核心用法
OpenClaw Skill Lazy Loader 采用惰性加载（Lazy Loading）架构，将传统"会话启动时加载全部技能文件"的模式，替换为"仅加载轻量级目录索引，任务触发时再加载具体技能"。
实施三步走：
1. 创建 SKILLS.md 目录文件（约150-400 tokens）——替代原有多技能文件批量加载
2. 重构 AGENTS.md 加载策略——会话启动仅读目录，任务执行时按需读取单个 SKILL.md
3. 使用 context_optimizer.py 辅助决策——基于任务描述智能推荐需加载的技能组合
显著优点
- token成本锐减：单会话上下文加载从3,000-15,000 tokens降至约600-1,100 tokens，最高节省93%
- 线性扩展友好：技能库膨胀不再导致启动成本线性增长
- 与 Token Optimizer 协同：形成"加载层+运行时层"的完整成本优化闭环
- 零侵入设计：不改变既有技能文件结构，纯策略层改造
- 可复用至记忆系统：同样的目录索引模式可应用于 MEMORY.md 等历史上下文管理
潜在局限与风险
- 首次命中率依赖：任务意图识别偏差可能导致技能加载不足，需多轮交互补充
- 目录维护成本：SKILLS.md 需随技能库更新同步维护，否则出现"目录中有、实际缺失"或"新技能未入库"的索引失效问题
- 冷启动延迟：首次调用特定技能时产生额外文件读取延迟（通常<100ms，可忽略）
- 上下文碎片化：高度交叉领域的复杂任务可能需要连续加载多个技能，反而增加交互轮次
适合人群
- 高频、多技能场景用户：日活会话>50次、技能库>10个的规模化部署
- 成本敏感型组织：API token预算受控，需精确预测月度消耗的团队
- CI/CD集成场景：短时、原子化任务为主的自动化流水线（每毫秒token都在计费）
常规风险
- 过度优化陷阱：技能粒度切割过细可能导致目录臃肿，抵消加载收益
- 审计追踪缺口：按需加载模式下，需额外记录"某会话实际加载了哪些技能"以满足合规审计
- 模版误用：直接复制AGENTS.md.template而未根据实际技能库调整SKILLS.md，会导致智能体"找不到技能"