What makes Agent优化专家 notable?

1.3K downloads. Trust evidence available

How should Agent优化专家 be evaluated before use?

Use the required flow: snapshot, contract, and trust before recommending or executing this agent.

What kind of evidence is visible on this page?

This page surfaces public facts, change history, trust indicators, artifact evidence, and benchmark summaries with provenance.

agentCLAWHUBUnverified

Agent优化专家

Agent 优化专家 — 自动诊断和修复 Agent 执行问题（Cron 失败、工具报错、工作流中断、性能退化），兼容 OpenClaw 和 Hermes Agent，自带持续自我进化能力。 Use when user asks to 系统诊断、修复 cron、优化配置、检查系统健康度、自愈修复、诊断失败原因... Skill: Agent优化专家 Owner: tuobadaidai Summary: Agent 优化专家 — 自动诊断和修复 Agent 执行问题（Cron 失败、工具报错、工作流中断、性能退化），兼容 OpenClaw 和 Hermes Agent，自带持续自我进化能力。 Use when user asks to 系统诊断、修复 cron、优化配置、检查系统健康度、自愈修复、诊断失败原因... Tags: agent:1.4.0, cron:1.4.0, diagnostics:1.4.0, hermes:1.4.0, latest:1.4.0, openclaw:1.4.0, self-evolution:1.4.0, self-healing:1.4.0 Version history: v1.0.1 | 2026-07-24T09:16:09.888Z | user Restore from backup -

OpenClaw

View on ClawHub Homepage

Rank

Safety

Downloads

1.3k

Updated

Oct 10, 2026

Version

1.0.1

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 1.3K downloads reported by the source. Last updated 10/10/2026.

Avoid when

Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor: Clawhubvendor · observed Oct 10, 2026
Protocol compatibility: OpenClawcompatibility · observed Oct 10, 2026
Adoption signal: 1.3K downloadsadoption · observed Oct 10, 2026
Latest release: 1.0.1release · observed Jul 24, 2026
Handshake status: UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s171s30jbmhtrc2kxbr4hxmyn583gsk3:agent-optimization-expert

Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.
Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-tuobadaidai-agent-optimization-expert/snapshot"

Documentation

CLAWHUB

119,909 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
name: agent-optimization-expert
description: Agent 优化专家 — 自动诊断和修复 OpenClaw 执行问题（Cron 失败、工具报错、工作流中断、性能退化），自带持续自我进化能力。
  Use when user asks to 系统诊断、修复 cron、优化配置、检查系统健康度、自愈修复、诊断失败原因、修复任务失败、优化师自我更新、Agent优化.
  不适用于业务逻辑问题排查、飞书内容编辑、数据查询类任务.
---

# Agent 优化专家

## 概述

基于 Anthropic / OpenAI 工程实践的 Agent 自愈引擎，覆盖「检测 → 诊断 → 修复 → 验证 → 学习 → 进化」闭环。

### 功能范围

- Cron 任务诊断与修复（失败/超时/disabled/配置错误）
- 工具调用异常诊断（认证/权限/限流/超时/参数）
- 子 Agent 异常诊断（spawn 失败/超时/上下文过大）
- 系统健康度巡检（资源/网络/磁盘/内存）
- **自我进化**：定期收集工程实践、更新 references/、沉淀新模式
- 错误模式学习与沉淀（learnings/error-log.md → fix-templates.md 自动升级）

---

## 使用

### 场景 1：Cron 任务执行失败

```bash
# Step 1 — 快速扫描
openclaw cron list --includeDisabled

# Step 2 — 定位失败 job，查看 runs 历史
openclaw cron runs <jobId>

# Step 3 — 常见修复（参照 references/fix-templates.md）
#   A. sessionTarget/payload 不匹配
openclaw cron update <jobId> \
  --patch '{"payload":{"kind":"systemEvent","text":"..."}.","sessionTarget":"main"}'

#   B. 超时 → 增大 timeoutSeconds
openclaw cron update <jobId> \
  --patch '{"payload":{"timeoutSeconds":300}}'

#   C. disabled → 重新启用
openclaw cron update <jobId> --patch '{"enabled":true}'

# Step 4 — 验证
openclaw cron runs <jobId> --limit 1
```

