人用户，希望把日常对话自动沉淀为可复用技能，同时避免手动维护提示词库。
- 通过任意 OpenAI 兼容 API 提供模型的团队，需要在本机代理层为现有客户端增加技能检索和跨会话记忆。
- 使用 NanoClaw 的开发者，希望通过 Anthropic 兼容
/v1/messages端点接入学习流水线而不改动客户端侧调用方式。 - 拥有 Tinker、MinT 或 Weaver 训练凭据的实验者，想基于真实对话异步进行 GRPO LoRA 微调。
- 不希望在工作期间发生权重热更新的用户，希望 auto 模式只在睡眠、空闲或日历会议时间训练。
如何安装或部署这个 Agent？
安装轻量技能模式：pip install -e .。如需 RL、技能演化和日历调度，可执行：pip install -e ".[rl,evolve,scheduler]"。随后运行 metaclaw setup，选择个人智能体、认证方式、LLM 提供商并填写 API base、API key 与 model ID；API key 模式支持 Kimi、Qwen、OpenAI、Volcano Engine 或 custom。首次可用调用为 metaclaw start；只使用技能时可改为 metaclaw start --mode skills_only。RL 需要启用 rl.enabled 并配置可用的 Tinker、MinT 或 Weaver 后端及 PRM 凭据。
如何使用这个 Agent？
执行 metaclaw start 启动默认 auto 模式；它会等待本地代理健康后返回，并自动配置已选择的 personal agent。没有受支持的自动配置目标时，设置 claw_type 为 none，将客户端配置为 base_url: http://127.0.0.1:30000/v1、api_key: metaclaw（或 proxy.api_key）及所选 model ID。Anthropic 原生客户端可设置 ANTHROPIC_BASE_URL=http://127.0.0.1:30000 和 ANTHROPIC_API_KEY=metaclaw。用 metaclaw status 查看代理、模式与调度器状态；用 metaclaw stop 停止实例。
这个 Agent 有哪些优点和局限？
- 以本地透明代理提供 OpenAI 兼容接口，并为 Anthropic 原生客户端提供
/v1/messages路径，适合接入多种个人智能体。 - 技能会在每轮注入，并在会话后自动总结为独立 SKILL.md，且可选模板或 embedding 检索。
- 将服务、奖励建模和训练解耦；auto 模式可把 RL 更新延后到睡眠、空闲或会议时段。
- 除技能外提供跨会话的结构化记忆，可检索用户偏好、项目状态和近期活动。
- RL 路径依赖外部训练服务与凭据；Tinker 是默认参考路径，MinT 和 Weaver 还需另行安装兼容包。
- RL 热交换会令智能体暂停数分钟；auto 模式只能降低中断概率，无法消除该运行特性。
- 自动接入会修改或注册所选 personal agent 的本地配置，并可能重启 gateway 或服务。
- README 未提供成本、数据保留策略或 PRM/训练服务的失败恢复保证；采用前需自行评估外部 API 与训练开销。
这个 Agent 与同类方案有什么区别？
在线训练后端可在 Tinker、MinT 和 Weaver 之间选择：Tinker 是默认参考路径；MinT 与 Weaver 需要分别安装兼容包并配置对应 rl.backend、端点和凭据。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| MetaClaw 当前 | 50 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 3.5k | 5 个月前 | Python | Codex · Claude Code · OpenAI API · Claude API |
| Agent Lightning | 40 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 19k | 1 天前 | Python | OpenAI API |
| ART 智能体强化训练器 | 34 · 缺口较多 | 代码库 / SDK免费版 + 付费版 | ★ 11k | 今天 | Python | — |
| Memvid 单文件智能体记忆 | 46 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 17k | 3 个月前 | Rust | OpenAI API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示：代理以透明代理方式运行，需要访问用户配置、API密钥和本地文件，但未明确最小权限原则。用户确认方面，安装和配置需要用户交互，但自动配置和自动安装插件可能未经明确同意。数据流透明度：文档描述了代理拦截和注入技能，但未详细说明数据流向和存储。敏感数据处理：API密钥和OAuth令牌存储在本地配置中，但未说明加密措施。依赖安全：依赖列表未固定版本，存在潜在漏洞风险。外部影响：代理会修改多个外部代理的配置文件并重启服务，影响范围大。回滚：提供了uninstall命令，但未说明配置修改的回滚机制。来源归属：未明确说明第三方组件的来源和许可。扣分原因：缺乏安全细节和明确的最小权限声明。
