OpenClaw 技能开发决策报告：脚本内置分析逻辑 vs. 框架原生调用

OpenClaw 技能开发决策报告脚本内置分析逻辑 vs. 框架原生调用背景针对大批量数据处理任务如医疗条目标准化、2000 日志分析探讨 Skill 文件的最佳构建模式明确在 Skill 脚本中直接封装 API 调用逻辑的必要性。核心模式定义模式 A脚本内置分析逻辑Fat SkillSkill 的 Python 脚本中直接编写大模型 API 请求代码httpx/openai库在脚本内完成数据解析与回写。角色Skill 是一个闭环的任务处理器。[Agent 触发] → [Skill 内部: 读取数据 → 并发调用 LLM → 校验 → 写入 DB] → [返回统计摘要]模式 B框架原生调用Lean SkillSkill 脚本仅负责原子化动作读取一行数据、执行一个浏览器点击分析逻辑交给 OpenClaw 主 Agent 按 ReAct 循环处理。角色Skill 是 Agent 的感官辅助。[Agent 思考] → [调用 Skill 获取数据] → [Agent 分析] → [调用 Skill 写入] → [Agent 思考] → ...维度对比维度模式 AFat Skill模式 BLean Skill吞吐量极高Python 异步并发处理数百条低受限于 Agent 串行步进Token 消耗精简脚本预清洗后仅发送核心字段高Agent 携带大量上下文容错能力强局部重试 独立超时控制弱单步失败常导致 Task 挂起输出一致性高代码控制格式JSON/HTML中受模型指令遵循能力影响扩展性极佳可直接触发 DB 写入一般需等 Agent 返回再处理开发成本较高需编写完整处理逻辑低复用框架能力调试便利性好可独立运行脚本测试差需在 Agent 链路中观察为什么大批量处理需要逻辑下沉1. 绕过 ReAct 决策负担OpenClaw Agent 每次调用模型前都要进行自我对话Thought。对于批量任务这种思考是纯粹的资源浪费。2000 条数据 × 每条 1 次 Thought ≈ 2000 次无意义的决策开销脚本内置方案直接跳过决策转为批处理2. 解决超时风险框架层的 30s 超时是全局性的无法按任务特点调整。# 脚本内置独立超时 分段处理asyncdefanalyze_batch(items,timeout_per_item10):semaphoreasyncio.Semaphore(20)# 并发控制asyncdefprocess_one(item):asyncwithsemaphore:try:returnawaitasyncio.wait_for(call_llm(item),timeouttimeout_per_item)exceptasyncio.TimeoutError:return{status:timeout,item_id:item[id]}returnawaitasyncio.gather(*[process_one(i)foriinitems])3. 数据预清洗医疗日志中常有大量重复堆栈信息。脚本在 API 请求前通过正则过滤无效信息可节省 40% Token 成本。importredefprune_log(raw_log:str)-str:清洗日志去除重复堆栈和无效字段# 去除重复堆栈帧raw_logre.sub(r(at .\n)\1,r\1,raw_log)# 去除时间戳噪音raw_logre.sub(r\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}\.\dZ\s*,,raw_log)# 截断过长内容returnraw_log[:2000]4. 成本对比估算以 2000 条医疗日志分析为例指标模式 A模式 B总 API 调用次数~2000仅分析~6000Thought Action Observation平均每条 Token~500清洗后~1500含上下文总 Token 消耗~100 万~900 万预计耗时5-10 分钟并发 203-5 小时串行失败恢复仅重试失败条目需从断点人工重启推荐架构混合技能模式┌─────────────────────────────────────────┐ │ OpenClaw Agent │ │ 负责任务调度、异常上报、结果汇总 │ └──────────────────┬──────────────────────┘ │ 触发 ▼ ┌─────────────────────────────────────────┐ │ Fat Skill批处理技能 │ │ │ │ 1. 读取数据源DB / 文件 / API │ │ 2. 预清洗 分组 │ │ 3. asyncio 并发调用 LLM │ │ 4. 结果校验 标准化 │ │ 5. 持久化写入 MySQL / ES │ │ 6. 返回统计摘要给 Agent │ └─────────────────────────────────────────┘完整示例importasyncioimportjsonfromopenaiimportAsyncOpenAI clientAsyncOpenAI()asyncdefbatch_analyze_skill(task_config:dict)-dict:批量分析技能入口# 1. 读取数据itemsawaitload_items(task_config[source])# 2. 预清洗cleaned[prune_log(item[content])foriteminitems]# 3. 并发分析semaphoreasyncio.Semaphore(task_config.get(concurrency,20))results{success:[],failed:[]}asyncdefanalyze_one(idx,content):asyncwithsemaphore:try:respawaitasyncio.wait_for(client.chat.completions.create(modelgpt-4o-mini,messages[{role:system,content:task_config[prompt]},{role:user,content:content}],response_format{type:json_object}),timeout15)parsedjson.loads(resp.choices[0].message.content)results[success].append({id:items[idx][id],data:parsed})exceptExceptionase:results[failed].append({id:items[idx][id],error:str(e)})awaitasyncio.gather(*[analyze_one(i,c)fori,cinenumerate(cleaned)])# 4. 写入数据库awaitsave_results(results[success])# 5. 返回摘要return{total:len(items),success:len(results[success]),failed:len(results[failed]),failed_ids:[r[id]forrinresults[failed]]}场景决策矩阵数据量任务特点推荐方案1-10 条灵活多变需 Agent 决策模式 BLean Skill10-100 条格式半固定中等效率要求混合Agent 编排 小批量脚本100 条格式固定强调效率模式 AFat Skill医疗/金融级要求数据强一致性回写模式 AFat Skill结论对于搜索失败日志分析及医疗数据标准化项目采用模式 A脚本内置分析逻辑。原因吞吐量提升 20-50 倍并发 vs 串行Token 成本降低 80%预清洗 无 Thought 开销生产级容错局部重试、断点续传输出格式稳定可控代码约束 模型指令遵循对于少量、探索性、需要灵活决策的任务仍应使用模式 B 发挥 Agent 的推理优势。