SkillClaw: Laat Vaardigheden Gezamenlijk Evolueren met Agentische Ontwikkelaar
SkillClaw: Let Skills Evolve Collectively with Agentic Evolver
April 9, 2026
Auteurs: Ziyu Ma, Shidong Yang, Yuxiang Ji, Xucong Wang, Yong Wang, Yiming Hu, Tongwen Huang, Xiangxiang Chu
cs.AI
Samenvatting
Grootschalige taalmodelagenten (LLM's) zoals OpenClaw vertrouwen op herbruikbare vaardigheden om complexe taken uit te voeren, maar deze vaardigheden blijven na implementatie grotendeels statisch. Hierdoor worden vergelijkbare werkstromen, toolgebruikspatronen en faalwijzen steeds opnieuw ontdekt door verschillende gebruikers, wat voorkomt dat het systeem leert van ervaring. Hoewel interacties van verschillende gebruikers complementaire signalen opleveren over wanneer een vaardigheid wel of niet werkt, ontbreekt het bestaande systemen aan een mechanisme om dergelijke heterogene ervaringen om te zetten in betrouwbare vaardigheidsupdates. Om deze problemen aan te pakken, presenteren wij SkillClaw, een raamwerk voor collectieve vaardigheidsevolutie in multi-user agent-ecosystemen, dat interacties tussen gebruikers en over tijd beschouwt als het primaire signaal voor het verbeteren van vaardigheden. SkillClaw aggregeert continu tijdens gebruik gegenereerde trajecten en verwerkt deze met een autonome 'evolver', die terugkerende gedragspatronen identificeert en deze vertaalt naar updates van de vaardighedenset door bestaande vaardigheden te verfijnen of uit te breiden met nieuwe mogelijkheden. De resulterende vaardigheden worden onderhouden in een gedeelde repository en gesynchroniseerd tussen gebruikers, waardoor verbeteringen die in één context worden ontdekt zich systeembreed kunnen verspreiden zonder extra inspanning van gebruikers. Door multi-user ervaring te integreren in doorlopende vaardigheidsupdates, maakt SkillClaw kruisende kennisoverdracht en cumulatieve capaciteitsverbetering mogelijk. Experimenten op WildClawBench tonen aan dat het, met beperkte interactie en feedback, de prestaties van Qwen3-Max in real-world agentscenario's aanzienlijk verbetert.
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.