OpenClaw Evolution Tools

OpenClaw 的自主进化工具链——记忆、演化、学习。

三个工具

工具	功能	基于
🧠 MemOS Local	分层记忆操作系统。L1 痕迹 → L2 策略 → L3 世界模型。SQLite 存储，零云端依赖。	@memtensor/memos-local-plugin
🌐 EvoMap Evolver	GEP 驱动的自我演化引擎。基因、胶囊、事件。可审计的演化路径。	@evomap/evolver
📖 Self-Improving Agent	结构化学习。7 个触发条件，3 文件知识体系，自动技能提取。	proactive-self-improving-agent

为什么需要这些工具

AI Agent 通常在每次对话中从零开始。没有记忆、没有学习、没有演化。

三个工具分别解决三个核心问题：

1. 记忆（MemOS）— Agent 如何记住学过的东西？
2. 演化（EvoMap）— Agent 如何在没有人工干预的情况下改进？
3. 学习（Self-Improving）— Agent 如何将经验转化为技能？

架构

┌─────────────────────────────────────────────────┐
│            Self-Improving Agent                 │
│  (结构化学习 / 技能结晶)                         │
├─────────────────────────────────────────────────┤
│              EvoMap Evolver                     │
│     (GEP 基因 / 胶囊 / 演化审计)                │
├─────────────────────────────────────────────────┤
│              MemOS Local Plugin                 │
│  (L1 痕迹 → L2 策略 → L3 世界模型)              │
├─────────────────────────────────────────────────┤
│              OpenClaw Runtime                   │
│      (Lossless-claw / Memory Core / Agent)      │
└─────────────────────────────────────────────────┘

快速开始

# 1. MemOS Local Plugin
openclaw plugins install @memtensor/memos-local-plugin

# 2. EvoMap Evolver CLI
npm install -g @evomap/evolver

# 3. Self-Improving Agent
git clone https://github.com/claw-opus/proactive-self-improving-agent.git

详见 skills/ 目录中每个工具的配置指南。

实际使用：KAIROS 心跳

在 OpenClaw 中，演化工具每天通过 KAIROS 心跳自动运行：

# 会话启动时的 KAIROS 心跳
python3 scripts/kairos_heartbeat.py --quick

实际输出示例：

KAIROS Heartbeat v1.0
──────────────────────────────────────
Scanning environment...
  Crontabs: 4 active jobs
  Memory health: 23 entries, 3 outdated
  Skills patch check: 2 skills have updates available
  Error log: 7 entries (2 new since last check)
  Pending tasks: 1 (openclaw-config-guide docs)

Recommendation: Low confidence — no critical items
  - 2 skills have pending updates (low priority)
  - 1 pending task (openclaw-config-guide docs/05)

实际使用：AutoDream 记忆整理

# 检查是否需要记忆整理
python3 scripts/autodream.py --check

实际输出示例：

AutoDream Check
──────────────────────────────────────
Last dream: 2025-06-01 08:00 (13.2 hours ago)
Pending fragments: 8
Fragment quality score: 0.45

Gating checks:
  ✅ Time gate: 13.2h > 12h threshold
  ✅ Quantity gate: 8 > 5 threshold
  ✅ Quality gate: 0.45 > 0.3 threshold

All 3 gates passed — dream cycle recommended.
Run: python3 scripts/autodream.py --dream

实际使用：AutoMemory 自动记忆

# 对话结束后自动提取记忆
python3 scripts/auto_memory.py

实际输出示例：

AutoMemory Extraction
──────────────────────────────────────
Analyzing conversation...
  Topics detected: MiMo degenerate loop, proxy config, HTTP headers
  Classification:
    [project] MiMo Degenerate Loop: root cause is reasoning=True fixed point
    [reference] env-proxy vs explicit-proxy with undici incompatibility
    [feedback] HTTP Header 中文字符 → ByteString 错误

3 new entries ready for MEMORY.md

三重门控机制

AutoDream 的记忆整理采用三重门控，至少 2/3 通过才执行：

门控	条件	当前设置
时间	距上次整理	> 12 小时
量级	待整理碎片	> 5 条
质量	碎片化程度	> 0.3

这个设计确保记忆整理只在累积足够有意义的内容时才执行，避免频繁的低质量整理。

GEP 演化流程

扫描 ──▶ 信号检测 ──▶ 基因选择 ──▶ GEP 提示 ──▶ 固化
  │           │              │              │            │
  │  feature  │              │              │            │
  │  _request │          Genes              │        git commit +
  │  bypass   │     (可复用模式)             │     EvolutionEvent
  │  drift    │                             │
  └──────────────────────────────────────────┘
                 (反馈循环)

使用：cd your-workspace && evolver

实际经验

以下是基于 OpenClaw 真实部署经验的演化协议（Evolution Protocol）核心模式：

1. KAIROS 心跳 — 会话启动时扫描环境，检测值得主动处理的事项
2. AutoDream 记忆整理 — 空闲时压缩巩固记忆（三重门控）
3. AutoMemory 自动记忆 — 对话结束后自动提取值得保存的内容
4. Context Engineering — 动态组装上下文（L0-L3 分层加载）
5. Self-Learn 自学习 — 任务完成后自动复盘，提取经验
6. 情绪感知 — 检测用户状态，自适应调整交互方式

参考

• 视频教程：@功夫龙虾 抖音
• MemOS：MemTensor/MemOS
• EvoMap：EvoMap/evolver
• Self-Improving Agent：claw-opus/proactive-self-improving-agent

License

MIT