Meta-Learning MCP Plugin

面向 Nobot / DeskClaw 的自进化学习 MCP 插件。通过任务前风险评估、任务后信号捕获、近线/离线流水线，将 Agent 的执行经验沉淀为错误分类体系（Error Taxonomy）和技能卡片（SKILL.md），实现"犯过的错不再犯"。

给 Nobot 安装

前提

• Python >= 3.12
• DeskClaw / Nobot 已安装（~/.deskclaw/ 存在）

安装步骤

# 1. 克隆项目
git clone https://github.com/NoDeskAI/meta-learning-plugin ~/.deskclaw/plugins/meta-learning
# 2. 运行安装脚本（自动创建 venv、安装依赖、生成配置）cd~/.deskclaw/plugins/meta-learning
bash install.sh

install.sh 执行完毕后会输出一段 JSON，将其添加到 ~/.deskclaw/nanobot/config.json 的 tools.mcp_servers 中：

"meta-learning": {
"type": "stdio",
"command": "~/.deskclaw/plugins/meta-learning/.venv/bin/meta-learning-mcp",
"args": [],
"tool_timeout": 120,
"env": {
"META_LEARNING_WORKSPACE": "~/.deskclaw/nanobot/workspace/meta-learning-data",
"META_LEARNING_CONFIG": "~/.deskclaw/nanobot/workspace/meta-learning-data/config.yaml",
"META_LEARNING_SESSIONS_ROOT": "~/.deskclaw/nanobot/workspace/sessions"
}
}

然后重启 DeskClaw / Nobot 使插件生效。

卸载

cd~/.deskclaw/plugins/meta-learning
bash uninstall.sh

脚本会自动移除 MCP 注册、数据目录、技能文件和虚拟环境，完成后重启 DeskClaw 即可。

MCP 工具一览

工具	用途
quick_think	任务执行前风险评估，命中已知错误模式时返回风险提示
capture_signal	任务结束后捕获学习信号（错误恢复、用户纠正、效率异常等）
run_layer2	手动触发 Layer 2 近线整合流水线（物化→聚类→分类→技能演化）
layer2_status	查询 Layer 2 流水线当前状态（idle/running/completed/failed）
run_layer3	触发 Layer 3 离线深度学习（跨任务根因挖掘、盲区识别）
sync_taxonomy_to_nobot	将最新错误分类同步为 Nobot 的 SKILL.md 和分类规则文件
status	查看系统状态（信号数、经验数、分类条目数等）

架构概览

Layer 1（在线实时）
QuickThink 风险评估 → Agent 执行 → 信号捕获 → 信号缓冲区
Layer 2（近线整合，capture_signal 达到阈值后自动触发）
信号物化 → 经验池 → 经验聚类 → 错误分类提炼 → 技能演化
Layer 3（离线深度学习，手动触发）
跨任务根因挖掘 / 能力盲区识别 / 记忆架构优化
反馈回路
错误分类 → 更新 QuickThink 风险索引
技能卡片 → 注入下一次 Agent 执行

信号触发条件

触发类型	说明
user_correction	用户纠正了 Agent 的行为（最高优先级信号）
unresolved_error	Agent 遇到错误但未解决（高学习价值）
self_recovery	Agent 遇到错误并自行恢复
new_tool	Agent 首次使用某个工具
efficiency_anomaly	步骤数显著超过平均值

配置说明

运行时配置文件：~/.deskclaw/nanobot/workspace/meta-learning-data/config.yaml（由 install.sh 从 config.deskclaw.yaml 生成）。

关键配置项：

配置路径	默认值	说明
llm.provider	openai	LLM 提供方（stub 为测试模式）
llm.model	minimax-m2.7	用于信号物化和分类提取的模型
layer2.trigger.min_pending_signals	2	触发 Layer 2 的最小待处理信号数
layer2.trigger.max_hours_since_last	8	超过此时间且有待处理信号则触发
layer2.taxonomy.min_confidence_for_skill	0.8	分类条目提升为 SKILL 的最低置信度

LLM API（内部 gateway）和多模态 Embedding（DashScope）的凭证已内置于代码中，安装后无需额外配置。如需覆盖，可设置环境变量 META_LEARNING_LLM_BASE_URL / META_LEARNING_LLM_API_KEY / DASHSCOPE_API_KEY。

开发与测试

# 安装开发依赖
pip install -e ".[dev,mcp]"# 运行测试
pytest tests/
# 本地启动 MCP server
python -m meta_learning.mcp_server

目录结构

src/meta_learning/ Python 主体实现
├── layer1/ 在线层（QuickThink、SignalCapture）
├── layer2/ 近线层（Materialize、Consolidate、Taxonomy、Orchestrator）
├── layer3/ 离线层（CrossTaskMiner、NewCapabilityDetector、MemoryArchitect）
├── shared/ 共享模型、IO、LLM 接口
└── mcp_server.py MCP Server 入口
tests/ 单元测试
config.yaml 通用配置模板
config.deskclaw.yaml DeskClaw 专用配置模板
install.sh 自动化安装脚本
uninstall.sh 自动化卸载脚本