核心用途
OpenClaw Agent Optimization 是一款面向 OpenClaw 工作空间的专业调优技能，采用审计优先架构，通过系统化分析成本结构、模型路由策略、上下文膨胀和委派效率，输出可执行的优化方案。
显著优点
安全性设计：严格遵循"advisory first"原则，所有持久化变更需经显式批准，默认仅输出审计报告与提案，杜绝意外配置破坏。
结构化方法论：将复杂优化拆解为六大高杠杆维度——输出静默化、工作-通知分离、启动项精简、专家技能按需加载、量化验证指标、回滚路径保障。
ROI 导向：优先识别"始终可见专家技能过多"等隐性成本黑洞，推荐最小可行变更而非大规模重构，降低操作风险。
量化验证体系：强调以 /context json 等权威指标（promptChars、projectContextChars、eligible skills）替代主观感受，确保优化效果可测量。
潜在局限
- 运行时依赖：部分环境存在技能/配置会话快照机制，变更后需新开会话生效，对新手可能产生"变更未生效"困惑
- 生态锁定：专为 OpenClaw 架构设计，迁移至其他 Agent 平台需重新适配
- 被动触发：不提供主动监控告警，依赖用户识别性能退化后手动调用
适合人群
高频使用 OpenClaw 的开发者、运维团队负责人，以及面临上下文膨胀、成本失控或响应延迟问题的生产环境维护者。
常规风险
- 未经批准的变更操作（已被安全契约阻断）
- 会话快照导致的配置延迟生效
- 过度优化引发的监控覆盖盲区（技能会强制提示并需用户选择）