核心用法
Inference Optimizer 是面向 OpenClaw 平台的推理性能调优工具，采用命令触发式交互设计。核心入口为三条指令路径：
- `/preflight` —— 安装前检查流程，执行备份、审计、配置预览，用户确认后可应用设置
- `/audit` —— 纯分析模式，仅生成审计报告，绝不触发任何文件变更操作
- `/optimize` —— 分析+执行模式，先完成审计，再基于结果向用户提出优化建议并等待逐条批准
典型工作流为：先执行 /audit 获取 OpenClaw token 使用全景扫描，审查冗余会话、配置低效项；若需清理，可手动运行 purge 脚本，或通过 /optimize 进入交互式清理流程。优化动作（如 workspace 重写、心跳配置、部署脚本）均要求显式用户确认，符合最小权限原则。
显著优点
- 操作分层清晰：audit-only 与 optimize-action 严格分离，避免误触生产环境
- 可逆安全设计：purge 操作默认先归档至
~/openclaw-purge-archive/<timestamp>/，支持回滚 - 最小权限执行：文件变更步骤需逐条批准，无批量自动重写风险
- 脚本化可审计：所有操作封装为独立 bash 脚本，便于版本管理与日志追溯
潜在缺点与局限性
- 依赖外部脚本：核心逻辑分散在
preflight.sh、openclaw-audit.sh、purge-stale-sessions.sh等脚本中，若脚本路径或权限配置不当会导致执行失败 - 平台绑定性强：专为 OpenClaw 生态设计，迁移至其他推理框架需重写适配层
- 交互式阻塞：optimize 流程的逐条批准机制在大规模集群场景下效率受限
- 无自动回滚：虽然 purge 默认归档，但配置重写（workspace、heartbeat）若无备份则无法一键还原
适合人群
- OpenClaw 平台运维工程师，需定期审计 token 消耗与会话健康度
- 成本敏感型团队，希望识别并消除推理资源浪费
- 追求“人工-in-the-loop”安全模型的组织，拒绝全自动优化代理
常规风险
1. 数据丢失风险：purge-stale-sessions.sh 若使用 --delete 参数将跳过归档直接删除，不可逆
2. 配置漂移：preflight 的 --apply-setup 可能覆盖现有调优参数，需提前备份
3. 权限提升隐患：若 exec-approvals.json 为便利而配置通配符允许规则，可能扩大 agent 执行面
4. 审计盲区：audit 脚本输出依赖 OpenClaw 内部 API，若 API 返回不完整则优化建议可能基于过时数据