Un motor de reflexión minimalista e integrable que permite a los agentes de IA analizar decisiones pasadas y detectar bucles de razonamiento para la mejora continua.
Instalar y Descargar
1. ClawHub CLI
La forma más rápida de instalar una habilidad directamente desde el registro.
npx clawhub@latest install agent-memory-reflector
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-memory-reflector 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 Memory Reflector?
Agent Memory Reflector actúa como un depurador sofisticado para la cognición del agente. Proporciona un marco estructurado para que los agentes de IA examinen sus propias interacciones históricas, permitiéndoles identificar patrones de éxito o fracaso en sus procesos de razonamiento. Al integrar esta herramienta en tu colección de Openclaw Skills, dotas a tus agentes autónomos de la autoconciencia necesaria para refinar su lógica y generar perspectivas accionables para tareas futuras.
Este motor es particularmente valioso para flujos de trabajo complejos de múltiples pasos donde los agentes podrían, de otro modo, caer en bucles repetitivos o toma de decisiones inconsistentes. Al formalizar el proceso de reflexión, los desarrolladores pueden asegurar que sus implementaciones de IA se vuelvan más fiables y eficientes con el tiempo.
Casos de uso de Agent Memory Reflector
- Identificar y romper bucles de razonamiento recursivo en planificadores de tareas autónomos.
- Analizar las puntuaciones de confianza del agente frente a la calidad real de la salida para calibrar el rendimiento.
- Generar informes automatizados de post-mortem para orquestaciones complejas de múltiples agentes.
- Auditar el historial de toma de decisiones para asegurar el cumplimiento de restricciones de seguridad o lógica predefinidas.
Cómo funciona Agent Memory Reflector
- El agente registra cada interacción, incluyendo el prompt específico, la respuesta generada y los metadatos asociados (como niveles de confianza y fuentes de contexto).
- El motor de reflexión almacena estos registros de interacción en un formato estructurado para un análisis longitudinal.
- Al activar el comando de reflexión, el motor analiza los datos históricos para detectar inconsistencias, lógica circular o tendencias decrecientes de confianza.
- El sistema genera un informe de reflexión integral que contiene recomendaciones específicas para que el agente ajuste sus estrategias de razonamiento futuras.
Configuración de Agent Memory Reflector
Para integrar este componente en tu ecosistema existente de Openclaw Skills, sigue estos pasos de CLI:
# Registrar una interacción específica para análisis posterior
python agent_memory_reflector.py --agent "your_agent_name" \
--prompt "Input prompt text" \
--response "Agent output text" \
--meta '{"confidence":0.9, "retrieved_context":true}'
# Generar el informe de reflexión y auto-mejora
python agent_memory_reflector.py --agent "your_agent_name" --reflect
Esquema de datos y taxonomía de Agent Memory Reflector
La skill organiza registros de interacción y metadatos cognitivos usando una taxonomía clara para asegurar una salida de reflexión de alta calidad:
| Campo | Descripción | Tipo |
|---|---|---|
agent |
Identificador único para la versión específica del agente de IA | String |
prompt |
La entrada o instrucción original proporcionada al agente | String |
response |
La salida final generada por el agente | String |
meta |
Objeto JSON que contiene confianza, banderas de contexto y latencia | JSON |
reflection_report |
Análisis generado que destaca patrones de razonamiento | Markdown |
Funciones avanzadas de Agent Memory Reflector
- Soporte multi-agente para comparar el rendimiento entre diferentes versiones de modelos (por ejemplo, comparar task_planner_v2 vs v3).
- Perspectivas basadas en metadatos que ponderan la reflexión según umbrales de confianza personalizados.
- Generación de perspectivas accionables que pueden ser canalizadas directamente de vuelta al prompt del sistema del agente para una auto-corrección inmediata.
- Arquitectura ligera e integrable diseñada para funcionar perfectamente con otras Openclaw Skills.
SKILL.md
Cargando
Habilidades relacionadas de Openclaw
Agent Economy
Agent Economy es un wrapper de meta-skill que permite pagos automatizados en USDC en la blockchain para interacciones de agentes de IA utilizando el protocolo x402.
Tutor Video
Un agente de edición de video impulsado por IA que convierte material bruto en videos tutoriales pulidos y estructurados con subtítulos automáticos y títulos de capítulos.
Clip Assistant
Un editor de video de IA basado en la nube que convierte grabaciones brutas en clips editados de 1080p utilizando instrucciones de texto simples.
Generador de subtítulos multimedia
Una habilidad de procesamiento de video impulsada por IA que genera subtítulos para videos de 1080p utilizando comandos en lenguaje natural.
Uncensored AI Image to Video
Un motor de animación por IA sin restricciones que transforma imágenes estáticas en videoclips MP4 de alta definición a 1080p mediante renderizado GPU en la nube.
VPS Guardian
Un agente de autocuración autónomo que monitorea la salud del VPS y remedia automáticamente los problemas del sistema sin intervención humana.
Presentado*
