Compétence de Métacognition

Ce qu'il fait

La compétence de Métacognition construit une boucle d'auto-apprentissage légère pour les agents : elle capture des entrées distinctes (perceptions, overrides, protections, auto-observations, décisions, curiosités), les stocke et exécute des cycles périodiques de compilation/injection qui ajustent la lentille active de l'agent. Le système encourage un apprentissage basé sur le feedback de style Hebbien, afin que les agents renforcent ce qui fonctionne et affaiblissent ce qui échoue.

Quand l'utiliser

Utilisez ceci lorsque vous voulez qu'un agent suive ses erreurs, fasse remonter des curiosités lors de l'exécution, maintienne des garde-fous comportementaux appris des échecs, ou injecte des auto-modèles actifs dans l'état au démarrage. C'est utile pour les agents qui ont besoin de s'auto-surveiller, de s'adapter au fil du temps ou d'exécuter des cycles de cron réflexifs (actualisation des preuves, extraction de perceptions, impulsions de curiosité).

Ce qui est inclus

• Scripts : scripts/metacognition.py, scripts/live_state.py — moteur central et collecteur de preuves.
• Références : references/cron-template.md et references/hook-spec.md qui expliquent les calendriers de cron et l'intégration des hooks.
• Instructions : copiez metacognition.py dans les scripts de l'agent, initialisez la DB (crée memory/metacognition.json), configurez les crons recommandés pour l'actualisation des preuves et l'extraction de perceptions, et activement une impulsion de curiosité et l'injection dans BOOT.md.

Agents compatibles

Les agents capables d'exécuter des tâches cron Python périodiques et d'accéder aux fichiers de mémoire locaux — runtimes d'agents OpenClaw, agents basés sur ClawFlow, ou tout environnement pouvant exécuter les scripts fournis. Cette compétence suppose que le runtime peut lire/écrire des fichiers de workspace et exécuter des tâches planifiées.