SkillClaw: Deja que las Habilidades Evolucionen Colectivamente con el Agente Evolucionador
SkillClaw: Let Skills Evolve Collectively with Agentic Evolver
April 9, 2026
Autores: Ziyu Ma, Shidong Yang, Yuxiang Ji, Xucong Wang, Yong Wang, Yiming Hu, Tongwen Huang, Xiangxiang Chu
cs.AI
Resumen
Los agentes de modelos de lenguaje grande (LLM) como OpenClaw dependen de habilidades reutilizables para realizar tareas complejas, pero estas habilidades permanecen en gran medida estáticas después de su implementación. Como resultado, flujos de trabajo similares, patrones de uso de herramientas y modos de fallo se redescubren repetidamente entre distintos usuarios, lo que impide que el sistema mejore con la experiencia. Si bien las interacciones de diferentes usuarios proporcionan señales complementarias sobre cuándo una habilidad funciona o falla, los sistemas existentes carecen de un mecanismo para convertir dichas experiencias heterogéneas en actualizaciones confiables de habilidades. Para abordar estos problemas, presentamos SkillClaw, un marco para la evolución colectiva de habilidades en ecosistemas de agentes multi-usuario, que trata las interacciones cruzadas entre usuarios y a lo largo del tiempo como la señal principal para mejorar las habilidades. SkillClaw agrega continuamente las trayectorias generadas durante el uso y las procesa con un evolucionador autónomo, que identifica patrones de comportamiento recurrentes y los traduce en actualizaciones del conjunto de habilidades mediante el refinamiento de habilidades existentes o su extensión con nuevas capacidades. Las habilidades resultantes se mantienen en un repositorio compartido y se sincronizan entre los usuarios, permitiendo que las mejoras descubiertas en un contexto se propaguen por todo el sistema sin requerir esfuerzo adicional por parte de los usuarios. Al integrar la experiencia multi-usuario en las actualizaciones continuas de habilidades, SkillClaw permite la transferencia de conocimiento entre usuarios y una mejora acumulativa de capacidades. Los experimentos en WildClawBench demuestran que, con una interacción y retroalimentación limitadas, mejora significativamente el rendimiento de Qwen3-Max en escenarios de agentes del mundo real.
English
Large language model (LLM) agents such as OpenClaw rely on reusable skills to perform complex tasks, yet these skills remain largely static after deployment. As a result, similar workflows, tool usage patterns, and failure modes are repeatedly rediscovered across users, preventing the system from improving with experience. While interactions from different users provide complementary signals about when a skill works or fails, existing systems lack a mechanism to convert such heterogeneous experiences into reliable skill updates. To address these issues, we present SkillClaw, a framework for collective skill evolution in multi-user agent ecosystems, which treats cross-user and over-time interactions as the primary signal for improving skills. SkillClaw continuously aggregates trajectories generated during use and processes them with an autonomous evolver, which identifies recurring behavioral patterns and translates them into updates to the skill set by refining existing skills or extending them with new capabilities. The resulting skills are maintained in a shared repository and synchronized across users, allowing improvements discovered in one context to propagate system-wide while requiring no additional effort from users. By integrating multi-user experience into ongoing skill updates, SkillClaw enables cross-user knowledge transfer and cumulative capability improvement, and experiments on WildClawBench show that limited interaction and feedback, it significantly improves the performance of Qwen3-Max in real-world agent scenarios.