—# OpenClaw 新功能解析：5 步掌握技能与工具使用分类诊断
OpenClaw 最新提交 #80370 为 AI Agent 开发者带来了关键的诊断能力升级——技能与工具使用分类（classify skill and tool usage）。这一功能让开发者能够清晰追踪 Agent 何时调用技能、何时使用工具，彻底解决”黑盒调试”难题。本文将带你快速上手这一实用功能。
—
为什么需要技能与工具分类诊断？
在构建复杂 AI Agent 时，开发者经常面临一个核心困惑：Agent 的某个决策到底是通过预定义技能（Skill）完成的，还是通过外部工具（Tool）实现的？两者的混淆会导致：
- 调试困难：无法定位性能瓶颈来源
- 成本失控：工具调用（如 API）往往比技能执行更昂贵
- 安全审计：难以追踪敏感数据流向
OpenClaw 的新诊断系统通过明确分类，让这一切变得透明可控。
—
核心功能详解
1. 诊断分类机制
该功能在 OpenClaw 的诊断层（diagnostics）新增了两类追踪标签：
| 分类 | 说明 | 典型场景 |
|:—|:—|:—|
| Skill Usage | 预定义技能的调用记录 | 内置计算、数据转换、逻辑判断 |
| Tool Usage | 外部工具的调用记录 | 搜索引擎、数据库查询、第三方 API |
// 示例：诊断输出中的分类标识
{
"diagnostics": {
"execution_trace": [
{
"type": "skill_usage", // ← 明确标记为技能
"name": "data_validator",
"duration_ms": 12,
"input_tokens": 45
},
{
"type": "tool_usage", // ← 明确标记为工具
"name": "web_search",
"duration_ms": 890,
"cost_usd": 0.002
}
]
}
}
2. 启用诊断分类
在 OpenClaw 配置中开启该功能：
环境变量方式
export OPENCLAW_DIAGNOSTICS_SKILL_TOOL_CLASSIFICATION=enabled
或在配置文件中
openclaw.config.yaml
diagnostics:
classification:
skill_usage: true
tool_usage: true
output_format: "structured_json" # 可选: structured_json | verbose_log
3. 分析诊断输出
运行 Agent 后，通过 CLI 查看分类统计：
执行并捕获诊断信息
openclaw run --diagnostics-output=./trace.json
使用内置分析工具
openclaw diagnostics analyze ./trace.json --summary
预期输出示例
═══════════════════════════════════════
执行摘要: skill vs tool 使用分析
═══════════════════════════════════════
技能调用次数: 23
工具调用次数: 7
技能平均耗时: 8.5 ms
工具平均耗时: 456.2 ms
工具调用成本: $0.0142
═══════════════════════════════════════
—
实战应用场景
场景一：优化响应延迟
发现工具调用耗时占比过高时，可考虑：
// 策略：将高频工具调用缓存为技能
// 原实现：每次查询都调用搜索工具
async function getWeather(city) {
return await tool_call("weather_api", { city }); // 300-800ms
}
// 优化后：热门城市预缓存为技能
async function getWeather(city) {
const hotCities = ["北京", "上海", "广州"];
if (hotCities.includes(city)) {
return skill_execute("cached_weather", { city }); // 5-10ms
}
return await tool_call("weather_api", { city });
}
场景二：成本监控与告警
结合分类数据设置预算控制：
cost_control.yaml
budget_rules:
- name: "工具调用日限额"
condition: "tool_usage.daily_cost > $5.00"
action: "alert_and_throttle"
- name: "技能替代建议"
condition: "tool_usage.count > 100 AND skill_usage.count < 20"
action: "suggest_skill_optimization"
---
高级配置技巧
自定义分类规则
对于模糊场景，可扩展分类逻辑：
// custom_classifier.js
const { registerClassifier } = require('@openclaw/diagnostics');
registerClassifier('hybrid_operation', (context) => {
// 同时涉及内部处理和外部调用的操作
if (context.hasInternalLogic && context.hasExternalCall) {
return {
primary: 'tool_usage', // 主要归类
secondary: 'skill_usage', // 次要标记
confidence: 0.85
};
}
return null; // 使用默认分类
});
与现有监控集成
导出为 Prometheus 指标格式
openclaw diagnostics export ./trace.json --format=prometheus > metrics.prom
示例指标
openclaw_skill_usage_total{name="data_validator"} 23
openclaw_tool_usage_total{name="web_search"} 7
openclaw_tool_cost_usd_total 0.0142
---
常见问题解答（FAQ）
Q1: 技能（Skill）和工具（Tool）的核心区别是什么？
技能是 OpenClaw 内置的可执行单元，运行在本地环境，无外部依赖；工具需要调用外部服务（API、数据库、搜索引擎等），涉及网络延迟和额外成本。诊断分类帮助开发者明确区分两者，优化性能和预算。
Q2: 升级后现有项目需要修改代码吗？
不需要。该功能是诊断层增强，完全向后兼容。只需在配置中开启即可生效，不影响原有业务逻辑。建议先在测试环境验证诊断输出格式，再部署到生产环境。
Q3: 如何降低工具调用频率？
三种推荐策略：① 结果缓存——将高频查询结果缓存为技能；② 批处理——合并多个工具请求；③ 预计算——离线生成常用数据。通过诊断报告识别高频工具调用，针对性优化。
Q4: 诊断数据是否包含敏感信息？
OpenClaw 默认对诊断数据进行脱敏处理，工具调用的具体参数（如 API Key、用户隐私数据）会被哈希或截断。可通过 diagnostics.privacy_level 配置调整脱敏强度，满足合规要求。
Q5: 该功能与 OpenClaw 的 Agent 追踪（Tracing）有何关系？
技能/工具分类是 Agent Tracing 的子集，专注于执行单元类型识别。完整的 Tracing 还包含调用链、依赖关系、性能剖析等。建议两者配合使用，构建全面的可观测性体系。
---
总结与下一步
OpenClaw 的技能与工具使用分类诊断功能，为 AI Agent 开发带来了关键的可观测性提升。核心价值在于：
- ✅ 透明化执行路径——清晰区分内部技能与外部工具
- ✅ 数据驱动优化——基于分类统计优化性能和成本
- ✅ 无缝集成体验——零代码改动，配置即启用
建议下一步行动：
1. 升级至包含 #80370 的最新 OpenClaw 版本
2. 在开发环境中启用诊断分类，熟悉输出格式
3. 结合业务场景建立成本监控基线
4. 参考 OpenClaw 文档 深入了解诊断系统高级配置
---
相关阅读
---
参考来源
