Eine persistente Kontrollschleife, die die kontinuierliche Verbesserung von KI-Skills durch Konvergenzerkennung und budgetbewusste Orchestrierung automatisiert.
Installieren & Herunterladen
1. ClawHub CLI
Der schnellste Weg, einen Skill direkt aus der Registry zu installieren.
npx clawhub@latest install autoloop-controller
2. Manuelle Installation
Kopiere den Skill-Ordner an einen dieser Orte
~/.openclaw/skills/ <project>/skills/ Priorität: Workspace > Lokal > Integriert (Bundled)
3. Prompt-Installation
Kopiere diesen Prompt in OpenClaw, um ihn automatisch zu installieren.
Hilf mir, autoloop-controller über Clawhub zu installieren. Falls Clawhub nicht installiert ist, installiere es bitte zuerst (npm i -g clawhub).
Lieber herunterladen?
Hole dir die rohen Skill-Dateien in einem ZIP-Archiv.
Was ist Autoloop Controller?
Der Autoloop Controller ist ein spezialisierter Automatisierungs-Wrapper, der den Lebenszyklus der Verbesserung von Openclaw Skills verwaltet. Er ruft den improvement-orchestrator wiederholt in einer persistenten Schleife auf und hebt einen Skill durch das Erfassen von Zinseszinseffekten über mehrere Iterationen hinweg von einem aufstrebenden auf ein solides Qualitätsniveau. Im Gegensatz zu einmaligen Ausführungstools bewältigt dieser Controller die Komplexität langfristiger Optimierungsaufgaben, einschließlich Zustandspersistenz, Fehlerbehandlung und Ressourcenmanagement.
Durch das Umschließen der Kern-Pipeline (generate-evaluate-gate) stellt der Autoloop Controller sicher, dass jede Verbesserungsrunde auf der vorherigen aufbaut. Er ist besonders effektiv für Entwickler, die komplexe Agenten über Nacht oder nach einem festen Zeitplan optimieren müssen, und bietet die für die produktionsreife Openclaw Skills-Entwicklung erforderliche Zuverlässigkeit.
Autoloop Controller Anwendungsfälle
- Kontinuierliche Verbesserung eines Skills über mehrere Iterationen, bis sich die Leistungsbewertungen stabilisieren.
- Durchführung unbeaufsichtigter Optimierungsforschung über Nacht, um die Skill-Qualität zu maximieren.
- Planung periodischer Verbesserungszyklen per System-Cron für Produktionsagenten.
- Verwaltung budgetbegrenzter Batch-Verbesserungen mit spezifischen USD-Kostenobergrenzen.
- Nahtlose Fortsetzung unterbrochener Verbesserungsdurchläufe basierend auf einem gespeicherten Festplattenzustand.
So funktioniert Autoloop Controller
- Der Controller initialisiert die Sitzung durch Laden des Zustands der Ziel-Openclaw Skills aus dem angegebenen state root.
- Er führt eine vollständige 5-stufige Verbesserungs-Pipeline-Iteration aus: generate, discriminate, evaluate, execute und gate.
- Nach Abschluss einer Iteration bewertet der Controller die Ergebnisse und aktualisiert den internen Punkteverlauf.
- Er prüft fünf unabhängige Abbruchbedingungen: maximale Iterationen, Kostenobergrenzen, Punktzahl-Plateaus, Oszillationsmuster und aufeinanderfolgende Fehlerlimits.
- Wenn alle Bedingungen erfüllt sind, wird der aktuelle Zustand auf die Festplatte geschrieben und die Schleife fortgesetzt (oder im kontinuierlichen Modus eine Abkühlzeit abgewartet).
- Sobald eine Abbruchbedingung erreicht ist, hält der Controller an und gibt eine endgültige Zusammenfassung und ein Leistungsprotokoll aus.