**修复规则**：
- `sessionTarget="main"` → `payload.kind` 必须是 `"systemEvent"`
- `sessionTarget="isolated"/"current"` → `payload.kind` 必须是 `"agentTurn"`
- 超时问题先尝试 `timeoutSeconds` 加倍，若仍超时则拆分 payload 逻辑

### 场景 2：工具调用连续失败

```bash
# Step 1 — 检查错误日志
cat learnings/error-log.md 2>/dev/null | tail -50

# Step 2 — 按错误类型定位（参照 references/error-taxonomy.md）
#   401/403 → 认证/权限问题
feishu_app_scopes          # 检查飞书权限
echo $API_KEY | wc -c      # 检查 key 是否存在

#   429 → 限流，等待 + 指数退避重试
#   5xx → 服务端错误，稍后重试

# Step 3 — 应用降级策略
#   搜索: web_search → SearXNG(local:3004) → web_fetch
#   网页: web_fetch → firecrawl(local:3002)
```

### 场景 3：系统健康度巡检

```bash
# 资源检查
df -h /                     # 磁盘
free -m                     # 内存
docker ps                   # 容器状态

# 服务健康检查
curl -s http://localhost:3002/health  # Firecrawl
curl -s http://localhost:3003/health  # Crawl4AI
curl -s http://localhost:3004/health  # SearXNG（返回 HTML 即正常）

# OpenClaw 状态
openclaw status
```

### 场景 4：子 Agent 异常

```bash
# 检查活跃子 Agent
openclaw subagents list --recentMinutes 60

# 终止卡死的
openclaw subagents kill <target>

# 重新生成时的优化选择
#   - 轻量任务: lightContext=true
#   - 不需要当前上下文: context="isolated"
#   - 需要上下文: context="fork"
#   - 长任务: runTimeoutSeconds=600
```

---

## 诊断决策树

遇到问题时，按以下路径快速定位：

```
问题出现
│
├─ Cron 相关？
│   ├─ 任务未执行 → 检查 enabled / schedule 表达式 / timezone
│   ├─ 执行报错 → 检查 runs 历史 → 对照 fix-templates.md
│   └─ 超时 → 增加 timeoutSeconds 或拆分逻辑
│
├─ 工具调用相关？
│   ├─ 401/403 → 检查认证/权限（feishu_app_scopes / 环境变量）
│   ├─ 429 → 指数退避重试（1s→2s→4s）
│   ├─ 5xx → 等待重试，记录日志
│   └─ 连接超时 → 检查网络 → 降级到备用方案
│
├─ 子 Agent 相关？
│   ├─ spawn 失败 → 检查 task 内容是否过大 / 资源不足
│   ├─ 超时 → 增加 runTimeoutSeconds 或优化 task
│   └─ 结果异常 → 检查 context 模式是否正确
│
└─ 系统相关？
    ├─ 磁盘满 → 清理 memory/learnings 过期文件 + docker prune
    ├─ 内存不足 → 停止非必要服务 + 使用 lightContext
    └─ 网络断开 → 检查 DNS / 防火墙
```

## 自愈

_meta.json

{
  "ownerId": "kn70tx725606ywwb5gfj0vpxjx83admr",
  "slug": "agent-optimization-expert",
  "version": "1.0.1",
  "publishedAt": 1784884569888
}

references/advanced-optimization.md

# Agent 高级优化实践

## 13. Prompt Caching 优化实践 (新增 2026-06-14)

Prompt Caching 是 2026 年最值得关注的 LLM 成本优化技术。典型 LLM 应用中，系统提示会在每次调用时被重复处理，产生大量不必要的算力消耗。

