Context Doctor

上下文诊断。随时检查当前会话的健康状态——context 使用率、token 消耗趋势、哪些工具调用最占空间、预估还能聊多少轮、给出优化建议。触发词：体检、诊断、context doctor、健康检查、token 用了多少、还能聊多久、会话状态。

wavmson@wavmson

Install

openclaw skills install @wavmson/ctx-doctor

Context Doctor — 上下文诊断

给你的对话做一次全面体检。

什么时候用

用户说"体检"、"诊断"、"context doctor"
对话感觉变慢时（可能接近 context 上限）
长时间工作后想了解消耗情况
决定是否需要 compact 之前
定期检查（建议每 20-30 轮对话检查一次）

核心理念

每次对话都有一个隐形的"油箱"—— context window。用着用着就满了，但你看不到油量表。满了之后要么报错，要么被强制压缩丢信息。

Context Doctor 就是这个油量表：

告诉你用了多少、还剩多少
找出最占空间的"油耗大户"
预测还能跑多远
建议什么时候该"加油"（compact）

执行流程

Step 1 — 采集数据（Collect）

通过 session_status 获取当前 session 的实时数据：

总 context window 大小（如 200,000 tokens）
当前已使用 tokens（输入 + 输出）
本次 session 消耗（输入 tokens、输出 tokens、费用）
模型信息（当前使用的模型和配置）

Step 2 — 分析对话结构（Analyze）

回顾当前对话，统计：

总轮次：用户和 Agent 各说了多少轮
工具调用次数：exec、read、write、web_search 等各多少次
工具输出大小排行：哪些工具调用返回了最多内容
最大单次输出：最占空间的那次工具调用是什么
重复内容检测：是否有多次读取同一文件等冗余操作

Step 3 — 健康评估（Diagnose）

根据采集的数据生成健康评分：

指标	健康 🟢	注意 🟡	危险 🔴
Context 使用率	<50%	50-80%	>80%
单轮平均 tokens	<2000	2000-5000	>5000
工具输出占比	<60%	60-80%	>80%
预估剩余轮次	>30	10-30	<10

综合评分：

A（优秀）：所有指标绿灯，可以放心继续
B（良好）：个别黄灯，留意但不急
C（注意）：多个黄灯或一个红灯，建议准备 compact
D（警告）：多个红灯，强烈建议立即 compact
F（危险）：随时可能触发强制压缩

Step 4 — 生成报告（Report）

输出可视化诊断报告：

text

🏥 Context Doctor 诊断报告
━━━━━━━━━━━━━━━━━━━━━

📊 综合评分：B（良好）

🔋 Context 油量
████████████░░░░░░░░ 58% (116,000 / 200,000)

📈 消耗统计
├─ 对话轮次：23 轮
├─ 输入 tokens：89,000
├─ 输出 tokens：27,000
├─ 本次费用：$0.42
└─ 平均每轮：5,043 tokens

🔍 空间占用 TOP 5
1. exec(cat large-file.log)     — 12,300 tokens（10.6%）
2. web_fetch(docs.openclaw.ai)  — 8,200 tokens（7.1%）
3. read(MEMORY.md)              — 4,500 tokens（3.9%）
4. exec(git log --oneline)      — 3,800 tokens（3.3%）
5. web_search("OpenClaw skills") — 2,100 tokens（1.8%）

⚠️ 发现问题
- exec 输出占总 context 的 42%，建议对大输出使用 head/tail 截断
- MEMORY.md 被读取 3 次，考虑缓存到对话上下文中

🔮 预测
├─ 预估剩余：约 17 轮对话
├─ 建议 compact 时机：再聊 10 轮后
└─ 如果继续当前节奏：约 35 分钟后达到 80%

💡 优化建议
1. exec 命令加 | head -50 限制输出长度
2. 大文件用 read 的 offset/limit 参数分段读取
3. 考虑在下一个自然断点执行 compact

Step 5 — 趋势追踪（Trend）

如果多次执行诊断，对比历史数据：