MetaClaw： Just Talk – An Agent That Meta-Learns and Evolves in the Wild

MetaClaw 论文核心总结 + 关键章节中英对照

一、文章核心内容速览

这篇论文提出MetaClaw，一个面向实际部署环境的大模型智能体持续元学习框架，解决已部署LLM智能体静态固化、无法随用户需求持续进化、重训练导致服务中断等痛点，通过双时间尺度自适应机制让智能体在真实使用中自主学习、持续进化，无需本地GPU即可适配生产级大模型。

1. 核心解决问题

• 已部署LLM智能体训练后固定不变，无法适配动态变化的用户任务分布，能力逐渐过时。
• 现有方法缺陷：仅存原始轨迹无法提炼可迁移知识、技能库静态不与权重优化协同、重训练导致服务停机。
• 强化学习更新存在过时奖励污染问题，旧技能轨迹数据干扰新策略优化。

2. 整体工作流程

MetaClaw维护元模型M=(θ, S)（θ为基础LLM策略权重，S为动态技能库），通过两大互补机制持续优化：

1. 技能驱动快速适配：分析失败轨迹，用LLM生成新行为指令，即时注入提示词，零停机生效，不修改模型权重。
2. 机会主义策略优化：通过OMLS调度器