OpenClaw 2.0が示した自己学習という主題

2026年8月31日、OpenClaw 2.0がv2026.8.1としてGitHubに到着しました。このリリースは933人のコントリビューターによって構築され、そのうち569人が初参加でした。含まれるプルリクエストは16,000件を超え、これはOpenClawにこれまでマージされた全PRのおよそ半分に相当します。まさに史上最大規模のリリースであり、開発サイクルは約7週間に及びました。従来のOpenClawが230日間で106回のリリースを重ねてきたことを踏まえると、この期間の長さは異例です。

興味深いのは、このメジャーバージョンアップが当初から2.0を目指していたわけではないという点です。チームはインストールの簡素化とブラウザアプリの再構築を主眼に置いて作業を始めましたが、それを正しく仕上げるにはOpenClaw全体へクリーンアップを波及させる必要があり、結果として「偶然の2.0」になったと説明されています。インストール、メッセージング、メモリ、スキル、モデル、オートメーション、ブラウザやネイティブアプリ、プラグイン、セキュリティまで、あらゆる領域に手が入りました。

数ある変更の中でも、開発者のメモリ設計とスキル運用の観点から特に注目したいのが自己学習に関わる一群の機能です。Grounded Dreaming、自動Self-Learning、Skill Workshop、そしてメモリ所有権ツールという四つの仕組みは、エージェントが「学んだことをどう長期記憶へ統合し、どう統制するか」という問いに正面から答えようとしています。本記事では、それぞれの設計思想と実際の挙動を一次情報にもとづいて整理します。

Grounded Dreamingが実現する出所付きの長期記憶

Grounded Dreamingは、モデルを用いたバックグラウンドのメモリ統合プロセスであり、OpenClaw 2.0ではデフォルトで有効化されています。直近の活動を長期記憶へと統合していくのですが、ここで重要なのは、出所（provenance）が確認できる素材のみを昇格させるという制約です。エージェントが勝手に想像した内容や、根拠をたどれない断片は長期記憶に混入しません。この設計により、記憶の信頼性を保ったまま自動的な学習を進められます。

さらに、統合プロセスが実際に何をしたのかは「Dream Diary」と呼ばれるレビュー可能な記録に残ります。エージェントが何を記憶に取り込んだのかをあとから人間が確認できるため、ブラックボックス化を避けられます。自動化された記憶更新に対して監査可能性を確保している点は、運用上の安心材料になります。もちろん、この挙動が好ましくない場面もあるため、明示的な無効化コントロールも用意されています。

メモリ設計の観点で見ると、Grounded Dreamingは「何を覚えさせるか」だけでなく「何を覚えさせないか」を出所という単一の基準で切り分ける発想を持ち込みました。プロンプトエンジニアリングで積み上げてきた文脈を、セッションをまたいで安全に持ち越すための土台と言えます。

自動Self-Learningが変えるスキルの育て方

自動Self-Learningは、セッションから強く再利用可能な学びを抽出し、それをスキルとして自動的に適用する機能です。抽出された学びのうち、スキャナーで承認された新規スキル、あるいはWorkshopが所有するスキルは、デフォルトで適用されます。エージェントが日々の作業を通じて自分の能力を少しずつ拡張していく、という自己学習の理想像に一歩近づいた形です。

一方で、無制限な自動適用は危険を伴います。そこでOpenClaw 2.0は、ユーザーが自分で書いたスキルへの変更は保留のまま残すという安全側の設計を採用しました。人が意図して作り込んだスキルを、自動プロセスが黙って書き換えることはありません。また、機能をオフにする設定や、適用ではなく提案にとどめるproposeの設定も明示的に保持されます。自動化の利便性と、人間による最終判断のバランスを取っている点が特徴です。

この設計は、スキル運用の現場に直接効いてきます。繰り返し現れる定型作業ほど自動で学習が進み、重要な資産となるスキルは人の管理下に留まる、という役割分担が自然に成立します。学習の速度と安全性を両立させたい開発者にとって、扱いやすい枠組みです。

Skill Workshopとメモリ所有権がもたらす統制

学習が進むと、次に問題になるのは「増えすぎた学びをどう整理するか」です。ここで新設されたのがSkill Workshopです。エージェントが学習した内容を、リカバリ可能なレビューフローを通じてキュレーション済みのコレクションへ統合します。/learn の実行時には既存のスキルを再利用し、似たような学びが乱立するのを避けます。

とりわけ重要なのが、保留中の提案を最大3件までに制限するという設計です。提案がいくつも溜まって収拾がつかなくなる、いわゆるジャンクドロワー化を防ぎ、常にレビュー可能な状態を維持します。自動Self-Learningをオフにしている場合でもこの上限は有効で、保存されるのはSQLiteカーソルのメタデータのみに絞られています。学習を「貯め込む」のではなく「こまめに捌く」方向へ誘導する、規律を組み込んだ設計です。

加えて、メモリ所有権を扱うツール群も追加されました。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取り込みの段階で除外できます。さらに openclaw memory forget を使えば、元のトランスクリプトを保持したまま、そこから派生した記憶だけを削除できます。会話の記録そのものは残しつつ、覚えてほしくない情報を後から取り消せるため、記憶のライフサイクルを細かく制御できます。

• どのセッションが記憶に寄与したかを検査できるため、混入源をたどれます
• 取り込ませたくないソースを事前に除外できます
• 派生した記憶だけを削除し、元の会話ログは保持できます

スキル作成者と利用者への影響と移行の注意点

これだけの変更が入ると互換性が心配になりますが、スキルに関しては安心してよい設計です。SKILL.mdの形式は変更されておらず、1.x向けに作られたスキルは、マーケットプレイスの全スキルを含めてそのまま2.0で動作します。既存の資産を書き換える必要はありません。新たに追加された 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付き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、供給元の変化に振り回されにくくなります。

破壊的変更は全体で3件のみに抑えられています。第一に、バンドルされていたOpenProseプラグインと /prose コマンドが削除されました。第二に、codex/* および openai-codex/* のモデル参照が openai/* へ統合されました。第三に、プラグインSDKの複数サブパスからのインポートが openclaw/plugin-sdk/ の名前空間へ集約され、旧サブパスは非推奨となりました。いずれも openclaw doctor --fix による自動整理が用意されており、移行の負担は最小限です。

まとめると、OpenClaw 2.0は自己学習の自動化を進めながら、出所の確認、レビュー可能な記録、提案件数の上限、所有権の管理といった統制の仕組みを同時に組み込みました。エージェントに学ばせたい開発者にとって重要なのは、学習を止めないことと、暴走させないことの両立です。今回のリリースは、その両立を具体的な機能として提示しました。自分のエージェントのメモリ設計とスキル運用を見直すうえで、Grounded DreamingとSkill Workshopの考え方は有力な参照点になります。