OpenClaw 2.0は使えば使うほど、開発者が手を入れなくても自動で賢くなっていきます。とはいえ「勝手に学習する」という言葉には、幻覚の固着や制御不能への不安がつきまといます。本記事では、Grounded DreamingとAutomatic Self-Learning、そしてSkill Workshopという三つの仕組みが、どのように幻覚混入を防ぎながらレビュー可能性とガバナンスを両立させているのかを、運用視点の設計思想として読み解いていきます。

勝手に賢くなるを支える三つの仕組みと安全に成立させる設計哲学

OpenClaw 2.0(v2026.8.1)は、自動学習まわりが大きく刷新されたリリースです。その背景には、従来の高速リリース路線を一度止めて基盤強化と安全なアップグレード経路づくりに腰を据えた、約7週間という開発サイクルがあります。参加したコントリビューターは933名で、そのうち569名が初参加でした。マージ済みのプルリクエストは16000件を超え、プロジェクトのマージ履歴の約半数に相当する規模になっています。単なる機能追加ではなく、土台からの作り直しに近い変化だと理解しておくとよいでしょう。速さを競うためのリリースではなく、長く使い続けられる土台を整えるためのリリースだった、という点が今回の性格をよく表しています。

今回の学習系を支える柱は三つあります。直近の活動を長期記憶へ統合するGrounded Dreaming、セッションから再利用可能な教訓を捕捉するAutomatic Self-Learning、学んだことをスキルとして束ねるSkill Workshopです。いずれも自動で動く仕掛けですが、本リリースを一貫して貫いているのは、自動化は暴走しない仕掛けとセットで初めて実務に投入できるという設計哲学です。以降の各節では、この哲学がそれぞれの機能でどう具体化されているのかを見ていきます。

Grounded Dreamingと出典確認済み素材だけを長期記憶へ昇格させる思想

Grounded Dreamingは、モデルバックエンドのバックグラウンドプロセスとして既定でオンになっています。エージェントが直近に行った活動を、いわば睡眠中に整理するように長期記憶へ統合していく挙動です。開発者が明示的に指示しなくても、日々の作業から知識が蓄えられていくため、使い込むほど文脈を踏まえた応答が返ってくるようになります。

ここで最も重要なのが、長期記憶へ昇格させる条件がprovenance-qualified、つまり出典が確認できる素材のみに限定されている点です。自動学習で最も怖いのは、根拠のあいまいな情報や幻覚を「学んだこと」として記憶に固着させてしまうことです。いったん長期記憶に書き込まれた誤りは、その後の応答に繰り返し影響します。出典を確認できる素材だけを通すこの条件は、誤った学習の固着を記憶書き込みの入口で止めるゲートとして機能します。何を根拠に賢くなるのかを絞り込む発想が、設計の芯にあるといえます。エージェントの自動学習を検討する際、多くの実務者が真っ先に懸念するのが、まさにこの誤った知識の定着です。書き込みの手前に確認可能な素材だけを通すフィルタを置くという発想は、RAGやエージェント開発に携わる読者にとって示唆に富む論点だといえるでしょう。

さらにGrounded Dreamingが統合した内容は、レビュー可能なDream Diaryに記録されます。何がいつ長期記憶へ昇格したのかを後から追える監査ログであり、加えて明示的な無効化コントロールも備わっています。既定でオンにして利便性を届けつつ、コントロールは常に手元に残すという思想が、ここにはっきりと表れています。

Automatic Self-LearningとSkill Workshopが守るレビュー可能性

Automatic Self-Learningは、セッションのなかから強く再利用できる教訓を自動的に捕捉する仕組みです。捕捉した知見のうち、スキャナーで承認された新規スキルやWorkshopが所有するスキルは、既定で自動的に適用されます。日々のやり取りが、次の作業で使える手順やノウハウへと自然に育っていくイメージです。

一方で、ユーザーが自分で著作したスキルへの変更は保留のまま据え置かれます。offやproposeといった設定も尊重され、システムが勝手に上書きすることはありません。自動で適用してよいものと、人間の判断を挟むべきものを切り分けており、自律と統制のバランスを丁寧に取った設計になっています。

