Una habilidad ligera de refuerzo del comportamiento que captura los comentarios del usuario para crear reglas operativas duraderas y de alto valor para los agentes de IA.
Instalar y Descargar
1. ClawHub CLI
La forma más rápida de instalar una habilidad directamente desde el registro.
npx clawhub@latest install lessonloop
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 lessonloop 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 LessonLoop?
LessonLoop es un marco especializado dentro del ecosistema de Openclaw Skills diseñado para la captura de experiencias y el refuerzo del comportamiento. A diferencia de los prolijos bucles de autorreflexión que agotan los tokens, LessonLoop se centra en una 'ruta de decisión de bajo coste' para convertir los comentarios explícitos de los usuarios, las correcciones y las nuevas reglas operativas en instrucciones duraderas. Garantiza que su agente de IA aprenda de sus errores y se adhiera a sus preferencias específicas sin una sobrecarga innecesaria.
Al aprovechar un enfoque de procesamiento por niveles (utilizando modelos locales para la clasificación y el modelo principal para los cambios de reglas estratégicos), LessonLoop mantiene un perfil de memoria ajustado. Cierra la brecha entre la conversación transitoria y la personalidad del agente a largo plazo, asegurando que, una vez establecida una regla, siga siendo una restricción estricta para futuras interacciones.
Casos de uso de LessonLoop
- Indicar explícitamente al agente que recuerde una preferencia de formato o tono específica.
- Corregir un error repetido para garantizar que el agente evite ese patrón específico en el futuro.
- Establecer nuevas reglas operativas para el control de costes, el enrutamiento o el uso de herramientas.
- Promover comportamientos experimentales a MEMORY.md a largo plazo tras la validación del usuario.
Cómo funciona LessonLoop
- Trigger Check: La habilidad solo se activa cuando el usuario proporciona comentarios correctivos explícitos o solicita al agente que recuerde una regla específica.
- Classification: Los comentarios se categorizan en uno de cuatro cubos: Preferencia, Regla, Error o Prioridad.
- Tiered Processing: Un modelo local realiza una comprobación de primera pasada para comprimir la lección, escalando al modelo principal solo para cambios de reglas de alto riesgo.
- Storage Decision: El sistema escribe en la memoria diaria para el contexto a corto plazo o lo promueve al MEMORY.md global si la lección es duradera.
- Immediate Application: El agente adapta su comportamiento dentro de la sesión actual inmediatamente después de que se actualice la memoria.
Configuración de LessonLoop
Para integrar LessonLoop en su entorno, asegúrese de tener los scripts de python necesarios en su ruta local. Puede inicializar el proceso de captura utilizando el siguiente comando:
# 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
Esquema de datos y taxonomía de LessonLoop
LessonLoop organiza los datos en una estructura jerárquica para evitar la saturación de la memoria manteniendo la precisión técnica:
| Tipo de archivo | Propósito | Retención |
|---|---|---|
memory/YYYY-MM-DD.md |
Captura eventos diarios, correcciones recientes y contexto de sesión local. | Corto plazo |
MEMORY.md |
Almacena reglas operativas duraderas y de alto valor y valores predeterminados globales. | Permanente |
scripts/ |
Contiene herramientas de automatización para aplicar, registrar e informar sobre las lecciones. | Infraestructura |
references/ |
Almacena patrones de clasificación y formatos de informes de estado. | Documentación |
Funciones avanzadas de LessonLoop
- Multi-Layer Pathing: Utiliza modelos locales/Ollama para comprobaciones previas de bajo coste para ahorrar tokens del modelo principal.
- Promotion Guardrails: Evita que los detalles transitorios contaminen la memoria a largo plazo a través de una guía de promoción estricta.
- Automated Reporting: Genera informes compactos de la actividad de las lecciones para realizar un seguimiento de la evolución del agente a lo largo del tiempo.
- Imperative Language Synthesis: Convierte automáticamente los comentarios conversacionales en comandos imperativos de 1 a 2 líneas.
SKILL.md
Cargando
Habilidades relacionadas de Openclaw
Intérprete de Lectura de Tarot
Una sofisticada herramienta de lectura e interpretación de tarot basada en el sistema Rider-Waite-Smith para una profunda visión simbólica y una guía práctica.
Signaturely
Una potente integración para gestionar el ciclo de vida de las firmas electrónicas, desde la creación del documento hasta el seguimiento de la firma, a través del ecosistema Membrane.
Habilidad Tencent Cloud COS
Una potente integración de almacenamiento en la nube que combina Tencent Cloud Object Storage con capacidades avanzadas de procesamiento de datos impulsadas por AI.
Adivinación Meihua Yishu
Una herramienta de adivinación avanzada basada en el sistema Shao Yong Meihua Yishu para la toma de decisiones estratégicas utilizando los principios del I Ching.
Quant Risk Dashboard
Un sistema de gestión de riesgos de trading cuantitativo de nivel profesional que cuenta con cálculo de VaR en tiempo real, pruebas de estrés y visualización integral de métricas de riesgo.
Quant Trading API
Una integración de API de nivel profesional para automatizar operaciones y analizar datos de mercado en los principales brokers de valores chinos.
Presentado*
