Parla con il tuo agente, lui impara e si EVOLVE.

Ispirato al modo in cui il cervello apprende. Meta-apprendi e fai evolvere il tuo 🦞 da ogni conversazione reale. Nessuna GPU necessaria. Funziona con Kimi, Qwen, Claude, MiniMax e altri.

🇺🇸 English • 🇨🇳 中文 • 🇯🇵 日本語 • 🇰🇷 한국어 • 🇫🇷 Français • 🇩🇪 Deutsch • 🇪🇸 Español • 🇧🇷 Português • 🇷🇺 Русский • 🇻🇳 Tiếng Việt • 🇸🇦 العربية • 🇮🇳 हिन्दी

Panoramica • Avvio Rapido • Configurazione • Modalita Skills • Modalita RL • Modalita Auto • Citazione

Due comandi. Tutto qui.

metaclaw setup              # configurazione guidata iniziale
metaclaw start              # predefinito: modalita auto, Skill + addestramento RL programmato
metaclaw start --mode rl    # RL senza scheduler (addestra immediatamente a batch completo)
metaclaw start --mode skills_only  # solo Skill, nessun RL (Tinker non necessario)

🔥 Novita

[11/04/2026] v0.4.1 — Ingestione memoria incrementale: il livello di memoria ora estrae e persiste i turni ogni N turni (default 5) invece di attendere la fine della sessione, riducendo il blackout di memoria a metà sessione. Aggiunge i nuovi endpoint sidecar /buffer_turn e /flush_session, un harness di benchmark con il flag --buffer-turns e report di confronto esperimenti.
[25/03/2026] v0.4.0 — Contexture layer: MetaClaw ora persiste la memoria tra le sessioni per utenti e progetti. Fatti rilevanti, preferenze e cronologia del progetto vengono recuperati automaticamente e iniettati nei prompt. Include una politica di memoria adattiva, consolidamento in background e un servizio sidecar per la memoria opzionale.
[16/03/2026] v0.3.2 Supporto multi-Claw: IronClaw, PicoClaw, ZeroClaw, CoPaw, NanoClaw e NemoClaw ora supportati insieme a OpenClaw. NanoClaw tramite il nuovo endpoint compatibile Anthropic /v1/messages; NemoClaw tramite routing di inferenza OpenShell. OpenRouter aggiunto come piattaforma LLM.
[13/03/2026] v0.3.1 Supporto backend MinT: l'addestramento RL ora funziona sia con Tinker che con MinT. Configurabile tramite rl.backend (auto/tinker/mint).
[13/03/2026] v0.3 Supporto al meta-apprendimento continuo: gli aggiornamenti RL lenti vengono eseguiti solo durante le ore di sonno, i periodi di inattivita o le riunioni di Google Calendar. Aggiunta la separazione tra set support/query per evitare che segnali di ricompensa obsoleti inquinino gli aggiornamenti del modello.
[11/03/2026] v0.2 Deploy con un click tramite la CLI metaclaw. Le Skill sono attive per impostazione predefinita, l'RL e ora opzionale.
[09/03/2026] Rilascio ufficiale di MetaClaw. Parla con il tuo agente e lascia che si evolva automaticamente. Nessuna GPU necessaria, basta collegarsi alla API.

🎥 Demo

video_v2_compressed.mp4

📖 Panoramica

MetaClaw e un agente che meta-apprende e si evolve in scenari reali. Parla con il tuo agente come faresti normalmente. MetaClaw trasforma ogni conversazione in tempo reale in un segnale di apprendimento, consentendo all'agente di migliorare continuamente attraverso il deploy nel mondo reale, non solo con l'addestramento offline.