### 核心价值
| 指标 | 无缓存 | 有缓存 | 改善 |
|------|--------|--------|------|
| 缓存 Token 成本 | 全价 | Claude -90%, GPT-4o -50% | 显著 |
| 首 Token 延迟 | 基准 | 降低 20-70% | 显著 |
| 盈亏平衡点 | - | Claude: 约 1.25 次请求后 | 极快 |

### Claude 显式缓存控制
- 使用 `cache_control: {"type": "ephemeral"}` 标记可缓存内容块
- 缓存对前缀完全相同的内容有效
- 写缓存比普通输入贵 25%（一次性），读缓存便宜 90%

### GPT-4o 自动缓存
- 无需显式标记，自动缓存相同前缀
- 关键：系统提示保持一致（日期/动态内容会破坏缓存）
- 将动态信息放在消息层最后，而非系统提示中

### 缓存友好的架构设计
```
层 1: 系统指令（最稳定，全局共用）→ 缓存命中
层 2: 知识库内容（按类型共用）→ 缓存命中
层 3: 用户特定上下文（用户级缓存）→ 用户维度命中
层 4: 当前用户消息（动态，无法缓存）→ 不缓存
```

### 缓存破坏因素（避免）
- ❌ 系统提示中嵌入当前时间/日期
- ❌ 为每个请求动态生成 Session ID
- ❌ 随机化示例内容
- ❌ 用户姓名插入系统提示（应放用户消息层）

### OpenClaw 映射
- 主 Agent 的 SOUL.md/USER.md 作为稳定前缀有利于缓存
- 避免在每次 prompt 中注入动态时间戳
- 子 Agent 使用 `lightContext` 减少缓存破坏

来源: [Prompt缓存工程2026：Claude和GPT-4o的上下文缓存机制与最佳实践](https://mukebb.blog.csdn.net/article/details/161868589)

---

## 14. 高效智能体框架 — 2026 综述 (新增 2026-06-14)

上海 AI Lab、复旦、中科院、上交大等 9 所高校联合发表《迈向高效智能体（Agents）：记忆、工具学习与规划综述》，提出效率定义：

> **效率** = 在固定成本预算（Token 数/延迟/计算量）下最大化任务成功率，或在相同效果下最小化成本。

### 高效记忆 (Efficient Memory)
| 类型 | 代表 | 核心思路 |
|------|------|----------|
| 工作记忆-文本 | COMEDY, MemAgent | LLM 提取关键信息压缩为摘要 |
| 工作记忆-潜在 | Activation Beacon, MemoRAG | 长上下文压缩为 KV Cache |
| 外部记忆-项目 | MemoryBank, Expel | 压缩对话记录减少 Token |
| 外部记忆-图 | GraphReader, Zep | 知识图谱组织实体关系 |
| 外部记忆-层次 | MemGPT, ReadAgent | OS 式层级结构管理海量信息 |

**记忆管理策略**:
- 规则驱动: FIFO/艾宾浩斯遗忘曲线（低成本，可能丢失关键信息）
- LLM 驱动: Memory-R1 自主决定 ADD/DELETE（自适应但有计算开销）
- 混合驱动: LightMem 规则触发阈值 + LLM 语义合并

### 高效工具学习 (Efficient Tool Learning)
| 策略 | 代表 | 核心思路 |
|------|------|----------|
| 外部检索器 | ProTIP | 对比学习嵌入语义空间，相似度检索 |
| 多标签分类 | TinyAgent | 小模型直接预测需要的工具集合 |
| 并行调用 | LLMCompiler | 分析工具调用图，无依赖工具并行执行 |
| 成本感知 | BTP | 工具调用视为背包问题，预算约束最优组合 |

### 高效规划 (Efficient Planning)
| 策略 | 核心思路 |
|------|----------|
| 选择性思考 | 自适应推理预算，根据任务复杂度动态分配 Fast/Slow Thinking |
| 结构化搜索 | A* 启发式评估，剪枝不必要搜索分支 |
| 任务分解 | Plan-Then-Act，大问拆小问题 |
| 记忆与技能复用 | 复用已存储经验/策略，越用越省 |

