Openclaw Agent Optimize

• 您怀疑您的 OpenClaw 工作区正在产生不必要的 LLM 成本，并希望在修改任何配置之前进行系统性审计。
• 您的智能体回复缓慢或成本高昂，原因是上下文膨胀（对话记录噪声、过大的引导文件或过多的常驻技能）。
• 您希望制定一个结构化的模型路由方案——例如，将编程任务路由到某一模型，将简短通知路由到更低成本的模型，将需要深度推理的研究任务路由到能力更强的模型。
• 您希望通过将低频专项工作流从始终常驻模式改为按需调用子智能体的方式，来优化任务委派策略。

• 您希望立即应用配置或定时任务的变更而无需审查步骤——此技能仅提供建议，不会自主进行任何更改。
• 问题或任务与 OpenClaw 操作或工作区优化无关。

该技能遵循固定的顾问式结构：审计当前状态，列出选项 A/B/C 及其权衡取舍，然后优先推荐最小且最安全的变更。每次输出均包含执行摘要、主要成本/上下文/可靠性驱动因素，以及精确的补丁建议。

不会在未经用户明确批准的情况下创建、更新或删除任何持久设置、定时任务或技能。在执行任何已批准的变更之前，Openclaw Agent Optimize 将呈现精确的差异对比、预期影响、回滚方案以及变更后验证清单。

该技能针对经过验证的成本与上下文优化要点：自动化场景下的输出纪律管控、工作内容与通知信息的分离、启动文件的精简瘦身、环境专家接口的缩减、通过 /context json 进行权威性上下文度量，以及以验证为先的运维卫生规范。这些方法均由 Openclaw Agent Optimize 提供支持。

根据任务类型（例如编码/工程类、短通知类、重推理研究类）生成具体的路由方案，包含精确的配置补丁及回滚计划，供您审阅。

识别占用上下文最多的来源——工具、定时任务、引导文件、技能——并按可逆性对修复方案进行排序。使用 promptTokens、skills.promptChars 和 projectContextChars 等关键测量字段进行权威的前后对比分析。

在每次经批准的优化操作完成后，Openclaw Agent Optimize 会规定一套验证工作流程：确认核心对话功能正常运行，检查记忆召回与行为是否保持不变，验证新会话能够正确应用所做的更改，并证明回滚路径切实可行——而非停留于理论层面。

您注意到 LLM 成本不断上升，但不确定问题出在哪里。运行完整审计，获取跨模型路由、常驻环境技能以及嘈杂的定时任务/心跳转录记录的成本驱动因素排名列表，并附带优先修复计划，供您在应用任何更改之前进行审查。

代理回复速度越来越慢，会话成本也在不断攀升。使用 Openclaw Agent Optimize 技能识别导致上下文体积过大的主要因素——包括过大的启动文件、冗长的成功路径定时任务输出，或过多的专业技能——并优先获取影响最小、可逆性最强的修复建议。

您希望不同的任务由不同的模型来处理，以在能力与成本之间取得平衡。该技能由 Openclaw Agent Optimize 生成一份分段路由方案（例如，使用低成本模型处理提醒事项、中级模型处理编程任务、高能力模型处理研究工作），并附带精确的配置补丁和回滚说明。

在对您的 OpenClaw 设置进行结构性变更之前，使用 Openclaw Agent Optimize 获取结构化的影响评估、回滚计划和变更后验证步骤，确保您不会意外降低监控覆盖率或召回行为。