Token Pilot：LLM成本控制的系统性解决方案
Token Pilot 是一个深度集成 OpenClaw 生态的智能 Token 优化技能，采用"规则引擎 + 诊断工具 + 配置优化"三位一体架构，将 Claude Code 源码级优化经验迁移至多 Agent 协作场景。
核心用法
自动规则注入：安装后执行 init.sh 向所有 Agent 的 AGENTS.md 注入 9 条核心规则（R1-R10），涵盖智能读取（先读 30 行探查）、工具结果压缩（>500 字符即摘要）、响应简洁性（"Done."是有效回复）、批量工具调用、Prompt Cache 布局等。规则在会话启动时自动生效，无需触发词。
动态诊断系统：提供 audit.js（只读诊断）和 optimize.js（可执行优化）双轨工具，支持 workspace 扫描、cron 任务优化、Agent 模型分层建议。可检测根目录脚本冗余、MEMORY.md 臃肿、工具白名单配置等隐形 Token 杀手。
插件协同检测：自动识别并协同 qmd、smart-agent-memory、coding-lead 等 8 类插件，实现搜索先于读取、记忆复用、ACP 上下文文件等高级模式，避免重复造轮子。
显著优点
量化收益明确：工具白名单配置可减少 4,000-8,000 tok/Agent/会话；根目录脚本清理实测节省 29,500 tok/session；Prompt Cache 命中后 input token 费用降 75%。
源码级可靠性：核心规则直接引用 Claude Code autoCompact.ts、tokenBudget.ts、modelCost.ts 等生产代码，非推测性建议。例如 R10 动态内容上限直接来自 context.ts 的 MAX_STATUS_CHARS=2000 设计。
多 Agent 原生设计：支持按角色类型（Heavy/Medium/Light）自动裁剪工具集，cron 任务 lightContext 模式，subagent spawn 的边际递减检测等团队场景刚需。
潜在局限
初始化依赖用户确认：首次加载需用户明确同意才执行 AGENTS.md 注入，无法完全静默部署。
配置层级易错：compaction、bootstrapMaxChars 等字段必须放在 agents.defaults 下，误写顶层会导致 OpenClaw 启动失败。
第三方技能配置风险：SKILL.md 中的"推荐配置"未必与平台 schema 对齐，需用 config.schema.lookup 验证后写入。
适合人群
- 运行 3+ Agent 的多团队协作，Token 成本随 Agent 数量线性膨胀
- 高频使用 browser/screenshot 等视觉工具，单次调用消耗极高的场景
- 有长期运行的 cron 任务（日报/巡检），冷启动 Token 累积显著
- 追求"可审计的省钱"——需要看到具体节省数字，而非模糊承诺
常规风险
- 过度压缩风险：R3 响应简洁性若执行过度，可能导致关键信息遗漏，需配合用户反馈机制（R7 角色感知可缓解）
- Cache 策略误配：bursty/通知类 Agent 若未设
cacheRetention: "none"，会因缓存写入溢价（+25%）反而增加成本 - AGENTS.md 截断风险：注入后若超
bootstrapMaxChars（默认 6000），规则会被静默截断，导致优化失效 - Skill 元数据膨胀：安装 Skill 过多且描述冗长时，系统 prompt 注入开销反而抵消优化收益