核心用法
Skill Insight 是一款专为 AI 代理设计的技能使用分析与优化工具，属于 Hal Stack 生态组件。其核心工作流围绕「记录-分析-优化」展开：
记录层：通过 record.sh 手动记录技能调用（含场景、结果备注），或通过 scan_sessions.py 自动扫描近期 OpenClaw 会话日志，识别技能执行模式（基于路径匹配 /skills/<name>/ 和词边界正则）。支持 record_outcome.sh 补录成功/失败状态。
分析层：report.sh 生成日/周/月/全周期多维度报告，输出调用次数、成功率、时间分布；analyze.sh 基于设定周期（默认30天）识别零调用技能，输出「保留/复审/卸载」三级建议。
管理层：add_skill.sh 维护技能注册表（skill_registry.json），记录技能元数据包括 access_type（route/tool/script）、类别、标签等，为卸载分析提供决策依据。
显著优点
- 数据驱动决策：将「该不该留这个技能」从主观判断转为量化指标
- 自动化程度高：支持 Cron 定时扫描与报告生成，减少人工介入
- 架构清晰：用户数据隔离于
data/目录，通过.clawhubignore排除发布，保障隐私 - 国际化支持：v1.0.5 起完整支持
--lang en/zh双语输出 - 泛化检测：自动扫描不依赖硬编码技能名，适配任意已安装技能
潜在缺点与局限
- 检测盲区：
access_type=route的 LLM 路由型技能无法自动检测，必须手动记录；tool/script类型亦不参与卸载分析 - 冷启动问题：需要积累足够数据（建议至少7天）才能产生有价值的分析
- 场景标注依赖：
[scene]字段为可选参数，若用户不主动标注，难以追溯调用上下文 - 无实时仪表盘：纯 CLI 报告形态，无 Web UI 或可视化图表
适合人群
- 管理 10+ 技能的「技能囤积者」，希望精简技能栈
- 多项目并行的开发者，需追踪不同场景下的技能使用偏好
- 注重资源优化的团队，希望基于数据做技能采购/卸载决策
- 对 AI 代理行为有审计需求的进阶用户
常规风险
- 数据持久化风险：
data/目录虽被忽略发布，但若用户误删或迁移工作区，历史记录将丢失 - 隐私泄露：使用记录包含场景描述（如「meeting system backend」），可能含敏感信息
- 误报漏报：自动扫描基于正则匹配，技能名变体或别名可能导致统计遗漏
- 过度优化：高频≠高价值，低频技能可能在关键场景不可替代，建议结合业务价值综合判断