Uma habilidade leve de endurecimento de comportamento que captura o feedback do usuário para criar regras operacionais duráveis e de alto valor para agentes de AI.
Instalar e Baixar
1. ClawHub CLI
A maneira mais rápida de instalar uma habilidade diretamente do registro.
npx clawhub@latest install lessonloop
2. Instalação Manual
Copie a pasta da habilidade para um desses locais
~/.openclaw/skills/ <project>/skills/ Prioridade: Espaço de Trabalho > Local > Integrado
3. Instalação do Prompt
Copie este prompt para o OpenClaw para instalá-lo automaticamente.
Ajude-me a instalar o lessonloop usando o Clawhub. Se o Clawhub não estiver instalado, instale-o primeiro (npm i -g clawhub).
Prefere baixar?
Obtenha os arquivos originais da habilidade em um arquivo ZIP.
O que é LessonLoop?
O LessonLoop é uma estrutura especializada dentro do ecossistema Openclaw Skills projetada para captura de experiência e endurecimento de comportamento. Ao contrário de loops de autorreflexão verbosos que drenam tokens, o LessonLoop foca em um 'caminho de decisão de baixo custo' para converter feedback explícito do usuário, correções e novas regras operacionais em instruções duráveis. Ele garante que seu agente de AI aprenda com seus erros e adira às suas preferências específicas sem sobrecarga desnecessária.
Ao alavancar uma abordagem de processamento em camadas — usando modelos locais para classificação e o modelo principal para mudanças estratégicas de regras — o LessonLoop mantém um perfil de memória enxuto. Ele preenche a lacuna entre a conversa transitória e a personalidade do agente a longo prazo, garantindo que, uma vez estabelecida uma regra, ela permaneça como uma restrição rígida para interações futuras.
Casos de uso do LessonLoop
- Instruir explicitamente o agente a lembrar de uma preferência específica de formatação ou tom.
- Corrigir um erro repetido para garantir que o agente evite esse padrão específico no futuro.
- Estabelecer novas regras operacionais para controle de custos, roteamento ou uso de ferramentas.
- Promover comportamentos experimentais para o MEMORY.md de longo prazo após a validação do usuário.
Como o LessonLoop funciona
- Trigger Check: A habilidade só é ativada quando o usuário fornece feedback corretivo explícito ou solicita que o agente lembre de uma regra específica.
- Classification: O feedback é categorizado em um de quatro baldes: Preferência, Regra, Erro ou Prioridade.
- Tiered Processing: Um modelo local realiza uma verificação de primeira passagem para comprimir a lição, escalando para o modelo principal apenas para mudanças de regras de alto risco.
- Storage Decision: O sistema grava na memória diária para contexto de curto prazo ou promove para o MEMORY.md global se a lição for durável.
- Immediate Application: O agente adapta seu comportamento na sessão atual imediatamente após a atualização da memória.
Configuração do LessonLoop
Para integrar o LessonLoop em seu ambiente, certifique-se de ter os scripts python necessários em seu caminho local. Você pode inicializar o processo de captura usando o seguinte 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 Dados e Taxonomia de LessonLoop
O LessonLoop organiza os dados em uma estrutura hierárquica para evitar o inchaço da memória, mantendo a precisão técnica:
| Tipo de Arquivo | Propósito | Retenção |
|---|---|---|
memory/YYYY-MM-DD.md |
Captura eventos diários, correções recentes e contexto de sessão local. | Curto prazo |
MEMORY.md |
Armazena regras operacionais duráveis e de alto valor e padrões globais. | Permanente |
scripts/ |
Contém ferramentas de automação para aplicar, registrar e relatar lições. | Infraestrutura |
references/ |
Armazena padrões de classificação e formatos de relatório de status. | Documentação |
Recursos avançados do LessonLoop
- Multi-Layer Pathing: Usa modelos locais/Ollama para verificações prévias de baixo custo para economizar tokens do modelo principal.
- Promotion Guardrails: Evita que detalhes transitórios poluam a memória de longo prazo através de um guia de promoção rigoroso.
- Automated Reporting: Gera relatórios compactos de atividade de lições para rastrear a evolução do agente ao longo do tempo.
- Imperative Language Synthesis: Converte automaticamente o feedback conversacional em comandos imperativos de 1 a 2 linhas.
SKILL.md
Carregamento
Habilidades relacionadas do Openclaw
Interpretador de Leitura de Tarot
Uma ferramenta sofisticada de leitura e interpretação de tarot baseada no sistema Rider-Waite-Smith para insights simbólicos profundos e orientações práticas.
Signaturely
Uma integração poderosa para gerenciar o ciclo de vida de assinaturas eletrônicas, desde a criação do documento até o rastreamento da assinatura, via ecossistema Membrane.
Skill Tencent Cloud COS
Uma poderosa integração de armazenamento em nuvem que combina o Tencent Cloud Object Storage com recursos avançados de processamento de dados orientados por AI.
Adivinhação Meihua Yishu
Uma ferramenta de adivinhação avançada baseada no sistema Shao Yong Meihua Yishu para tomada de decisão estratégica usando princípios do I Ching.
Quant Risk Dashboard
Um sistema de gestão de risco de trading quantitativo de nível profissional com cálculo de VaR em tempo real, testes de estresse e visualização abrangente de métricas de risco.
Quant Trading API
Uma integração de API de nível profissional para automatizar negociações e analisar dados de mercado nas principais corretoras de títulos chinesas.
Apresentou*