Autoloop Controller Einrichtung
Um den Controller für Ihre Openclaw Skills zu nutzen, verwenden Sie die folgende CLI-Befehlsstruktur:
python3 scripts/autoloop.py \
--target ./skills/your-skill-path \
--state-root ./state-directory \
--max-iterations 5 \
--max-cost 20.0 \
--mode single-run
Für geplante Verbesserungen können Sie ein Skript zu Ihrer Crontab hinzufügen, das den Controller im geplanten Modus ausführt, sodass er den Zustand des vorherigen Laufs automatisch übernehmen kann.
Autoloop Controller Datenschema & Taxonomie
Der Controller organisiert seine Daten und Metadaten, um die vollständige Rückverfolgbarkeit und Wiederherstellbarkeit von Openclaw Skills zu gewährleisten:
| Artefakt | Dateiformat | Beschreibung |
|---|---|---|
| autoloop_state.json | JSON | Speichert den globalen Sitzungszustand, einschließlich abgeschlossener Iterationen, Gesamtkosten und Punkteverlauf. |
| iteration_log.jsonl | JSONL | Ein reines Protokoll für Anhänge mit Timing-, Kosten- und Entscheidungsmetriken für jede abgeschlossene Iteration. |
| Orchestrator Outputs | Directory | Enthält iterationsspezifische Artefakte wie Kandidaten-Diffs und Gate-Bewertungsergebnisse. |
| Console Summary | Stdout | Ein lesbarer Bericht, der bei Beendigung der Schleife generiert wird. |
Autoloop Controller Erweiterte Funktionen
- Intelligente Konvergenzerkennung: Identifiziert sowohl Plateaus (keine Verbesserung) als auch Oszillationen (abwechselnd keep/reject), um Ressourcen zu sparen.
- Automatischer Schutzschalter: Stoppt die Ausführung nach einer konfigurierbaren Anzahl aufeinanderfolgender Fehler, um Ressourcenverschwendung bei Infrastrukturausfällen zu vermeiden.
- Sitzungsübergreifende Persistenz: Speichert den vollständigen Zustand nach jeder Iteration und ermöglicht die Wiederherstellung ohne Fortschrittsverlust nach Systemabstürzen.
- Budget-Leitplanken: Strenge Kostenobergrenzen stellen sicher, dass die automatisierte Verbesserung von Openclaw Skills innerhalb definierter finanzieller Grenzen bleibt.
- Mehrere Ausführungsmodi: Unterstützt Einzel-, kontinuierliche Langzeit- und Cron-freundliche geplante Ausführungsmuster.
SKILL.md
Laden
Verwandte Openclaw-Skills
Smart Summarizer
Ein ausgeklügeltes Content-Processing-Tool, das lange Texte, Videos und Dokumente in umsetzbare Zusammenfassungen mit TL;DRs und wichtigen Erkenntnissen verwandelt.
FitDietKernel
FitDietKernel ist eine Wissensdatenbank für Präzisionsernährung, die KI-Agenten in Experten-Diät-Coaches für Kohlenhydrat-Cycling und Makro-Management verwandelt.
Aktienzusammenfassung
Ein professionelles Aktienmarkt-Analysetool, das Echtzeitkurse, technische Indikatoren und automatisierte Trenddiagramme bereitstellt.
PubMed Literaturrecherche & Analyse
Ein fortschrittliches System zur Recherche klinisch-medizinischer Literatur, das PubMed-Daten mit JCR-Impact-Faktoren für hochpräzise Forschungsanalysen integriert.
Auswahl von Partnern für lokale E-Rechnungs-Compliance
Eine hochentwickelte KI-Skill, die darauf ausgelegt ist, lokale E-Rechnungs-Partner und Compliance-Kanäle auf internationalen Märkten systematisch zu identifizieren, zu filtern und zu bewerten.
Energiemarkt-Intelligenz
Eine spezialisierte KI-Skill zur Erstellung von fundierten, entscheidungsreifen Briefings zum Energiemarkt in Alberta, basierend auf AESO-Daten und realen Marktstrukturen.
Hervorgehoben*