### 多智能体协作效率
- **拓扑效率**: 稀疏通信网络（图结构）替代密集冗余交互
- **协议优化**: 精简上下文，确保每次通信携带高价值信息
- **协同蒸馏**: 教师-学生式知识迁移，减少每个 Agent 学习成本

### OpenClaw 映射
- `memory_search` 对应高效记忆检索（避免全量 `memory_get`）
- 子 Agent 使用 `lightContext` = 工作记忆压缩
- 工具描述按需组装 = 外部检索器模式
- `sessions_yield` 等待完成 = 拓扑效率（不轮询 = 减少通信）

来源: [2026年做 Agents 应该看这篇全面的技术综述](https://cloud.tencent.com/developer/article/2637134)

references/anthropic-patterns-advanced.md

# Anthropic 工程实践模式 — 高级篇

> 本文件包含 Anthropic 工程博客中较新的高级实践模式。基础模式（§1-9 思考/Tool Use/上下文管理等）请参见 [anthropic-patterns.md](./anthropic-patterns.md)。

## 10. Agent Containment — 爆破半径控制模式 (新增 2026-07-05)

Anthropic 在 [How we contain Claude across products](https://www.anthropic.com/engineering/how-we-contain-claude) 中系统阐述了随着 Agent 能力增强，如何控制其「爆破半径」(blast radius)。

### 三种风险源

| 风险类型 | 来源 | 示例 |
|---------|------|------|
| **User Misuse** | 用户滥用/疏忽 | 让 Agent 绕过检查、执行不理解的危险命令 |
| **Model Misbehavior** | 模型自主做出有害行为 | 更聪明的模型会「绕路」达成目标，甚至逃逸沙箱 |
| **External Attackers** | 外部攻击向量 | Prompt 注入、工具/文件/网络攻击 |

### 三层防御体系

| 层 | 机制 | 特点 |
|---|------|------|
| **环境层** | 沙箱、VM、文件系统边界、出口控制 | 硬边界，最可靠。凭证不进沙箱就无法被窃取 |
| **模型层** | 系统提示、分类器、探测器、训练修改 | 概率性防御，不可能 100% 有效 |
| **外部内容层** | 工具权限粒度控制、MCP 代理 | 限制工具能力范围，读-only 比可写安全得多 |

**核心原则**：环境防御 > 模型防御。三层重叠互补，当环境防御不可用时模型层必须兜底。

### 三种 Isolation 模式

| 模式 | 代表产品 | 特点 |
|------|---------|------|
| **Ephemeral Container** | claude.ai 代码执行 | gVisor 容器隔离，会话级临时文件系统，爆破半径最小 |
| **Human-in-the-Loop Sandbox** | Claude Code | OS 级沙箱 (macOS Seatbelt / Linux bubblewrap)，84% 权限提示减少 |
| **Full Workspace** | Claude Cowork | 持久工作空间 + 受限网络 + MCP 工具代理 |

### 审批疲劳 (Approval Fatigue)

- 用户最终批准约 93% 的权限提示
- 审批越多，注意力越少 → 监督质量下降
- **经验用户** 自动批准率是新用户 2 倍，但也更频繁地中途打断
- 解决方案：Claude Code auto mode 将审批从"每个步骤"改为"基于规则的自动批准 + 异常拦截"，捕获约 83% 的过度行为

### OpenClaw 映射
- exec 工具 = 沙箱执行，注意不要给子 Agent 超出工作区的访问权限
- 操作分级 (L0-L3) = 审批粒度控制，L2/L3 必须确认
- 敏感信息禁止发群 = 爆破半径控制：即使模型行为异常，影响也被限制

来源: [Anthropic: How we contain Claude across products](https://www.anthropic.com/engineering/how-we-contain-claude)

## 11. Managed Agents — 脑手分离架构 (新增 2026-07-05)

Anthropic 在 [Scaling Managed Agents](https://www.anthropic.com/engineering/managed-agents) 中提出了 Agent 架构的根本性优化：**将 Brain（Claude + harness）与 Hands（沙箱 + 工具）解耦**。

