核心用法
Skill Insight 是一款面向 AI 代理的技能使用分析与优化工具，属于 Hal Stack 生态组件。其核心工作流程分为三个阶段：
1. 数据采集
- 自动记录：通过
record.sh手动标记技能调用，支持记录技能名称、场景、执行结果 - 自动扫描：
scan_sessions.py分析 OpenClaw 历史会话，通过正则匹配检测技能调用模式 - 结果更新：
record_outcome.sh支持按记录 ID 或技能名+场景更新成功/失败状态
2. 报告生成
- 周期报告：日/周/月/全时段使用频率统计，支持 JSON/文本输出
- 成功率分析：每个技能的调用成功/失败比率
- 零调用检测：
analyze.sh识别闲置技能并给出 Keep/Review/Uninstall 建议
3. 技能注册
- 维护
skill_registry.json元数据库，记录技能类别、访问类型（route/tool/script）、安装日期等 - 支持
access_type差异化分析：LLM 路由型技能可完整追踪，内置工具/直接脚本调用需手动管理
显著优点
- 数据驱动决策：将技能管理从直觉判断转为量化分析，避免"安装即遗忘"的资源浪费
- 架构设计优良：路径无关设计（path-agnostic）、用户数据隔离（
data/目录被.clawhubignore排除）、无硬编码路径 - 自动化程度高：支持 cron 定时扫描，可集成到日常运维流程
- 多维度洞察：不仅统计使用频率，还关联场景标签、成功率、技能类别等元数据
- 隐私友好：用户敏感数据不随技能包发布，符合开源分发安全要求
潜在缺点与局限性
- 手动记录依赖：
route类型技能（LLM 路由触发）无法自动检测，需用户主动调用record.sh，存在遗漏风险 - 扫描覆盖率有限：自动扫描仅识别
exec/shell命令调用的技能，对纯对话触发、工具调用（MCP）等模式无感知 - 数据持久化风险：用户数据存储于本地 JSON 文件，无备份机制，误删或损坏将导致历史记录丢失
- 分析粒度较粗：未提供技能内部子功能调用分析，无法识别"大技能"中实际活跃的功能模块
- 跨设备同步缺失：无云同步能力，多设备使用时数据分散
适合人群
- AI 代理重度用户：安装了大量技能但缺乏使用洞察的 OpenClaw/Claude Code 用户
- 技能开发者：需要验证自己发布的技能在实际场景中的激活率
- 团队管理员：希望标准化团队成员的技能配置，减少冗余安装
- 效率优化追求者：倾向于用数据指导工具栈精简的极客用户
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 数据完整性风险 | 手动记录遗漏导致分析偏差 | 设置使用后的强制记录习惯，或结合 cron 扫描补充 |
| 隐私泄露风险 | `data/` 目录虽被 ignore，但用户可能误操作提交 | 确认 `.clawhubignore` 生效，敏感数据不上传 |
| 路径解析风险 | 动态路径解析在极端环境下可能失败 | 监控 `path_utils.py` 的异常日志 |
| 依赖过时风险 | cron 脚本依赖系统 Python/Bash 环境 | 定期检查脚本兼容性 |
版本说明：v1.0.1 修复了 sys.path 导入、scan_sessions 闭包、命名一致性、cron 日志路径等关键 bug，建议优先使用该版本。