Sotto il cofano, posiziona il tuo modello dietro un proxy compatibile con OpenAI (con un endpoint compatibile Anthropic /v1/messages per agenti come NanoClaw) che intercetta le interazioni da OpenClaw, NanoClaw, NemoClaw e altri agenti supportati, inietta le Skill pertinenti ad ogni turno e meta-apprende dall'esperienza accumulata. Le Skill vengono riassunte automaticamente dopo ogni sessione; con l'RL attivato, uno scheduler di meta-apprendimento posticipa gli aggiornamenti dei pesi alle finestre di inattivita, in modo che l'agente non venga mai interrotto durante l'uso attivo.

Nessun cluster GPU necessario. MetaClaw funziona con qualsiasi API LLM compatibile con OpenAI, e utilizza un backend compatibile con Tinker per l'addestramento LoRA nel cloud. Tinker e il percorso di riferimento predefinito, e MinT o Weaver possono essere abilitati tramite pacchetti di compatibilita separati quando necessario.

🤖 Funzionalita Principali

Deploy con un click

Configura una sola volta con metaclaw setup, poi metaclaw start avvia il proxy, inietta le Skill e collega OpenClaw automaticamente. Nessuno script shell manuale necessario.

Tre modalita operative

Modalita	Predefinita	Descrizione
`skills_only`		Proxy verso la tua API LLM. Skill iniettate e riassunte automaticamente dopo ogni sessione. Nessuna GPU / Tinker necessaria.
`rl`		Skill + addestramento RL (GRPO). Addestra immediatamente quando il batch e pieno. OPD opzionale per la distillazione teacher.
`auto`	✅	Skill + RL + scheduler intelligente. Gli aggiornamenti dei pesi RL vengono eseguiti solo durante le finestre di sonno/inattivita/riunioni.

Memoria a lungo termine

MetaClaw può conservare fatti, preferenze e cronologia del progetto tra le sessioni e iniettare contesto pertinente a ogni turno — così il tuo agente ricorda ciò che gli hai detto, anche settimane dopo.

Completamente asincrono per design

Serving, reward modeling e addestramento sono completamente disaccoppiati. L'agente continua a rispondere mentre lo scoring e l'ottimizzazione vengono eseguiti in parallelo.

🚀 Avvio Rapido

1. Installazione

OpenClaw (installazione con un clic): usa la release v0.4.0 — esegui i comandi qui sotto, poi metaclaw setup e metaclaw start. Maggiori dettagli (Windows, mirror, configurazione, risoluzione dei problemi): extensions/metaclaw-openclaw/README.md.

curl -LO https://github.com/aiming-lab/MetaClaw/releases/download/v0.4.0/metaclaw-plugin.zip
unzip metaclaw-plugin.zip -d ~/.openclaw/extensions
openclaw plugins enable metaclaw-openclaw && openclaw gateway restart

pip (PyPI or this repo):

pip install -e .                        # modalita skills_only (leggera)
pip install -e ".[rl]"                  # + supporto addestramento RL (torch, transformers, tinker)
pip install -e ".[evolve]"              # + evoluzione Skill tramite LLM compatibile OpenAI
pip install -e ".[scheduler]"           # + integrazione Google Calendar per lo scheduler
pip install -e ".[rl,evolve,scheduler]" # consigliato per la configurazione completa RL + scheduler

(Opzionale) L'integrazione WeChat utilizza il plugin ufficiale @tencent-weixin/openclaw-weixin. MetaClaw lo installa automaticamente quando WeChat è abilitato:

metaclaw config wechat.enabled true
metaclaw start

Il plugin viene installato automaticamente all'avvio di MetaClaw. Puoi anche installarlo manualmente:

npx -y @tencent-weixin/openclaw-weixin-cli@latest install

Per cambiare account WeChat (accedere di nuovo con un nuovo codice QR):

metaclaw start --wechat-relogin

Se vuoi usare rl.backend=mint, installa separatamente il pacchetto di compatibilita MinT nello stesso ambiente, ad esempio mindlab-toolkit. Per rl.backend=weaver, installa separatamente nex-weaver. MetaClaw mantiene queste dipendenze fuori dal pacchetto predefinito, cosi gli utenti RL possono scegliere esplicitamente tra Tinker, MinT e Weaver.

