Un bucle de autoinvestigación autónomo que permite a los agentes de AI proponer, probar e integrar sus propias mejoras conductuales y técnicas.
Instalar y Descargar
1. ClawHub CLI
La forma más rápida de instalar una habilidad directamente desde el registro.
npx clawhub@latest install agent-autoresearch
2. Instalación manual
Copia la carpeta de la habilidad a una de estas ubicaciones
~/.openclaw/skills/ <project>/skills/ Prioridad: Espacio de trabajo > Local > Integrado
3. Instalación del prompt
Copia este prompt en OpenClaw para instalarlo automáticamente.
Ayúdame a instalar agent-autoresearch usando Clawhub. Si Clawhub no está instalado, instálalo primero (npm i -g clawhub).
¿Prefieres descargar?
Obtén los archivos originales de la habilidad en un archivo ZIP.
¿Qué es Agent Autoresearch?
Agent Autoresearch es un marco sofisticado diseñado para la evolución continua del agente, inspirado en las ideas de Andrej Karpathy sobre la optimización autónoma. Funciona con un presupuesto de tiempo fijo, permitiendo que un agente modifique su propio código base, scripts o directivas SOUL.md para medir las ganancias de rendimiento. Al tratar el espacio de trabajo del agente como un sustrato de experimento, esta skill facilita un enfoque científico para el crecimiento del agente.
Como componente principal de Openclaw Skills, esta herramienta garantiza que los agentes no sean entidades estáticas sino sistemas en evolución. El bucle se centra en datos medibles, asegurando que solo las mejoras verificadas se integren en la identidad permanente del agente, mientras que las regresiones se descartan sistemáticamente. Esto crea un entorno de alta confianza para el desarrollo autónomo.
Casos de uso de Agent Autoresearch
- Optimización de los patrones de respuesta del agente y el tono conversacional para una mejor interacción con el usuario.
- Automatización de la creación y prueba de nuevos scripts de workflow y flujos de notificación.
- Refinamiento de la gestión de memoria interna y las convenciones operativas diarias en MEMORY.md.
- Mejora de las tasas de finalización de tareas mediante la evolución de la lógica de validación y el manejo de errores.
- Ajuste continuo del rendimiento de los agentes autónomos durante las horas libres o periodos de baja actividad.
Cómo funciona Agent Autoresearch
- El agente propone una mutación específica en un archivo de su propiedad, como un script o una directiva de comportamiento.
- Se establece una métrica de baseline utilizando prepare.py para asegurar que haya un grupo de control para el experimento.
- El agente implementa el cambio propuesto y ejecuta una fase de medición para recopilar nuevos datos de rendimiento.
- El script analyze.py calcula un veredicto (KEEP, KILL o MODIFY) basado en si la mejora supera el umbral definido.
- Si el veredicto es KEEP, evolve.py integra la mutación en los archivos principales del agente; de lo contrario, el cambio se revierte.
- El ciclo se repite, permitiendo mejoras compuestas a lo largo del tiempo.
Configuración de Agent Autoresearch
Prerequisites
Asegúrese de tener una baseline de al menos 10 mediciones antes de comenzar los experimentos con Openclaw Skills.
Installation & Initialization
# 1. Establish your baseline metrics (e.g., task completion rate)
python3 prepare.py --metric task_completion_rate --baseline 0.75
# 2. Review the experiment instructions
cat program.md
# 3. Monitor the current experiment status
python3 prepare.py --status
Esquema de datos y taxonomía de Agent Autoresearch
La skill mantiene un directorio estructurado para rastrear la evolución y el historial de experimentos:
| File/Folder | Purpose |
|---|---|
baseline.json |
Almacena las métricas de rendimiento actuales y la baseline de la estrategia. |
results.tsv |
Un registro de solo anexar de cada experimento realizado. |
experiments\/active.md |
Rastrea el estado y los datos del experimento que se está ejecutando actualmente. |
experiments\/archive\/ |
Un repositorio de experimentos completados para análisis histórico. |
experiments\/meta.json |
Contiene metadatos como IDs de experimentos y rachas de fallos actuales. |
Funciones avanzadas de Agent Autoresearch
- Lógica de Veredicto Automatizada: Utiliza umbrales matemáticos (por ejemplo, +/- 10%) para eliminar el sesgo humano del proceso de mejora.
- Guardrails de Seguridad: Protección codificada para reglas de seguridad, constituciones y límites de seguridad para evitar mutaciones no autorizadas.
- Protección contra Racha de Fallos: Pausa automáticamente el bucle después de 3 experimentos fallidos consecutivos para solicitar la intervención humana.
- Soporte Multi-Métrica: Capacidad para rastrear y optimizar la velocidad, calidad, autonomía o métricas específicas de la misión personalizadas.
- Listo para la Integración: Funciona a la perfección con otras Openclaw Skills para expandir las capacidades del agente de forma autónoma.
SKILL.md
Cargando
Habilidades relacionadas de Openclaw
Devil's Advocate
Una habilidad de mejora cognitiva que obliga a los agentes de IA a participar en debates internos de pros y contras para garantizar resultados de alta calidad y equilibrados.
clip-path-generate
Una herramienta especializada para generar valores precisos de CSS clip-path para formas y diseños complejos.
Calculadora CIDR
Una utilidad de red integral para calcular parámetros de subred, rangos de host y clasificaciones de IP a partir de la notación CIDR.
Sci-Hub Downloader
Una utilidad de línea de comandos optimizada para Openclaw Skills que recupera artículos académicos de múltiples fuentes de Acceso Abierto y bibliotecas en la sombra.
Guía de Barbacoas de Moda
Una habilidad de AI especializada que proporciona recomendaciones seleccionadas, datos de colas en tiempo real y rutas de viaje optimizadas para destinos de barbacoa populares.
Case Convert
Una herramienta versátil de transformación de texto que convierte cadenas en 15 estilos de mayúsculas y minúsculas diferentes para código, documentación y formato creativo.
Presentado*
