核心用法
smart-followups 是 OpenClaw 平台的原生 Skill，通过 /followups 斜杠命令（或别名 /fu、、/suggestions`）触发。用户在任何对话节点输入该命令后，系统会基于近期对话上下文，调用当前会话的 AI 模型生成三个结构化追问建议：⚡ Quick（快速澄清）、🧠 Deep Dive（深度技术探索）、🔗 Related（关联主题拓展）。输出形式根据通道能力自动适配——Telegram/Discord/Slack 呈现为可点击按钮，Signal/WhatsApp/iMessage/SMS/Matrix/Email 则输出编号文本供用户回复数字选择。
显著优点
零门槛部署：核心 Skill 无需 API 密钥，直接继承 OpenClaw 现有认证与会话模型，真正做到即装即用。CLI 工具虽需独立配置密钥，但与主 Skill 完全解耦，不影响核心体验。
全通道覆盖：支持 9 种主流消息通道，从富交互的按钮界面到纯文本的编号回复，实现一致的功能体验与差异化的交互适配。
智能分层设计：三类建议覆盖用户不同探索意图——Quick 解决即时困惑，Deep Dive 满足专业深挖，Related 拓展认知边界，有效降低用户"不知道问什么"的流失场景。
架构轻量安全：核心模块零外部 npm 依赖，无网络请求、无文件操作、无动态代码执行，纯逻辑处理特性使其天然适配沙盒环境。
潜在缺点与局限性
解析鲁棒性待加强：handler.js 中使用正则表达式提取 JSON 响应，边界情况处理可能存在瑕疵，极端场景下或导致建议生成失败。
会话状态易失：建议缓存仅存储于内存且 10 分钟过期，长间隔对话或服务器重启后用户无法通过数字回复追溯历史建议。
模型依赖性强：建议质量完全绑定当前会话的 AI 模型能力，若底层模型上下文理解不足，生成的追问可能与用户真实需求错位。
CLI 工具隔离：独立 CLI 需额外配置 OpenRouter 或 Anthropic 密钥，与主 Skill 的配置体系不互通，增加测试与脚本化使用的认知成本。
适合的目标群体
- OpenClaw 平台运营者：希望快速提升多通道聊天机器人的用户 engagement 与对话深度
- 教育/培训场景开发者：需要引导学员循序渐进探索知识点的智能导师系统
- 客服自动化团队：旨在降低用户提问门槛、主动挖掘潜在需求的对话式服务产品
- 社区运营者：运营 Discord/Telegram 等社群，希望通过智能追问提升讨论活跃度
使用风险
性能风险：建议生成依赖 AI 模型推理，高并发场景下可能增加响应延迟；内存会话存储在极端流量下存在 OOM 隐患。
依赖风险：CLI 工具依赖外部 API 服务（OpenRouter/Anthropic），可用性与定价策略受第三方制约。
体验一致性风险：不同通道的交互模式差异（按钮 vs 数字回复）可能导致用户学习成本，跨平台迁移时需重新适应。
隐私合规风险：对话上下文需传输至 AI 模型处理，敏感场景需确认 OpenClaw 及可选提供商的数据处理协议符合 GDPR/等保要求。