Ein leichtgewichtiger Skill zur Verhaltenshärtung, der Benutzerfeedback erfasst, um dauerhafte, hochwertige Betriebsregeln für KI-Agenten zu erstellen.
Installieren & Herunterladen
1. ClawHub CLI
Der schnellste Weg, einen Skill direkt aus der Registry zu installieren.
npx clawhub@latest install lessonloop
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, lessonloop 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 LessonLoop?
LessonLoop ist ein spezialisiertes Framework innerhalb des Openclaw Skills-Ökosystems, das für die Erfassung von Erfahrungen und die Verhaltenshärtung entwickelt wurde. Im Gegensatz zu wortreichen Selbstreflexionsschleifen, die tokens verbrauchen, konzentriert sich LessonLoop auf einen „kostengünstigen Entscheidungspfad“, um explizites Benutzerfeedback, Korrekturen und neue Betriebsregeln in dauerhafte Anweisungen umzuwandeln. Es stellt sicher, dass Ihr KI-Agent aus seinen Fehlern lernt und Ihre spezifischen Präferenzen ohne unnötigen Overhead einhält.
Durch den Einsatz eines gestuften Verarbeitungsansatzes – Verwendung lokaler Modelle für die Klassifizierung und des Hauptmodells für strategische Regeländerungen – behält LessonLoop ein schlankes Speicherprofil bei. Es schließt die Lücke zwischen flüchtigen Gesprächen und der langfristigen Agentenpersönlichkeit und stellt sicher, dass eine einmal festgelegte Regel eine harte Einschränkung für zukünftige Interaktionen bleibt.
LessonLoop Anwendungsfälle
- Den Agenten explizit anweisen, sich an eine bestimmte Formatierungspräferenz oder einen bestimmten Tonfall zu erinnern.
- Korrektur eines wiederholten Fehlers, um sicherzustellen, dass der Agent dieses spezifische Muster in Zukunft vermeidet.
- Festlegung neuer Betriebsregeln für Kostenkontrolle, Routing oder Tool-Nutzung.
- Überführung experimenteller Verhaltensweisen in das langfristige MEMORY.md nach Benutzerbestätigung.
So funktioniert LessonLoop
- Trigger Check: Der Skill wird nur aktiviert, wenn der Benutzer explizites korrigierendes Feedback gibt oder den Agenten auffordert, sich an eine bestimmte Regel zu erinnern.
- Classification: Feedback wird in eine von vier Kategorien eingeteilt: Präferenz, Regel, Fehler oder Priorität.
- Tiered Processing: Ein lokales Modell führt eine erste Prüfung durch, um die Lektion zu komprimieren, und eskaliert nur bei folgenschweren Regeländerungen an das Hauptmodell.
- Storage Decision: Das System schreibt für kurzfristigen Kontext in den täglichen Speicher oder befördert die Lektion in die globale MEMORY.md, wenn sie dauerhaft ist.
- Immediate Application: Der Agent passt sein Verhalten innerhalb der aktuellen Sitzung unmittelbar nach der Aktualisierung des Speichers an.
LessonLoop Einrichtung
Um LessonLoop in Ihre Umgebung zu integrieren, stellen Sie sicher, dass Sie die erforderlichen python-Skripte in Ihrem lokalen Pfad haben. Sie können den Erfassungsprozess mit dem folgenden Befehl initialisieren:
# Capture a new lesson into daily memory
python scripts/capture_lesson.py --content "Default to short answers and minimal tools"
# Generate a report of recent behavior hardening
python scripts/lessonloop_report.py
LessonLoop Datenschema & Taxonomie
LessonLoop organisiert Daten in einer hierarchischen Struktur, um Speicheraufblähung zu vermeiden und gleichzeitig die technische Genauigkeit zu wahren:
| Dateityp | Zweck | Aufbewahrung |
|---|---|---|
memory/YYYY-MM-DD.md |
Erfasst tägliche Ereignisse, neue Korrekturen und lokalen Sitzungskontext. | Kurzfristig |
MEMORY.md |
Speichert dauerhafte, hochwertige Betriebsregeln und globale Standardwerte. | Permanent |
scripts/ |
Enthält Automatisierungstools zum Anwenden, Protokollieren und Melden von Lektionen. | Infrastruktur |
references/ |
Speichert Klassifizierungsmuster und Statusberichtformate. | Dokumentation |
LessonLoop Erweiterte Funktionen
- Multi-Layer Pathing: Verwendet lokale/Ollama-Modelle für kostengünstige Vorprüfungen, um Hauptmodell-tokens zu sparen.
- Promotion Guardrails: Verhindert durch einen strengen Beförderungsleitfaden, dass flüchtige Details den Langzeitspeicher verunreinigen.
- Automated Reporting: Erzeugt kompakte Berichte über Lektionsaktivitäten, um die Entwicklung des Agenten im Laufe der Zeit zu verfolgen.
- Imperative Language Synthesis: Wandelt konversationelles Feedback automatisch in 1-2-zeilige imperative Befehle um.
SKILL.md
Laden
Verwandte Openclaw-Skills
Tarot-Lese-Interpreter
Ein anspruchsvolles Tarot-Lese- und Interpretationstool basierend auf dem Rider-Waite-Smith-System für tiefe symbolische Einsichten und umsetzbare Anleitung.
Signaturely
Eine leistungsstarke Integration zur Verwaltung des Lebenszyklus von E-Signaturen, von der Dokumentenerstellung bis zur Signaturverfolgung, über das Membrane-Ökosystem.
Tencent Cloud COS Skill
Eine leistungsstarke Cloud-Speicher-Integration, die Tencent Cloud Object Storage mit fortschrittlichen AI-gesteuerten Datenverarbeitungsfunktionen kombiniert.
Meihua Yishu Wahrsagerei
Ein fortschrittliches Wahrsage-Tool basierend auf dem Shao Yong Meihua Yishu System für strategische Entscheidungsfindung unter Verwendung von I Ging Prinzipien.
Quant Risk Dashboard
Ein quantitatives Trading-Risikomanagementsystem auf Profi-Niveau mit Echtzeit-VaR-Berechnung, Stresstests und umfassender Visualisierung von Risikokennzahlen.
Quant Trading API
Eine professionelle API-Integration zur Automatisierung von Trades und Analyse von Marktdaten bei großen chinesischen Wertpapierbrokern.
Hervorgehoben*
