oc-doctor

核心功能

claw-doctor 是一款专为 OpenClaw 部署设计的本地诊断工具，执行覆盖 11 个关键维度的深度健康检查，包括：安装版本验证、配置一致性审计、会话维护策略、模型上下文对齐、会话健康度、定时任务状态、安全 misconfiguration、资源使用统计、网关进程健康、系统指令 Token 预算等。

显著优点

1. 全面性：11 个诊断模块覆盖从安装到运行的完整生命周期，单次扫描即可定位配置漂移、会话膨胀、安全漏洞等隐蔽问题
2. 结构化输出：CRITICAL/WARNING/INFO 三级 severity 分级，配合具体修复命令，降低运维决策成本
3. 交互式修复：支持一键批量修复 WARNING 及以下级别问题，CRITICAL 问题单独确认，平衡效率与安全
4. Token 预算意识：独创的系统指令健康检查（Section 11），量化静态 prompt 占用的上下文窗口比例，预防运行时截断
5. 安全设计：强制敏感信息脱敏（API key 仅显示前8位），所有修改操作需用户显式确认

潜在局限

• 平台限制：仅支持 macOS/Linux，Windows 环境无法运行
• 依赖前置：要求本地已安装 openclaw 与 jq 二进制
• 只读优先：除用户确认外不自动修改任何文件，某些场景下需手动执行建议命令
• 无网络诊断：纯本地工具，不验证远程网关可达性或 API 配额状态

适用人群

• 长期运行的 OpenClaw 生产环境管理员
• 遇到「会话莫名其妙丢失」「上下文被截断」「定时任务堆积」等疑难杂症的进阶用户
• 需要安全审计或迁移前健康评估的运维人员

常规风险

• 误报可能：某些 WARNING（如 requireMention: false）可能是业务需求所需，需人工判断
• 修复副作用：批量清理 orphan session 文件前建议备份，尽管工具会 dry-run 预览
• Token 计算误差：系统指令 Token 估算基于字符数近似，实际因 tokenizer 差异可能存在 ±10% 偏差

核心用法

claw-doctor 是一款专为 OpenClaw 本地部署设计的综合诊断工具。用户通过自然语言触发（如"openclaw doctor"、"claw health check"），Skill 将自动执行 11 个维度的系统健康检查：安装版本验证、配置一致性审计、会话维护策略、模型对齐检测、会话健康扫描、定时任务排查、安全配置审查、资源使用统计、网关进程监控、系统指令 token 占用分析等。诊断结果以结构化报告呈现，按 CRITICAL/WARNING/INFO 三级严重程度分类，每个发现项包含具体描述、影响评估和修复建议。用户可选择交互式修复，支持批量处理 WARNING 及以下级别问题，CRITICAL 问题需单独确认。

显著优点

诊断深度全面：覆盖从底层进程到高层配置的完整技术栈，包括独特的模型漂移检测、上下文窗口溢出预警、系统指令 token 预算分析等高级功能，这是官方工具未提供的深度洞察。

安全优先设计：所有敏感配置自动脱敏（API 密钥仅显示前 8 位），修复操作需用户显式确认，文件修改前强制备份，符合企业安全审计要求。

本地化零依赖：纯本地运行，不发起任何网络请求，所有数据驻留用户设备，通过 GDPR 数据最小化认证，适合高安全等级环境。

智能交互体验：自动识别用户语言（支持中英等多语言），诊断报告支持一键修复，无需手动编辑配置文件，大幅降低运维门槛。

开源可审计：MIT 许可证，GitHub 完全公开，代码经静态分析无危险函数，信任来源 T2 级别。

潜在缺点与局限性

平台限制：仅支持 macOS 和 Linux，Windows 用户无法使用。依赖 jq 工具需预装，对非技术用户存在额外步骤。

修复范围边界：自动修复主要集中在配置优化、文件清理等安全操作，涉及核心架构变更（如模型降级、权限收紧）仍需人工判断，不能完全无人值守。

上下文窗口估算依赖启发式：系统指令 token 计算基于字符估算而非精确 tokenizer，在高精度场景可能存在偏差，且依赖 models.json 的 contextWindow 定义准确性。

深度诊断的学习成本：11 个检查维度的输出信息密集，初次使用需要理解 OpenClaw 架构才能充分解读建议，对新手有一定认知负担。

适合的目标群体

OpenClaw 重度用户：日活会话多、定时任务复杂的生产环境运维者，需要预防性维护避免系统性能衰减。

团队技术负责人：管理多成员共享的 OpenClaw 实例，需定期审计安全配置（如群聊权限、网关认证模式）防止配置漂移导致的安全敞口。

企业 IT/安全团队：需将 AI Agent 纳入现有运维体系，claw-doctor 的结构化输出可集成到监控告警流程，满足合规审计要求。

进阶个人用户：遇到"会话丢失"、"模型响应异常"、"定时任务不执行"等问题时，需要系统化排查而非反复试错。

常规使用风险

误修复风险：批量修复功能虽便捷，但可能误删用户本意保留的禁用定时任务或特定历史会话。建议首次使用先运行诊断但不修复，理解建议内容后再操作。

配置变更副作用：修复安全配置（如将 Feishu groupPolicy 从"open"改为"closed"）可能影响现有工作流，需评估业务影响。

资源消耗：大型实例（数千会话、GB 级缓存）的完整诊断可能耗时数十秒，期间磁盘 I/O 较高，建议在低峰期运行。

依赖版本兼容性：Skill 针对 OpenClaw 特定版本设计，若用户运行大幅修改的 fork 版本或未来主版本变更，诊断逻辑可能不适用。

诊断报告的数据驻留：报告内容进入 LLM 对话上下文，虽 Skill 本身脱敏敏感信息，但用户若在后续对话中粘贴完整配置，存在间接泄露风险。