MetaClaw: Agent AI podniesie swoje umiejętności, gdy Ty pójdziesz na kawę

Większość agentów opartych na dużych modelach językowych (LLM) to systemy statyczne. Po zakończeniu etapu trenowania i wdrożeniu do pracy, ich architektura pozostaje zamrożona, a raz popełnione błędy mają tendencję do powracania. Badacze z czterech prestiżowych amerykańskich uczelni – UNC-Chapel Hill, Carnegie Mellon, UC Santa Cruz oraz UC Berkeley – postanowili przełamać ten paradygmat. Ich najnowsze dzieło, MetaClaw, to framework umożliwiający agentom AI ewolucję w trakcie ich codziennej eksploatacji.

Refleksja nad porażką, czyli zasady wstrzykiwane w locie

Fundamentem MetaClaw jest dwustopniowy proces adaptacji. Pierwszy mechanizm reaguje natychmiast po wystąpieniu błędu. Gdy agent nie zdoła poprawnie wykonać zadania, osobny model językowy analizuje nieudaną interakcję i destyluje z niej konkretną, zwięzłą regułę behawioralną. Taka instrukcja – dotycząca na przykład poprawnej normalizacji formatów czasu czy tworzenia kopii zapasowych przed operacjami na plikach – trafia bezpośrednio do promptu systemowego.

Dzięki temu agent „zapamiętuje” rozwiązanie problemu bez konieczności natychmiastowej ingerencji w swoje wagi, co pozwala na nieprzerwaną pracę serwisu. Co istotne, zasady te mają charakter uniwersalny – błąd popełniony przy jednym scenariuszu może przełożyć się na lepsze wyniki w zupełnie innej kategorii zadań w przyszłości.

Trening w oknach czasowych pomiędzy spotkaniami

O ile wstrzykiwanie reguł do promptu jest szybkie, o tyle głęboka aktualizacja wag modelu poprzez uczenie ze wzmocnieniem (reinforcement learning) wymaga zasobów i krótkiego wstrzymania działania agenta. Rozwiązaniem tego problemu jest OMLS (Opportunistic Meta-Learning Scheduler) – inteligentny harmonogram, który monitoruje aktywność użytkownika.

System śledzi kalendarz Google, ruchy klawiatury oraz zdefiniowane godziny snu właściciela. Jeśli kalendarz wskazuje, że użytkownik przebywa właśnie na spotkaniu, MetaClaw otwiera okno treningowe i rozpoczyna proces dostrajania modelu przy użyciu techniki LoRA w chmurze. Jeśli użytkownik wróci do pracy przedwcześnie, proces można wstrzymać i wznowić przy najbliższej okazji. To podejście sprawia, że AI staje się sprytniejsza dokładnie wtedy, gdy my nie patrzymy jej na ręce.

Słabsze modele depczą po piętach gigantom

Wyniki testów przeprowadzonych na 934 zadaniach symulujących 44 dni robocze są obiecujące. Naukowcy zestawili ze sobą model Kimi-K2.5 oraz znacznie potężniejszy GPT-5.2. Okazało się, że same reguły behawioralne podniosły celność słabszego modelu o 32 proc. Pełny framework MetaClaw pozwolił mu na skok z poziomu 21,4 proc. do 40,6 proc. celności, co niemal zrównało go z bazowym wynikiem GPT-5.2 (41,1 proc.).

Badania wykazały, że system jest szczególnie skuteczny w eliminowaniu powtarzalnych błędów w złożonych procesach naukowych. W testach z AutoResearchClaw – narzędziem do autonomicznego pisania prac badawczych – MetaClaw ograniczył liczbę zbędnych powtórzeń o niemal 25 proc. Choć naukowcy zaznaczają, że ich benchmark opiera się na symulacjach, a nie realnych sesjach użytkowników, kod frameworka jest już dostępny na GitHubie, otwierając drogę do systemów AI, które faktycznie uczą się na doświadczeniu, a nie tylko na dostarczonych zbiorach danych.