证据显示：文档和代码在功能描述上基本一致，但存在一些不一致，如README中提到的'OpenClaw'与代码中的'openclaw'大小写不一致。依赖可用性：依赖项未固定版本，可能因版本更新导致不兼容。失败消息：文档未提供详细的错误处理或故障排除指南。扣分原因：依赖版本未固定，失败处理文档不足。
证据显示：目标受众明确为个人代理用户，场景覆盖多种代理和模式。能力边界：文档说明了支持的代理和模式，但未明确限制。触发精度：技能注入和RL训练的条件描述清晰。环境适配：支持多种操作系统和代理，但未详细说明系统要求。扣分原因：能力边界和系统要求描述不够详细。
证据显示：信息架构清晰，有README、配置参考和文档链接。安装说明详细，提供了多种安装方式。命名稳定性：版本号明确，但未说明命名规范。示例和FAQ：提供了示例和演示，但缺少FAQ。已知限制：未明确列出已知限制。许可证：MIT许可证明确。版本变更日志：新闻部分提供了版本更新记录，但未提供正式的CHANGELOG。维护责任：未明确维护者或贡献指南。扣分原因：缺少FAQ、已知限制和正式的变更日志。
证据显示：输出可用性：提供了CLI命令和配置，输出格式清晰。边际价值：提供了技能注入和RL训练等独特功能，具有较高价值。成本效益：无需GPU，降低了成本，但RL训练需要外部服务。扣分原因：成本效益分析未量化。
证据显示：声明了技术报告和排名，但未提供可验证的链接或数据。交叉验证：未提供其他来源的验证。事实与推断分离：文档中混合了事实和推断，如'No GPU required'是推断。扣分原因：缺乏可验证的证据和事实与推断的明确分离。
- 代理会自动修改多个外部代理的配置并重启服务，可能影响现有设置，建议在测试环境中先行验证。
- API密钥和OAuth令牌存储在本地配置中，未提及加密措施，建议用户自行保护配置文件。
- 依赖未固定版本，存在供应链风险，建议使用锁文件或固定版本。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
v0.4.1 v0.4.1 — Incremental memory ingestion
发布说明摘录
Highlights Incremental memory ingestion. The MetaClaw memory layer no longer waits until session end to extract and persist turns. Instead, turns are buffered and flushed every N turns (default 5), shrinking the mid-session blackout window and eliminating the O(N²) cost of re-sending full history on every agent turn. …在 GitHub 查看 ↗ -
v0.4.0 v0.4.0 — Contexture Layer
发布说明摘录
What's New Contexture layer: MetaClaw now persists cross-session memory for users and projects. Relevant facts, preferences, and project history are automatically retrieved and injected into prompts. Includes adaptive memory policy, background consolidation, and an optional memory sidecar service.在 GitHub 查看 ↗ -
v0.3.3 MetaClaw Plugin
发布说明摘录
One-Click Install Download the zip, extract, enable — MetaClaw environment is set up automatically. macOS / Linux ```bash curl -LO https://github.com/aiming-lab/MetaClaw/releases/download/v0.3.3/metaclaw-plugin.zip unzip metaclaw-plugin.zip -d ~/.openclaw/extensions/metaclaw-openclaw openclaw plugins enable metaclaw-openclaw openclaw gateway restart ``` Windows (PowerShell) ```powershell Invoke-WebRequest -Uri https://github.com/aiming-lab/MetaClaw/releases/download/v0.3.3/metaclaw-plugin.zip -OutFile metaclaw-plugin.zip …在 GitHub 查看 ↗
常见问题
不启用 RL 也能使用吗？
metaclaw start --mode skills_only 提供代理、技能注入和会话后技能总结，不需要 GPU、Tinker 或其他 RL 后端。需要把模型部署在本地吗？
它会改动现有智能体配置吗？
claw_type 选择受支持的智能体时，metaclaw start 会自动写入或更新该智能体的本地配置并重启相应服务。选择 none 则需手动将客户端指向代理。长期记忆默认启用吗？
memory.enabled 设为 true；启用后会在本地存储并在后续请求中注入相关记忆。