OpenClaw è uno strumento potente, ma ha un problema che condivide con praticamente tutti gli agenti AI: ogni sessione parte da zero. Stessi errori, stessi pattern, nessuna crescita.
MetaClaw prova a risolvere questo problema in un modo interessante. Si posiziona come proxy tra OpenClaw e il tuo modello LLM, intercetta ogni conversazione, inietta automaticamente le skill più rilevanti nel prompt di sistema e dopo ogni sessione distilla quello che è successo in nuove skill usando il tuo stesso LLM. La libreria di skill cresce con l'uso.
In pratica: il tuo agente impara davvero invece di limitarsi a ricordare fatti sparsi.
Il problema degli agenti stateless
La maggior parte degli agenti AI è stateless per design. Ogni conversazione inizia fresca. Risolvi gli stessi problemi ripetutamente, spieghi le tue preferenze più e più volte, e l'agente non porta mai avanti quello che ha imparato.
Anche con strumenti di memoria, l'agente sta solo recuperando fatti. Non sta migliorando il suo comportamento. MetaClaw prova a essere diverso: trasforma pattern comportamentali in skill riutilizzabili che vengono iniettate automaticamente al momento giusto.
Se hai bisogno di un ripasso su come configurare OpenClaw con Ollama, dai un'occhiata alla guida ufficiale OpenClaw con Ollama.
Hai bisogno di aiuto con l'integrazione AI?
Contattami per una consulenza su come implementare agenti AI nella tua infrastruttura.
Setup e ambiente
Nel mio setup ho Ubuntu con OpenClaw già installato e integrato con i miei modelli Ollama. GPU Nvidia RTX 6000 con 48 GB di VRAM. Se stai usando Qwen 3.5 32B localmente con Ollama, questa guida è utile: run Qwen 3.5 with OpenClaw using Ollama.
Il bello di usare Ollama è che tutto rimane locale e non paghi chiamate API. Questo è quello che uso io.
Installare MetaClaw localmente
L'installazione è diretta. Clona il repo, installa i prerequisiti, lancia il setup guidato:
git clone https://github.com/aiming-lab/MetaClaw.git
cd MetaClaw
pip install -r requirements.txt
metaclaw setup
Durante il setup, scegli la modalità dove l'agente inietta e impara skill dalle conversazioni. Non c'è training coinvolto in questa modalità, è quello che vogliamo. Salta la modalità RL che fa fine-tuning dei pesi del modello in tempo reale perché richiede un'API a pagamento.
Per il provider LLM, usa un base URL custom che punta alla tua istanza Ollama. Il default è http://localhost:11434 ed è quello che uso io. Per il model ID, incolla il tuo modello locale, ad esempio qwen2.5-32b-instruct o llama3.1.
Per l'API key, qualsiasi valore placeholder va bene perché Ollama su localhost non la richiede. Abilita skill injection così MetaClaw inserisce le skill più rilevanti nel prompt di sistema prima di ogni risposta. Accetta la directory skills di default e abilita auto summarization.
Abilita e configura il proxy. Accetta la porta di default mostrata dal setup, a meno che tu non debba cambiarla per il tuo ambiente. Mantieni tutto locale così non paghi chiamate API. Completa il setup e continua.
Scopri i miei progetti
Dai un'occhiata ai progetti su cui sto lavorando e alle tecnologie che utilizzo.
Avvio e verifica
Avvia MetaClaw e verifica lo stato in un altro terminale:
metaclaw start
metaclaw status
Dovresti vedere che il proxy è in esecuzione e collegato al tuo gateway OpenClaw. MetaClaw riporterà che ha caricato skill generali e task-specific dalla skill bank. Puoi anche confermare che ha preso il tuo modello Ollama.
Se ti piace lavorare da terminale con OpenClaw, questo riferimento rapido aiuta: accedere alla Terminal UI di OpenClaw. È comodo per controlli veloci mentre iteri sulle skill. Puoi stratificare MetaClaw sotto senza cambiare il tuo flusso normale.
Skill bank e skill custom
MetaClaw arriva con una skill bank generale e skill task-specific. Puoi copiare le tue skill nella cartella skill bank se mantieni già pattern riutilizzabili. MetaClaw le considererà durante l'iniezione e l'apprendimento.
Una volta che MetaClaw è in esecuzione, puoi usare OpenClaw o qualsiasi altro client API come al solito. Dietro le quinte, MetaClaw inietta skill e continua a distillarne di nuove dopo ogni sessione. È lì che vedi il miglioramento nel tempo.
Se preferisci monitorare il tuo agente e i progetti da browser, ecco un modo semplice per aprire la dashboard OpenClaw localmente: OpenClaw dashboard access. Si abbina bene con il proxy MetaClaw.
Vuoi integrare AI nel tuo business?
