核心用法
context-engineer 是一款专为 LLM 智能体设计的上下文窗口优化工具。它通过命令行接口对 OpenClaw 工作空间进行全面分析，帮助用户理解 token 的实际去向，并提供可量化的优化建议。
主要功能模块：
analyze：扫描工作空间的 SKILL.md、SOUL.md、MEMORY.md 等文件，计算各组件的 token 占用，生成效率评分与优化建议；支持自定义预算（--budget）和快照保存（--snapshot）audit-tools：审查openclaw.json中的工具定义，识别冗余、重叠和未使用的工具，量化每个工具的 token 开销report：生成综合上下文工程报告，支持终端格式输出compare：对比两个快照文件，计算预期的 token 节省量
显著优点
1. 零依赖设计：仅依赖 Python 3 标准库，无需额外安装，部署门槛极低
2. 全面覆盖：从系统提示词、工具定义到记忆文件、技能开销，无死角扫描
3. 量化决策：提供百分比占比、token 计数、效率评分等硬指标，避免盲目优化
4. 快照驱动：支持 before/after 对比，让优化效果可追踪、可验证
5. 开源生态：MIT 协议，由 CacheForge 维护，与 OpenClaw 深度集成
潜在局限
- 估算精度：采用 ~4 字符/token 的近似估算，非模型专属 tokenizer 的精确值
- 输出格式单一：当前仅支持终端格式，缺少 JSON/结构化输出便于 CI/CD 集成
- 静态分析：仅分析配置文件内容，无法评估运行时动态上下文的增长模式
- 生态绑定：核心功能深度耦合 OpenClaw 目录结构，通用性受限
适合人群
- 频繁遭遇上下文窗口不足的 OpenClaw/Claude 用户
- 需要维护多技能系统的 AI 智能体开发者
- 追求 token 成本优化的企业级 Agent 运维团队
- 对提示工程有量化分析需求的技术研究人员
常规风险
- 路径敏感：依赖特定目录结构（
~/.openclaw），自定义部署需手动调整路径参数 - 误删风险：优化建议可能包含删除建议，用户需人工确认后再执行，避免误删必要配置
- 预算认知偏差：默认 200K token 预算可能与实际使用的模型窗口不符，需显式指定（如 Claude 3.5 Sonnet 200K vs GPT-4 128K）
- 快照文件管理：长期累积的快照文件可能占用磁盘，需定期清理
---
来源：CacheForge | OpenClaw 生态官方技能