Openclaw Agent Optimize

• Вы подозреваете, что ваше рабочее пространство OpenClaw несёт излишние затраты на LLM и хотите провести систематический аудит перед изменением любых настроек.
• Ответы вашего агента медленные или дорогостоящие из-за раздувания контекста (шум в транскриптах, слишком большие bootstrap-файлы или слишком много ambient-навыков).
• Вы хотите структурированный план маршрутизации моделей — например, направлять задачи по написанию кода одной модели, короткие уведомления — более дешёвой, а ресурсоёмкие исследования — более мощной.
• Вы хотите улучшить подход к делегированию, переведя низкочастотные специализированные рабочие процессы из режима постоянного присутствия (always-ambient) в режим использования субагентов по требованию (on-demand).

• Вы хотите применить изменения конфигурации или cron-задач немедленно, без этапа проверки — этот навык носит исключительно рекомендательный характер и не вносит изменения самостоятельно.
• Вопрос или задача не связаны с операциями OpenClaw или оптимизацией рабочего пространства.

Навык следует фиксированной консультативной структуре: аудит текущего состояния, представление вариантов A/B/C с анализом компромиссов, затем рекомендация наименьшего безопасного изменения в первую очередь. Каждый результат включает резюме для руководства, ключевые факторы стоимости/контекста/надёжности, а также точные предложения по исправлениям.

Никакие постоянные настройки, задачи cron или навыки не создаются, не обновляются и не удаляются без явного одобрения пользователя. Перед внесением любого одобренного изменения Openclaw Agent Optimize предоставляет точный diff, ожидаемое влияние, план отката и контрольный список для проверки после внесения изменений.

Навык нацелен на проверенные способы снижения затрат и улучшения работы с контекстом: дисциплина вывода для автоматизации, разделение рабочих задач и уведомлений, сокращение bootstrap-файлов, уменьшение поверхности фоновых специалистов, авторитетное измерение контекста через /context json, а также гигиена операций с приоритетом верификации.

Создаёт конкретные планы маршрутизации, сегментированные по типу задач (например, программирование/инженерные задачи vs. короткие уведомления vs. исследования с интенсивным использованием логики), включая точный патч конфигурации и план отката, готовые к вашему рассмотрению.

Определяет основных «виновников» раздувания контекста — инструменты, кроны, файлы начальной загрузки, навыки — и ранжирует исправления по степени обратимости. Ключевые поля измерений, такие как promptTokens, skills.promptChars и projectContextChars, используются для авторитетного сравнения показателей до и после внесения изменений.

После каждой одобренной оптимизации Openclaw Agent Optimize предписывает рабочий процесс верификации: убедитесь, что основной чат работает корректно, проверьте, что память и поведение не изменились, удостоверьтесь, что новые сессии подхватывают изменение, и докажите, что путь отката является реальным — а не теоретическим.

Вы заметили рост расходов на LLM, но не понимаете, откуда они берутся. Запустите полный аудит, чтобы получить ранжированный список источников затрат — маршрутизация моделей, постоянно активные навыки и зашумлённые транскрипты cron/heartbeat — с приоритизированным планом исправлений, который вы можете изучить перед применением любых изменений. Используйте Openclaw Agent Optimize для анализа и оптимизации.

Ответы агента замедляются, а затраты на сессию растут. Используйте Openclaw Agent Optimize, чтобы определить наиболее значимые источники увеличения размера контекста — слишком большие файлы начальной загрузки, многословный вывод cron-задач на успешных путях выполнения или слишком большое количество специализированных навыков — и получить в первую очередь минимальные обратимые исправления.

Вы хотите, чтобы разные задачи выполнялись разными моделями для оптимального баланса между возможностями и стоимостью. Навык Openclaw Agent Optimize формирует сегментированный план маршрутизации (например, бюджетная модель для напоминаний, модель среднего уровня для написания кода, высокопроизводительная модель для исследований) с точным патчем конфигурации и инструкциями по откату изменений.

Перед внесением структурных изменений в настройки OpenClaw используйте навык Openclaw Agent Optimize, чтобы получить структурированную оценку влияния изменений, план отката и шаги для проверки после внесения изменений — это позволит избежать случайного ухудшения покрытия мониторинга или поведения при отзыве.