Agent Doppelgänger（ADG）是一款基于策略门控架构的身份代理技能，旨在以安全可控的方式代用户处理日常通信任务。该技能通过 Adapter 统一接入 Email、Discord、Slack、WhatsApp 等渠道，利用 Intent Analysis 模块对消息进行多维度意图分类（Domain、Stakes、Authority、Ambiguity），并在响应生成前严格执行声明式策略（Policy DSL）检查，确保所有操作均在用户预定义的权限边界内。
ADG 的核心优势在于其"策略先行"的安全设计理念。与常规 AI 代理不同，ADG 在生成任何响应前必须通过 Policy Gate 评估，从根本上防止提示词注入或权限越界。其身份建模系统通过 Style（风格）、Heuristics（启发式）、Preferences（偏好）和 Constraints（约束）四层结构精确模拟用户行为特征，同时默认采用 draft_only 模式，要求人工确认后才发送消息。数据隐私方面，ADG 采用零网络传输设计（outbound: false），所有数据本地存储于 ~/.openclaw/adg/ 目录，敏感内容自动脱敏，并提供完整的审计日志追踪。
然而，该技能也存在一定局限性。作为 T3 级社区开源项目（OpenClaw Community），其长期维护稳定性和企业级支持尚待验证。功能上，ADG 仅依赖 Python 标准库和 PyYAML，缺乏与外部 AI 服务或复杂企业系统的深度集成能力。此外，用户需要投入时间配置 policies/authority.yaml 等策略文件，配置复杂度较高，错误的策略规则可能导致误拦截或过度授权。
该技能最适合高频通信负载的职场人士、社区管理员或需要维护一致个人品牌的专业人士，特别是那些希望自动化处理常规咨询、日程协调等重复性沟通，同时又对安全性和身份一致性有严格要求的用户。对于涉及金融交易、法律文件、医疗建议或政治敏感话题的场景，ADG 明确禁止处理并会触发自动升级机制。
使用风险主要包括策略配置错误导致的通信中断、社区维护不确定性带来的长期可用性风险，以及意图分析置信度不足时频繁触发人工确认可能降低效率。建议用户初始阶段严格使用 Draft 模式，定期审查审计日志，并为不同通信渠道设置差异化的置信度阈值。