（7707期）OpenClaw Skill Lazy Loader – 按需加载技能，砍掉九成token浪费

按需加载技能，砍掉九成token浪费 通过SKILLS目录索引与按需加载策略，减少40%-70%的会话级token消耗，适配所有OpenClaw智能体。 使用说明 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： 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 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 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" 原始说明 Dramatically reduce per-session token usage by loading skills and context files only when needed — not at session start. Includes the SKILLS catalog pattern,...