2. Configurazione

metaclaw setup

La procedura guidata interattiva ti chiederà di:

Scegliere il tuo agente personale — openclaw, copaw, ironclaw, picoclaw, zeroclaw, nanoclaw, nemoclaw o none (MetaClaw lo configura all'avvio)
Scegliere il provider LLM — Kimi, Qwen, OpenAI, Volcano Engine o personalizzato
Inserire la tua API key e facoltativamente abilitare l'addestramento RL

Il percorso RL di MetaClaw puo commutare esplicitamente tra tinker, mint e weaver. auto e il valore predefinito consigliato e inferira comunque MinT o Weaver da credenziali o base URL corrispondenti quando i pacchetti sono installati.

Tinker:

metaclaw config rl.backend tinker
metaclaw config rl.api_key sk-...
metaclaw config rl.model moonshotai/Kimi-K2.5

MinT:

metaclaw config rl.backend mint
metaclaw config rl.api_key sk-mint-...
metaclaw config rl.base_url https://mint.macaron.xin/
metaclaw config rl.model Qwen/Qwen3-4B-Instruct-2507

Weaver:

metaclaw config rl.backend weaver
metaclaw config rl.api_key sk-...
metaclaw config rl.base_url https://weaver-console.nex-agi.cn
metaclaw config rl.model Qwen/Qwen3-8B

Gli alias legacy rl.tinker_api_key e rl.tinker_base_url sono ancora accettati per compatibilita con le versioni precedenti.

3. Avvio

metaclaw start

Fatto. MetaClaw avvia il proxy, configura automaticamente l'agente personale scelto e riavvia il gateway. Apri l'agente e inizia a chattare — le skill vengono iniettate a ogni turno e la sessione viene riassunta automaticamente in nuove skill al termine.

⚙️ Configurazione

La configurazione si trova in ~/.metaclaw/config.yaml, creata da metaclaw setup.

Comandi CLI:

metaclaw setup                  # Procedura guidata di configurazione iniziale
metaclaw start                  # Avvia MetaClaw (predefinito: modalita auto)
metaclaw start --mode rl        # Forza la modalita RL (senza scheduler) per questa sessione
metaclaw start --mode skills_only  # Forza la modalita solo Skill per questa sessione
metaclaw stop                   # Ferma un'istanza MetaClaw in esecuzione
metaclaw status                 # Controlla lo stato del proxy, la modalita e lo scheduler
metaclaw config show            # Visualizza la configurazione corrente
metaclaw config KEY VALUE       # Imposta un valore di configurazione
metaclaw config llm.oauth_token TOKEN               # Memorizza token OAuth per il provider CLI corrente
metaclaw auth paste-token --provider anthropic      # Memorizza token OAuth (anthropic | openai-codex | gemini)
metaclaw auth status                                # Mostra tutti i profili di autenticazione memorizzati
metaclaw uninstall              # Rimuovi tutti i dati MetaClaw, estensione OpenClaw e pacchetto pip

Usa metaclaw status per verificare la disponibilita e metaclaw stop per arrestare il processo.

Riferimento completo della configurazione (clicca per espandere)

mode: auto                 # "auto" | "rl" | "skills_only"
claw_type: openclaw        # "openclaw" | "copaw" | "ironclaw" | "picoclaw" | "zeroclaw" | "nanoclaw" | "nemoclaw" | "hermes" | "none"

llm:
  auth_method: api_key      # "api_key" | "oauth_token"
  provider: kimi            # kimi | qwen | openai | minimax | novita | openrouter | volcengine | custom
  model_id: moonshotai/Kimi-K2.5
  api_base: https://api.moonshot.cn/v1
  api_key: sk-...
  # esempio oauth_token (token memorizzato con `metaclaw auth paste-token`):
  # auth_method: oauth_token
  # provider: anthropic     # anthropic | openai-codex | gemini
  # model_id: claude-sonnet-4-6

