核心用法
ClawSaver 是一款行为改变型技能，通过训练助手识别会话中的相关询问，将其整合为单一结构化响应，从而减少 API 调用次数与重复上下文加载开销。用户可通过 /batch 命令主动触发批量检测，或依赖自动模式运行。
主要功能
- `/batch`：回顾最近 5 轮对话，若存在 2 个以上相关询问，提供整合方案并征求确认
- `/batch status`：报告当前会话已批次数 vs 独立响应数，估算 token/请求节省量
- `/batch off/on`：开关自动批量检测
触发信号
助手会监控特定短语模式（如"Also...""And one more thing..."、单条消息多问号等），主动建议批量处理。
---
显著优点
| 维度 | 效果 |
|------|------|
| **成本节省** | 代码审查场景可省 ~50% token，配置问答场景可达 ~60% |
| **零侵入** | 纯指令驱动，无需脚本、网络调用或 API 凭据 |
| **灵活可控** | 用户随时开关，保留明确分离响应的选项 |
| **结构化输出** | 批量响应采用清晰分块格式，不牺牲可读性 |
---
局限性与注意事项
- 非自动拦截器：本质是行为引导，依赖助手主动识别，非强制底层优化
- 适用场景有限：仅对"同一主题多问题"有效，无关任务无收益
- 顺序依赖阻断：若任务 A 输出为任务 B 输入，强制分离，可能增加轮次
- 估算为理论值："节省"基于典型场景推算，实际因模型上下文窗口计费策略而异
---
适合人群
- 使用按 token 计费 API（OpenRouter、Anthropic、OpenAI）的开发者
- 受限于请求配额的企业/团队计划用户（GitHub Copilot 等）
- 频繁进行多轮连贯询问、但受成本敏感约束的场景
---
常规风险
- 过度合并风险：若助手误判主题相关性，可能将应分离的问题捆绑，导致信息混杂
- 延迟反馈：批量响应需等待全部问题处理完成，丧失增量输出优势
- 认知负荷：用户需学习
/batch命令体系，初学者可能困惑于"何时该用" - 版本迭代风险：v1.4.0 移除分析脚本，功能纯行为化，未来若计费模型变更（如按消息而非 token），收益计算可能失效