核心用法
Skill Insight 是面向 OpenClaw/Hal Stack 生态的技能使用分析与优化工具，通过三层机制实现精细化管理：
1. 自动化数据采集
- 自动扫描会话：通过
scan_sessions.py解析 OpenClaw 历史会话，检测技能调用模式（路径匹配、脚本名识别、技能名提及） - 手动记录补充：对 LLM 路由型技能（
access_type=route），可通过record.sh手动记录调用场景、结果与备注 - 结果追踪：支持事后更新成功/失败/跳过状态，形成完整的调用-结果闭环
2. 多维分析报表
- 周期报告：日/周/月/全时段使用频率统计，含成功率指标
- 零调用分析：
analyze.sh自动识别指定周期内无调用的技能，按access_type分类给出「保留/复审/卸载」三级建议 - 输出格式：支持终端表格与 JSON 两种格式，便于集成到自动化工作流
3. 技能资产管理
- 技能注册表：维护带元数据的技能清单，包含
access_type（route/tool/script）分类，这是分析准确性的关键维度 - 路径无关设计：通过
path_utils.py动态解析安装位置，支持任意目录部署 - 数据隔离：用户数据存放于
data/目录，通过.clawhubignore排除发布，保护隐私
显著优点
- 零侵入设计：无需修改现有技能代码，纯外围日志式采集
- 智能分类处理：区分 LLM 路由技能（可分析）与内置工具/直接脚本调用（排除），避免误报
- 自动化程度高：支持 cron 定时扫描，可无人值守运行
- 决策导向输出：不堆砌数据，直接给出「卸载建议」等可执行结论
- 隐私优先架构：用户行为数据完全本地隔离，不随技能包发布
潜在缺点与局限性
- 检测盲区：
tool和script类型的技能调用无法自动检测（设计取舍，非技术缺陷） - 依赖用户习惯：
route类型技能的手动记录依赖用户主动执行，遗漏将影响分析准确性 - 无实时监控：基于会话日志的离线分析，非实时流式统计
- 生态绑定：专为 OpenClaw/Hal Stack 设计，其他 Agent 框架需适配
- 成功判定主观：「成功/失败」依赖用户标注或启发式规则，可能存在偏差
适合人群
- 拥有 10+ 技能的「重度用户」，难以凭记忆管理技能库
- 追求 ROI 优化的效率型用户，希望识别「僵尸技能」
- 团队协作场景下的技能管理员，需要审计使用分布
- 喜欢数据驱动决策、厌恶「可能有用所以留着」式囤积的极简主义者
常规风险
- 数据积累风险：长期运行后
usage.json可能膨胀，需定期归档或清理 - 路径解析失败：极端自定义安装场景下
path_utils.py可能失效（虽设计已做防护） - cron 配置失误：自动化脚本若日志路径权限不当，可能导致静默失败
- 版本漂移：技能元数据（如
access_type）与实际实现不一致时，分析结论失真 - 隐私泄露隐患：尽管设计隔离，用户若误操作将
data/提交至 Git，仍可能暴露使用模式