proxy:
  port: 30000
  api_key: ""              # opzionale: bearer token per il proxy MetaClaw locale

skills:
  enabled: true
  dir: ~/.metaclaw/skills   # la tua libreria di Skill
  retrieval_mode: template  # template | embedding
  top_k: 6
  task_specific_top_k: 10   # limite Skill specifiche per task (predefinito 10)
  auto_evolve: true         # riepilogo automatico delle Skill dopo ogni sessione

rl:
  enabled: false            # impostare su true per abilitare l'addestramento RL
  backend: auto             # "auto" | "tinker" | "mint" | "weaver"
  model: moonshotai/Kimi-K2.5
  api_key: ""
  base_url: ""              # endpoint backend opzionale, es. https://mint.macaron.xin/ per MinT o https://weaver-console.nex-agi.cn per Weaver
  tinker_api_key: ""        # alias legacy per api_key
  tinker_base_url: ""       # alias legacy per base_url
  prm_url: https://api.openai.com/v1
  prm_model: gpt-5.2
  prm_api_key: ""
  lora_rank: 32
  batch_size: 4
  resume_from_ckpt: ""      # opzionale: percorso checkpoint per riprendere l'addestramento
  evolver_api_base: ""      # lasciare vuoto per riutilizzare llm.api_base
  evolver_api_key: ""
  evolver_model: gpt-5.2

opd:
  enabled: false            # impostare su true per abilitare OPD (distillazione teacher)
  teacher_url: ""           # base URL del modello teacher (OpenAI-compatibile /v1/completions)
  teacher_model: ""         # nome del modello teacher (es. Qwen/Qwen3-32B)
  teacher_api_key: ""       # API key del modello teacher
  kl_penalty_coef: 1.0      # coefficiente di penalita KL per OPD

max_context_tokens: 20000   # limite token del prompt prima del troncamento; 0 = nessun troncamento
                            # (consigliato in skills_only con modelli cloud a grande contesto)
context_window: 0           # finestra di contesto comunicata all'agente (es. soglia di compattazione OpenClaw);
                            # 0 = auto (≈200 000 in skills_only, 32 768 in rl/auto)

scheduler:                  # v0.3: scheduler di meta-apprendimento (abilitato automaticamente in modalita auto)
  enabled: false            # la modalita auto lo abilita automaticamente; impostare manualmente per la modalita rl
  sleep_start: "23:00"
  sleep_end: "07:00"
  idle_threshold_minutes: 30
  min_window_minutes: 15
  calendar:
    enabled: false
    credentials_path: ""
    token_path: ""

💪 Modalita Skills

metaclaw start --mode skills_only

La modalita piu leggera. Nessuna GPU, nessun backend RL necessario. MetaClaw posiziona il tuo LLM dietro un proxy che inietta le Skill pertinenti ad ogni turno, poi riassume automaticamente nuove Skill dopo ogni conversazione.

Per provider personalizzati compatibili con OpenAI, imposta llm.api_base sull'URL base completa della chat (di solito con /v1, ad es. https://your-gateway.example/v1). In modalità skills_only, MetaClaw riusa lo stesso endpoint per la compressione del prompt e le chiamate LLM ausiliarie, salvo che configuri un endpoint evolver separato.

Le Skill sono brevi istruzioni Markdown conservate in ~/.metaclaw/skills/ come singoli file SKILL.md. La libreria cresce automaticamente con l'utilizzo.