その統制を象徴するのがSkill Workshopです。エージェントが学んだことはキュレーション済みのコレクションへ統合されますが、保留中の提案は最大3件までに制限されています。この上限は、提案がとめどなく積み上がってガラクタ入れと化すのを防ぐための工夫です。人間が一度に追える量へあえて絞り込むことで、レビュー可能性を保っています。しかもレビューフローは復元可能で、判断をやり直せる余地も残されています。承認と却下のどちらを選んでも後から戻せるため、レビュー担当は必要以上に慎重になりすぎず判断を下せます。多く貯め込むより、確実に見て回せる少数に絞るという価値観が読み取れます。件数を制限することは一見すると学習の勢いを削ぐようにも思えますが、実際には人間が内容を吟味できる状態を保ち続けることこそが、自動学習を長く安全に回すための条件になります。ここにも、自動化を統制とペアで設計するという本リリースの一貫した姿勢が現れています。

メモリ所有権ツールで実現するプライバシーとガバナンス

自動で記憶が育つ仕組みには、どの記憶がどこから来たのかを見える化し、必要に応じて制御できる手段が欠かせません。OpenClaw 2.0は、そのための所有権ツール群を用意しています。どのセッションがメモリに寄与したのかを検査でき、学習させたくないソースをあらかじめ除外することもできます。記憶の出どころを開発者の側で把握し、選別できるわけです。

とりわけ実務で効いてくるのがopenclaw memory forgetです。このコマンドは、元の会話であるtranscriptは保持したまま、そこから派生した特定のメモリだけを削除します。会話の記録そのものを消すのではなく、学習された派生物のみをピンポイントで取り除ける点が肝心です。これは、学習させない権利と、いったん学んだ内容を忘れさせる権利を、運用可能な機能として実装したものだといえます。

こうした所有権ツールは、プライバシーやコンプライアンス、そしてチームのガバナンス要件に直接応えます。機微な情報を含むセッションを学習対象から外したり、後から特定の派生メモリだけを整理したりできるため、規約や社内ルールに沿った運用を組み立てやすくなります。

既存スキル資産を壊さない後方互換の設計

これだけ大規模な刷新でありながら、SKILL.mdのフォーマットは変更されていません。そのため1.x向けに作られたスキルは、無変更のまま2.0上でそのまま動作します。既存ユーザーにとっては、蓄積してきたスキル資産を作り直す必要がなく、移行の負荷が実質的にゼロになるという実利があります。

供給網の面でも堅牢化が進んでいます。新たに加わったskills-sh参照を使うと、ClawHub経由でミラーされたコミット固定のスキル成果物を、通常の安全チェックを適用したうえでインストールできます。どのコミットの成果物かが固定されるため、取り込むスキルの素性を明確にしたまま安全性を担保できます。大規模刷新であっても破壊的変更を避け、資産を守りながら賢くなっていくという姿勢は、既存ユーザーにとって心強い安心材料になります。新しいバージョンへ上げるたびに手元のスキルが動かなくなるのではという不安は、アップデートをためらわせる大きな要因です。その不安を取り除いていることは、便利な新機能を並べること以上に、日々使い続けるユーザーへの配慮が行き届いた選択だといえます。

運用チームがこの仕組みを活かすための実践ポイント

ここまで見てきた設計を実務で活かすには、いくつかの運用ルールを決めておくとよいでしょう。まずDream Diaryは、定期レビューの対象に組み込むことをおすすめします。何が長期記憶へ昇格したのかを一定の周期で確認し、意図しない知識が定着していないかを監査する流れをつくっておけば、自動学習をブラックボックスにせずに済みます。

Skill Workshopについては、保留提案が3件までに絞られる特性を逆手に取ります。追える量が限られているからこそ、レビュー担当と承認基準をチームであらかじめ合意しておくと運用が回りやすくなります。どういう教訓なら承認し、どういう場合は却下するのかを言語化しておけば、判断のばらつきを抑えられます。

さらに、除外設定とopenclaw memory forgetの使いどころもルール化しておきましょう。学習させたくないソースを事前に除外する基準と、後から派生メモリを削除する手順を定めておけば、いざというときに慌てずに対処できます。既定でオンになっている機能についても、自分たちのユースケースで有効化したままにするか、無効化するかを一度判断しておくと安心です。こうした判断は一度決めて終わりにするのではなく、運用しながら定期的に見直していくとよいでしょう。便利さと統制を両立させるチェックリスト的な運用こそ、勝手に賢くなる仕組みを安全に使いこなす近道になります。自動学習を恐れて機能を止めてしまうのでも、無防備にすべて任せきりにするのでもなく、見える化された記録と絞り込まれた提案を手がかりに人間が要所を押さえる。その中間の運用姿勢が、OpenClaw 2.0の設計思想と最もよくかみ合います。