SkillClaw: 에이전트 기반 진화자와 함께 기술을 집단적으로 진화시키다

초록

OpenClaw와 같은 대규모 언어 모델(LLM) 에이전트는 복잡한 작업을 수행하기 위해 재사용 가능한 스킬에 의존하지만, 이러한 스킬은 배포 후 대체로 정적인 상태로 유지됩니다. 그 결과 유사한 워크플로우, 도구 사용 패턴, 실패 모드가 사용자들 사이에서 반복적으로 재발견되어 시스템이 경험을 통해 개선되는 것을 방해합니다. 서로 다른 사용자들의 상호작용은 스킬이 언제 작동하거나 실패하는지에 대한 상호 보완적인 신호를 제공하지만, 기존 시스템에는 이러한 이질적인 경험을 신뢰할 수 있는 스킬 업데이트로 전환하는 메커니즘이 부족합니다. 이러한 문제를 해결하기 위해 우리는 다중 사용자 에이전트 생태계에서의 집단적 스킬 진화를 위한 프레임워크인 SkillClaw를 제시합니다. SkillClaw는 사용자 간 및 시간 경과에 따른 상호작용을 스킬 개선의 주요 신호로 간주합니다. SkillClaw는 사용 중 생성된 궤적을 지속적으로 집계하고 자율 진화기로 처리하여 반복되는 행동 패턴을 식별하고, 이를 기존 스킬을 개선하거나 새로운 기능으로 확장하여 스킬 세트에 대한 업데이트로 변환합니다. 결과 스킬은 공유 저장소에 유지되고 사용자 간에 동기화되어, 하나의 상황에서 발견된 개선 사항이 사용자의 추가 노력 없이도 시스템 전체로 전파되도록 합니다. 다중 사용자 경험을 지속적인 스킬 업데이트에 통합함으로써, SkillClaw는 사용자 간 지식 전달과 누적적 역량 향상을 가능하게 하며, WildClawBench에서의 실험 결과 제한된 상호작용과 피드백만으로도 실제 에이전트 시나리오에서 Qwen3-Max의 성능을 크게 향상시키는 것으로 나타났습니다.

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.

SkillClaw: 에이전트 기반 진화자와 함께 기술을 집단적으로 진화시키다

SkillClaw: Let Skills Evolve Collectively with Agentic Evolver

초록

Support