Per precaricare la banca di Skill integrata (oltre 40 Skill per coding, sicurezza, task agentici e altro):

cp -r memory_data/skills/* ~/.metaclaw/skills/

🔬 Modalita RL

metaclaw start --mode rl

Tutto cio che offre la Modalita Skills, piu il fine-tuning RL continuo dalle conversazioni in tempo reale. Ogni turno di conversazione viene tokenizzato e inviato come campione di addestramento. Un LLM giudice (PRM) valuta le risposte in modo asincrono, e un backend compatibile con Tinker (Tinker cloud, MinT o Weaver) esegue il fine-tuning LoRA con sostituzione a caldo dei pesi.

Tinker:

metaclaw config rl.backend tinker
metaclaw config rl.api_key sk-...
metaclaw config rl.model moonshotai/Kimi-K2.5
metaclaw config rl.prm_url https://api.openai.com/v1
metaclaw config rl.prm_api_key sk-...
metaclaw start --mode rl

MinT:

metaclaw config rl.backend mint
metaclaw config rl.api_key sk-mint-...
metaclaw config rl.base_url https://mint.macaron.xin/
metaclaw config rl.model Qwen/Qwen3-4B-Instruct-2507
metaclaw config rl.prm_url https://api.openai.com/v1
metaclaw config rl.prm_api_key sk-...
metaclaw start --mode rl

Weaver:

metaclaw config rl.backend weaver
metaclaw config rl.api_key sk-...
metaclaw config rl.base_url https://weaver-console.nex-agi.cn
metaclaw config rl.model Qwen/Qwen3-8B
metaclaw config rl.prm_url https://api.openai.com/v1
metaclaw config rl.prm_api_key sk-...
metaclaw start --mode rl

Un LLM evolver dedicato estrae inoltre nuove Skill dagli episodi falliti, reinserendole nella libreria di Skill.

Rollout programmatico (senza la TUI di OpenClaw): imposta openclaw_env_data_dir su una directory contenente file JSONL di task:

{"task_id": "task_1", "instruction": "Register the webhook at https://example.com/hook"}

On-Policy Distillation (OPD)

L'OPD e un componente aggiuntivo opzionale per la Modalita RL. Distilla un modello teacher piu grande nello studente on-policy: lo studente genera le risposte normalmente, e il teacher fornisce le log-probabilita per token sulle stesse risposte. Una penalita KL guida lo studente verso la distribuzione del teacher.

metaclaw config opd.enabled true
metaclaw config opd.teacher_url http://localhost:8082/v1
metaclaw config opd.teacher_model Qwen/Qwen3-32B
metaclaw config opd.kl_penalty_coef 1.0

Il teacher deve essere servito dietro un endpoint /v1/completions compatibile con OpenAI (es. vLLM, SGLang). L'OPD puo essere combinato con lo scoring PRM, entrambi vengono eseguiti in modo asincrono. Consulta examples/run_conversation_opd.py e scripts/run_openclaw_tinker_opd.sh.

🧠 Modalita Auto (Predefinita)

metaclaw start

Tutto cio che offre la Modalita RL, piu uno scheduler di meta-apprendimento che posticipa gli aggiornamenti dei pesi alle finestre di inattivita dell'utente, in modo che l'agente non venga mai interrotto durante l'uso attivo. Questa e la modalita predefinita.

Il passaggio di sostituzione a caldo dei pesi RL mette in pausa l'agente per diversi minuti. Invece di addestrare immediatamente quando il batch e pieno (come nella Modalita RL), la modalita auto attende una finestra appropriata.

Tre condizioni attivano una finestra di aggiornamento (una qualsiasi e sufficiente):

Ore di sonno: orario di inizio/fine configurabile (es. 23:00 - 07:00)
Inattivita della tastiera: si attiva dopo N minuti di inattivita
Eventi Google Calendar: rileva le riunioni per eseguire gli aggiornamenti mentre sei via

metaclaw config scheduler.sleep_start "23:00"
metaclaw config scheduler.sleep_end   "07:00"
metaclaw config scheduler.idle_threshold_minutes 30

# Opzionale: integrazione Google Calendar
pip install -e ".[scheduler]"
metaclaw config scheduler.calendar.enabled true
metaclaw config scheduler.calendar.credentials_path ~/.metaclaw/client_secrets.json

Se l'utente ritorna durante un aggiornamento, il batch parziale viene salvato e ripreso alla finestra successiva.

