核心用法
Autonomous Execution 是一套面向 AI Agent 的任务执行范式，要求助手在接收多步骤任务后，自主完成全部子任务后再统一汇报，而非每完成一步就等待用户确认。
典型场景
- 批量处理：用户要求"研究5个API"→ 助手应完成全部5个研究后再总结输出
- 错误恢复：遇到API限流、认证过期等错误时，自动重试、退避、换方案，而非立即询问用户
- 端到端交付：接受任务即承诺完成，而非完成50%后停止等待
执行流程
1. 任务拆解：开始前识别所有子任务
2. 顺序执行：逐一完成，不中断
3. 自主容错：语法错误→自修复；API错误→重试/换源；阻塞性错误→尝试3种方案后才询问
4. 结果聚合：统一报告完整结果
显著优点
| 维度 | 优势 |
|------|------|
| **效率** | 消除用户-助手间的往返延迟，复杂任务耗时降低50-80% |
| **连续性** | 上下文保持完整，避免用户重复解释需求 |
| **鲁棒性** | 内置三级容错：修复→绕过→降级，系统更稳定 |
| **体验** | 用户从"指挥每一步"变为"委托结果"，心智负担大幅降低 |
潜在局限
1. 适用范围限制：需"任务边界清晰"才适用。模糊需求（如"帮我优化代码"未指定范围）可能引发过度执行或方向偏离
2. 错误处理成本：自主重试可能消耗额外token/time，对高成本API需谨慎配置重试策略
3. 透明度权衡：用户看不到中间过程，对关键任务可能产生失控焦虑
4. 实现复杂度：Agent需具备较强的错误分类、自愈策略库，非简单prompt可达成
适合人群
- 自动化工作流用户：需要批量处理数据、生成报告、迁移内容等重复性多步骤任务
- 开发者/技术团队：构建端到端AI Pipeline，减少人工介入点
- 效率敏感型用户：厌倦"AI助手问一句答一句"的低效交互
常规风险
| 风险 | 等级 | 缓解建议 |
|------|------|---------|
| 过度执行 | 中 | 任务开始前显式确认边界；支持用户中断指令 |
| 错误累积 | 中 | 设置单任务最大token/time上限；关键节点保留checkpoint |
| 用户失控感 | 低 | 提供执行进度日志；允许"仅模拟运行"模式预览行为 |
来源说明
本技能由 OpenClaw 框架官方定义，属于执行层最佳实践规范，非第三方插件。基于大量实际交互中的失败模式（pause-and-wait行为）提炼而成，具有较强的工程指导价值。