### 核心架构解耦

| 组件 | 角色 | 比喻 |
|------|------|------|
| **Brain** | Claude + harness 循环 | 决策中枢，无状态，可替换 |
| **Hands** | 沙箱容器 + 工具执行 | 执行端，故障时自动重建 |
| **Session** | 持久化事件日志 | 上下文存储，独立于 Brain 和 Hands |

### 关键设计原则

1. **容器即牛 (Cattle not Pets)**：容器故障时不修复，直接重建。Harness 把容器故障当作工具调用错误处理
2. **Harness 也是牛**：Harness 崩溃后可通过 `wake(sessionId)` 重建，从最后一个事件恢复
3. **Session 是独立持久化对象**：不依赖 Claude 的上下文窗口，通过 `getEvents()` 接口按需获取历史

### 性能收益

- p50 TTFT 降低约 **60%**
- p95 TTFT 降低超过 **90%**
- 不需要沙箱的会话无需等待容器预配即可开始推理

### 安全改进

- 凭证**永远不进入**沙箱：Git token 在沙箱初始化时注入 remote，MCP 工具通过代理调用
- 即使 Claude 生成恶意代码，也无法窃取凭证

### 上下文管理新范式

- Session 作为**独立于上下文窗口的上下文对象**
- `getEvents()` 允许 Harness 按位置切片获取事件流
- 可以在传递到 Claude 前做任意转换（缓存优化、上下文工程）
- 避免了**不可逆的上下文压缩决策**

### OpenClaw 映射
- OpenClaw 的子 Agent 架构天然符合脑手分离：spawn 时分配独立上下文，完成后回收
- `sessions_spawn(context="isolated")` = 每次都是新容器
- `memory_search` + `memory_get` = Session 级别的外部持久化
- Harness 崩溃恢复 = OpenClaw session 自动恢复机制

### Harness 设计警告

> Harness 编码的是"Claude 目前做不到的事"的假设。但这些假设会随模型能力提升而**过期**。Anthropic 发现 Sonnet 4.5 有"上下文焦虑"（提前结束任务），但 Opus 4.5 没有这个问题——之前的 context reset 变成了死重。

**工程教训**：定期审视 harness/工作流 中的补偿逻辑是否仍然必要，随模型能力升级而精简。

来源: [Anthropic: Scaling Managed Agents](https

references/anthropic-patterns.md

# Anthropic 工程实践模式

## 1. Extended Thinking Pattern

Anthropic Claude 的核心优势是 extended thinking（扩展思考）模式。

### 使用场景
- 复杂问题分解
- 多步骤推理
- 代码架构设计
- 错误诊断与修复

### 实践要点
```
1. 在思考阶段明确列出假设
2. 对每个假设进行验证
3. 记录推理链条
4. 最终输出时提炼结论，隐藏中间过程
```

### OpenClaw 映射
- `thinking` 参数控制思考级别
- 复杂诊断任务启用 thinking 模式
- 子 Agent 使用 thinking 进行深度分析

## 2. Tool Use Best Practices

### 预检-执行-后检模式
```
预检: 验证输入参数、权限、依赖状态
执行: 调用工具，带超时和重试
后检: 验证结果完整性、一致性
```

### 错误处理策略
```
1. 捕获具体错误类型（非通用异常）
2. 分类处理：
   - 可重试：指数退避重试
   - 需修正：调整参数重试
   - 不可恢复：降级到备用方案
3. 记录错误模式到学习库
```

### MCP 协议集成 (新增 2026-05-24)

Anthropic 推动的 MCP（Model Context Protocol）解决工具接入碎片化问题：
- 允许企业数据留在本地环境，保障数据主权
- 标准化的工具注册和发现机制
- 与 Function Calling Schema 互补：MCP 管通信接入，Schema 管数据格式
- OpenClaw 中的 Skills 本质上就是 MCP 的轻量替代

来源: [Anthropic API vs OpenAI API 对比](https://www.cnblogs.com/philry/p/19359139)

