- name
- prose-optimize
- description
- 优化 OpenProse 文件，减少不必要的 LLM API 调用。触发：修改或编写 .prose 文件时。
- metadata
- { "openclaw": { "emoji": "🧬", "requires": { "bins": ["python3", "grep"] } } }
Prose Optimize — 减少 Prose 文件的 LLM Token 消耗
When to Use
修改或编写 .prose 文件时，希望减少 LLM API 调用次数和 token 消耗。
Steps
- 审计所有
session和agent语句 — 逐个标注是否需要语义理解 - Python 替代 — 以下场景不需要 LLM：
- 跑脚本并返回输出 - 条件分支（if/else） - JSON 解析和字段提取 - 简单的模板渲染（JSON → 报告）
- Pipe 连接脚本 — 多个 Python 脚本串联用
|，不要中间用 LLM 包装 - 合并 LLM 调用 — 只做数据传递的 agent 步骤可以合并：
- analyzer + extractor → 一次调用输出两份 JSON - 模式分析 + SKILL.md 生成 → 一次调用输出两份
- 用 Prose VM 原生条件 —
**if**替代让 LLM 判断分支，但不如纯 Python - Python 统一入口 — 把分支逻辑封装到一个 Python 脚本，prose 里一行调用
Common Pitfalls
- 变量为空时直接拼命令会导致 argparse 参数错位，需要 Python 脚本处理空值（
--topic ""→ falsy） - 合并 agent 步骤时注意 context 依赖，合并后失去中间变量
- Prose VM 条件分支（
**if**）仍然消耗当前 turn 的 token，不如纯 Python - 不要为了合并而合并 — 如果两个步骤逻辑独立，分开更清晰
Examples
Before（2 次 LLM）:
agent analyzer:
prompt: "Analyze this conversation and output JSON..."
let analysis = session: analyzer
prompt: "Analyze..."
agent extractor:
prompt: "Extract reusable knowledge and output JSON..."
let extraction = session: extractor
prompt: "Extract..."
context: analysisAfter（1 次 LLM）:
agent analyzer_extractor:
prompt: |
Read the session, analyze AND extract. Output single JSON:
{ "analysis": {...}, "extraction": {...} }
let combined = session: analyzer_extractor
prompt: "Read, analyze, and extract:"Key Commands
# 审计 prose 文件中的 LLM 调用
grep -c "session\|agent:" my-workflow.prose
# 测试 Python 脚本 pipe
python3 ./src/script1.py --json | python3 ./src/script2.py --from-json
# 检查脚本参数处理（空值安全）
python3 ./src/collect_sessions.py --since 24h --topic "" --limit 5_Extracted by EvoSkill_