Ogni ConversationSample e contrassegnato con una versione skill_generation. Quando l'evoluzione delle Skill incrementa la generazione, il buffer RL viene svuotato in modo che solo i campioni post-evoluzione vengano utilizzati per gli aggiornamenti del gradiente (separazione set support/query MAML).

🗑️ Disinstallazione

metaclaw uninstall

Rimuove tutto in un solo passaggio: ferma l'istanza in esecuzione, pulisce i riferimenti MetaClaw in ~/.openclaw/openclaw.json, elimina ~/.openclaw/extensions/metaclaw-openclaw/, elimina ~/.metaclaw/, disinstalla il pacchetto pip e riavvia il gateway OpenClaw. Viene richiesta conferma prima di qualsiasi eliminazione.

Dopo la disinstallazione, rimuovi manualmente il repository se lo hai clonato:

rm -rf /path/to/MetaClaw

📚 Citazione

@misc{xia2026metaclaw,
  author       = {Xia, Peng and Chen, Jianwen and Yang, Xinyu and Tu, Haoqin and Han, Siwei and Qiu, Shi and Zheng, Zeyu and Xie, Cihang and Yao, Huaxiu},
  title        = {MetaClaw: Just Talk --- An Agent That Meta-Learns and Evolves in the Wild},
  year         = {2026},
  organization = {GitHub},
  url          = {https://github.com/aiming-lab/MetaClaw},
}

🙏 Ringraziamenti

MetaClaw si basa sui seguenti progetti open-source:

OpenClaw - il framework agente principale.
SkillRL - il nostro framework RL potenziato con Skill.
Tinker - utilizzato per l'addestramento RL online.
MinT - backend alternativo per l'addestramento RL online.
Weaver - backend alternativo per l'addestramento RL online.
OpenClaw-RL - ispirazione per il nostro design RL.
awesome-openclaw-skills - fornisce le basi per la nostra banca di Skill.
NanoClaw - agente Claude personale di qwibitai, connesso tramite l'endpoint compatibile Anthropic /v1/messages.
NemoClaw - plugin agente OpenShell di NVIDIA per l'inferenza.

📄 Licenza

Questo progetto e distribuito sotto la Licenza MIT.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Parla con il tuo agente, lui impara e si EVOLVE.

Due comandi. Tutto qui.

🔥 Novita

🎥 Demo

📖 Panoramica

🤖 Funzionalita Principali

Deploy con un click

Tre modalita operative

Memoria a lungo termine

Completamente asincrono per design

🚀 Avvio Rapido

1. Installazione

2. Configurazione

3. Avvio

⚙️ Configurazione

💪 Modalita Skills

🔬 Modalita RL

On-Policy Distillation (OPD)

🧠 Modalita Auto (Predefinita)

🗑️ Disinstallazione

📚 Citazione

🙏 Ringraziamenti

📄 Licenza

FilesExpand file tree

README_IT.md

Latest commit

History

README_IT.md

File metadata and controls

Parla con il tuo agente, lui impara e si EVOLVE.

Due comandi. Tutto qui.

🔥 Novita

🎥 Demo

📖 Panoramica

🤖 Funzionalita Principali

Deploy con un click

Tre modalita operative

Memoria a lungo termine

Completamente asincrono per design

🚀 Avvio Rapido

1. Installazione

2. Configurazione

3. Avvio

⚙️ Configurazione

💪 Modalita Skills

🔬 Modalita RL

On-Policy Distillation (OPD)

🧠 Modalita Auto (Predefinita)

🗑️ Disinstallazione

📚 Citazione

🙏 Ringraziamenti

📄 Licenza