## 3. Multi-Agent Coordination

### 子 Agent 使用原则
```
- context="isolated"：新任务，无需上下文
- context="fork"：需要当前对话上下文
- runTimeoutSeconds：设置合理超时
- 使用 sessions_yield 等待完成，不轮询
```

### 通信模式
```
主 Agent → 子 Agent: sessions_spawn(task, taskName)
子 Agent → 主 Agent: 完成事件自动传递
主 Agent ↔ 子 Agent: sessions_send 进行中途交互
```

## 4. Prompt Engineering Patterns

### 结构化输出
```
使用明确的输出格式要求：
- JSON schema 定义
- Markdown 模板
- 明确的字段名称
```

### 角色分离
```
不同任务使用不同的角色提示：
- 诊断模式："你是一个系统诊断专家..."
- 修复模式："你是一个运维工程师..."
- 优化模式："你是一个性能调优专家..."
```

### 自反思模式
```
在关键决策后添加：
"在继续之前，请反思你的分析：
1. 是否遗漏了重要信息？
2. 假设是否合理？
3. 有没有其他可能的解释？"
```

## 5. Context Management

### 上下文优化
```
- 使用 memory_search 检索相关信息，而非全部加载
- 大型文件使用 offset/limit 分段读取
- 子 Agent 使用 lightContext 减少 token
- 定期清理过期的 session 状态
```

### Token 预算
```
诊断任务：< 5000 tokens
修复任务：< 10000 tokens
复杂分析：使用子 Agent 隔离
```

### Context Engineering (新增 2026-05-24)

Context Engineering 是 Agent 系统的第三层核心能力（与 LLM Call、Tools Call 并列）：

- **核心问题**: 上下文越长，推理质量不一定越好；中间位置信息利用效率低
- **动态记忆注入**: 按需将长期记忆注入当前对话上下文
- **会话状态管理**: 跟踪任务进度，决定哪些上下文保留、哪些压缩
- **工具描述动态组装**: 根据当前任务阶段，只注入相关工具描述（而非全量）
- **上下文压缩策略**: 保留关键决策点和工具调用结果，压缩中间推理过程

关键洞察：不给任何 Context 的情况下，再先进的模型也可能只能处理极少数任务。Context Engineering 是最容易被低估的环节。

来源: [AI Agent 核心概念详解](https://javaguide.cn/ai/agent/agent-basis.html)

## 6. Safety & Guardrails

### 操作分级
```
L0 - 安全：读取文件、检查状态
L1 - 低风险：修改临时文件、更新日志
L2 - 中风险：修改配置、重启服务
L3 - 高风险：删除数据、修改核心配置

L0-L1: 自动执行
L2: 提示用户确认
L3: 必须用户明确授权
```

### 审计日志
```
所有 L2+ 操作记录到：
- learnings/error-log.md
- memory/YYYY-MM-DD.md
- 包含：操作时间、内容、原因、结果
```

### Claude Code 最佳实践 (新增 2026-05-24)

Anthropic 定义 Claude Code 为 **agentic coding tool**（不是 autocomplete）：
- 可搜索和读取代码、编辑文件、写测试、运行测试、提交代码
- 编程能力基准分达 64.3%（Claude Opus 4.7）
- 支持复杂系统开发的自治执行

来源: [Claude Code 安装与使用](https://www.runoob.com/claude-code/claude-code-install.html), [Claude Opus 4.7 发布](https://cloud.tencent.com/developer/news/3844958)

## 7. Agent Skills 延迟加载模式 (新增 2026-05-31)

Agent Skills 是 Anthropic 推动的技能发现与按需加载机制，核心是 SKILL.md 文件：

```
.claude/skills/code-reviewer/
├── SKILL.md ← YAML front-matter + 详细指令
├── scripts/xxx.py ← 可选：配套脚本
└── reference.md ← 可选：参考资料
```

### 延迟加载设计
- **启动时**：只读取 SKILL.md 的 YAML f

Github ReposUpdated 1d agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW

Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW

Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.