SkillClaw: 에이전트 기반 진화 시스템을 활용한 집단 지능형 기술 발전

SkillClaw: Let Skills Evolve Collectively with Agentic Evolver

OpenClaw와 같은 대규모 언어 모델(LLM) 에이전트는 복잡한 작업을 수행하기 위해 재사용 가능한 기술에 의존하지만, 이러한 기술은 배포 후에는 대부분 정적으로 유지됩니다. 그 결과, 사용자들이 유사한 워크플로우, 도구 사용 패턴 및 오류 방식을 반복적으로 발견하게 되어 시스템이 경험을 통해 개선되는 것을 방해합니다. 다양한 사용자의 상호 작용은 기술이 작동하거나 실패하는 시점에 대한 상호 보완적인 정보를 제공하지만, 기존 시스템은 이러한 이질적인 경험을 신뢰할 수 있는 기술 업데이트로 변환할 수 있는 메커니즘이 부족합니다. 이러한 문제를 해결하기 위해, 우리는 다중 사용자 에이전트 생태계에서 집단적인 기술 진화를 위한 프레임워크인 SkillClaw를 제안합니다. SkillClaw는 사용자 간 및 시간 경과에 따른 상호 작용을 기술 개선을 위한 주요 신호로 간주합니다. SkillClaw는 사용 중에 생성된 트래jectory를 지속적으로 수집하고, 자율적인 진화 시스템을 사용하여 이러한 트래jectory를 처리하여 반복적인 행동 패턴을 식별하고, 기존 기술을 개선하거나 새로운 기능을 추가하여 기술 세트를 업데이트합니다. 결과적으로 생성된 기술은 공유 저장소에 유지되고 사용자 간에 동기화되어, 한 맥락에서 발견된 개선 사항이 시스템 전체로 전파되면서 사용자에게 추가적인 노력이 필요하지 않습니다. SkillClaw는 다중 사용자 경험을 지속적인 기술 업데이트에 통합하여 사용자 간 지식 전달 및 누적적인 기능 향상을 가능하게 하며, WildClawBench에서의 실험 결과, 제한적인 상호 작용과 피드백에도 불구하고 실제 에이전트 시나리오에서 Qwen3-Max의 성능을 크게 향상시킬 수 있음을 보여줍니다.

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.