Contattami per una consulenza su come implementare strumenti AI nella tua azienda.
Test con un task reale
Chiedi all'agente di scrivere uno script Python che monitora una directory per nuovi file e li logga con un timestamp. MetaClaw intercetterà la sessione e genererà una nuova skill dallo scambio. Quel pattern distillato verrà iniettato automaticamente la prossima volta prima che l'agente inizi a pensare.
Ecco un esempio Python che puoi usare nel test:
import os
import time
import logging
from datetime import datetime
WATCH_DIR = "/path/to/watch"
LOG_FILE = "file_events.log"
logging.basicConfig(
filename=LOG_FILE,
level=logging.INFO,
format="%(asctime)s - %(message)s",
)
def snapshot(dir_path):
return {f for f in os.listdir(dir_path) if os.path.isfile(os.path.join(dir_path, f))}
def main():
if not os.path.isdir(WATCH_DIR):
raise SystemExit(f"Directory not found: {WATCH_DIR}")
seen = snapshot(WATCH_DIR)
logging.info(f"Started watcher for {WATCH_DIR}. Baseline files: {len(seen)}")
try:
while True:
current = snapshot(WATCH_DIR)
new_files = current - seen
for fname in sorted(new_files):
full = os.path.join(WATCH_DIR, fname)
ts = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
logging.info(f"New file: {fname} at {ts} (size={os.path.getsize(full)} bytes)")
seen = current
time.sleep(2)
except KeyboardInterrupt:
logging.info("Watcher stopped.")
if __name__ == "__main__":
main()
Dopo questa esecuzione, controlla la directory skills che MetaClaw usa. Vedrai un nuovo file che cattura il pattern distillato dalla tua conversazione. Questa è la skill riutilizzabile che viene iniettata la prossima volta che richiedi qualcosa relativo al monitoraggio file.
Modelli sotto Ollama: scelte, casi d'uso, e trade-off
Qwen 3.5 32B è forte su coding, tool use, e task strutturati. Brilla per automazione, scripting, e workflow agent-style dove l'output preciso step-by-step conta. Ha bisogno di VRAM significativa e sarà più lento su GPU più piccole.
Famiglia LLaMA sono versatili e ampiamente disponibili in Ollama. Sono buoni per ragionamento generale, scrittura, e lavoro misto chat più codice. Varianti più piccole sono più veloci ma potrebbero perdere contesto più profondo su task complessi.
Se vuoi esplorare un fork alternativo di OpenClaw che gioca bene con Ollama in setup locali, questa guida è utile: Zeroclaw with Ollama. Può essere una baseline solida per comparare il comportamento dell'agente sotto lo stesso proxy MetaClaw.
Cosa aspettarsi dopo il setup
MetaClaw carica un set di skill generali e task-specific dalla skill bank all'avvio. Usa i tuoi modelli Ollama locali, quindi non paghi chiamate API. Puoi accedere a OpenClaw come al solito mentre MetaClaw gira dietro le quinte.
Noterai skill e note simili a memoria che si accumulano sul tuo profilo, tag, timing, e workspace. Quel contesto diventa parte del prompt di sistema nei momenti giusti. Sta provando a fare una cosa di valore invece di replicare semplicemente OpenClaw.
Ogni sessione che insegna all'agente qualcosa di utile si trasforma in expertise a lungo termine. Più lo usi, più diventa affilato. Cura automaticamente quello che conta senza una pipeline di training manuale da gestire.
Hai bisogno di aiuto con l'integrazione AI?
Contattami per una consulenza su come implementare agenti AI nella tua infrastruttura.
Riferimenti e risorse
La pagina del progetto MetaClaw e i dettagli di setup sono qui: MetaClaw su GitHub. Puoi tracciare aggiornamenti, issue, e flag di configurazione esatti.
Se stai iniziando da zero con OpenClaw su Ollama, questo quick-start ti aiuta a far funzionare il pairing prima di aggiungere MetaClaw: OpenClaw with Ollama guide. Mantiene la base stabile così il setup del proxy va liscio.
Conclusioni
MetaClaw si collega a OpenClaw come proxy locale, inietta le skill giuste automaticamente, e distilla di nuove dopo ogni sessione. Se funziona correttamente, più lo usi, più diventa affilato, e trasforma ogni conversazione in expertise a lungo termine del tuo agente.
Testarlo con task di coding e workflow mostra guadagni chiari dove i pattern ripetuti contano. Mantenere tutto locale con Ollama e una GPU capace lo rende cost-effective. L'idea è interessante: invece di un agente che riparte da zero ogni volta, hai uno che impara davvero dai tuoi pattern d'uso.
Per un riferimento più profondo sul setup OpenClaw, tieni questi a portata di mano: OpenClaw dashboard setup e terminal access.