ClawHub

Agent Efficiency Manager

Other

定期分析所有 Agent 的 token 使用效率，智能推荐技能配置，生成优化报告并自动推送，实现 Agent 长期自我优化。

Install

openclaw skills install agent-efficiency-manager

SKILL.md

License: MIT
Copyright: 2026 perrykono-debug

name: agent-efficiency-manager description: Agent 效率优化与自我进化管理器。定期分析所有 Agent 的 token 使用效率，识别可优化的技能配置，从 skillhub 发现并推荐新技能，自动推送优化建议，长期跟踪效率指标实现自我进化。触发场景：(1) 用户要求"优化 agent"、"降低 token 成本"、"提升效率", (2) 定期效率分析与推送, (3) 发现新技能并评估适用性, (4) 生成效率报告与优化建议

Agent Efficiency Manager

Agent 效率优化与自我进化管理器，通过定期分析、智能推荐和持续跟踪，实现 Agent 长期自我优化。

Workflow Decision Tree

用户请求优化
    ├─ 分析模式 → Run analyze_agent_efficiency.py
    ├─ 推荐模式 → Run fetch_skillhub_skills.py + generate_recommendations.py
    ├─ 跟踪模式 → Run track_metrics.py
    └─ 推送模式 → Run push_notifications.py

Core Capabilities

1. 效率分析（analyze_agent_efficiency.py）

扫描 openclaw.json 中所有 Agent 配置，计算效率指标：

指标定义（参见 references/metrics_definitions.md）：

  • skill_count：技能数量
  • estimated_tokens：预估 token 消耗（每个 skill 约 500-1000 tokens）
  • efficiency_score：效率评分（0-100，基于 skill 相关度）
  • redundancy_count：重复/无关技能数量

执行：

python3 scripts/analyze_agent_efficiency.py --config ~/.qclaw/openclaw.json --output metrics.json

输出： JSON 格式效率报告，包含每个 Agent 的详细指标和优化建议。

2. 技能推荐（fetch_skillhub_skills.py + generate_recommendations.py）

从 skillhub 获取可用技能列表，基于 Agent 角色推荐适配技能：

执行：

# 步骤1：获取 skillhub 技能列表
python3 scripts/fetch_skillhub_skills.py --output available_skills.json

# 步骤2：生成推荐
python3 scripts/generate_recommendations.py --config ~/.qclaw/openclaw.json --available available_skills.json --output recommendations.json

推荐逻辑（参见 references/recommendation_logic.md）：

  • 匹配 Agent 角色与技能描述
  • 排除已安装的技能
  • 优先推荐高评分、高频使用的技能
  • 检测技能冲突（功能重复）

3. 指标跟踪（track_metrics.py）

长期记录效率指标，生成趋势分析：

执行：

python3 scripts/track_metrics.py --config ~/.qclaw/openclaw.json --history metrics_history.json --output trend_report.md

跟踪内容：

  • Token 消耗趋势（按周/月）
  • 技能数量变化
  • 效率评分演变
  • 优化建议采纳率

4. 自动推送（push_notifications.py）

通过企微/腾讯文档推送优化建议：

执行：

python3 scripts/push_notifications.py --recommendations recommendations.json --channel wecom --webhook YOUR_WEBHOOK_URL

推送内容：

  • 每周效率报告
  • 新技能推荐（附使用场景说明）
  • 配置优化建议（具体 skills 增删列表）
  • 成本节省预估

Quick Start

场景 1：全量效率分析

用户说："分析所有 Agent 的效率，给出优化建议"

执行流程：

  1. 运行 analyze_agent_efficiency.py 生成效率报告
  2. 运行 fetch_skillhub_skills.py 获取可用技能
  3. 运行 generate_recommendations.py 生成推荐
  4. 输出综合优化建议（Markdown 格式）

场景 2：定期监控与推送

用户说："每周一早上 9 点推送效率报告"

执行流程：

  1. 创建 cron 任务（qclaw-cron-skill）
  2. 定时运行分析脚本
  3. 生成报告并推送（企微/webchat）

场景 3：技能发现与评估

用户说："有没有新技能可以提升 Stock 大作手的效果？"

执行流程：

  1. 运行 fetch_skillhub_skills.py
  2. 针对 "stock" Agent 运行 generate_recommendations.py
  3. 输出推荐技能列表（含评分和理由）

Optimization Patterns

常见优化模式（详见 references/optimization_patterns.md）：

模式做法Token 节省
去重移除 another_them / another-them 重复~1000
去无关移除跨领域技能（股票 Agent 不留房产技能）~500-2000
精简基础只保留 1-2 个基础配置技能~500-1000
按需启用一次性工具（如 qclaw-migration）不常驻~500

Resources

scripts/

  • analyze_agent_efficiency.py：效率分析脚本
  • fetch_skillhub_skills.py：获取 skillhub 技能列表
  • generate_recommendations.py：生成优化建议
  • track_metrics.py：跟踪长期指标
  • push_notifications.py：推送通知

references/

  • metrics_definitions.md：效率指标定义与计算方法
  • optimization_patterns.md：常见优化模式与案例
  • recommendation_logic.md：技能推荐逻辑详解

assets/

（本技能无需静态资源）

Notes

  • 预估 token 消耗：每个 skill 的 SKILL.md 约 500-1000 tokens，实际消耗取决于模型和内容长度
  • 安全操作：所有优化建议默认为"建议"模式，需用户确认后才执行 config.patch
  • 定期运行：建议每周运行一次完整分析，每日运行快速检查
  • 自我进化：跟踪优化建议的采纳情况，持续改进推荐算法