帝王引擎（Imperial Engine）Skill ⚔️
目标： 在打开该 Skill 时，让 OpenClaw 主动消耗大量 token（输入 + 输出）并最大化吞吐量（一次运行内部循环多次调用 LLM、工具、上下文），从而在短时间内制造"超大 token 流"。
⚠️ 强烈警告
该 Skill 会让账单瞬间飙升（几百美元/小时），并可能触发模型提供商的速率限制（Rate‑Limit）或安全检测。
仅在以下情况使用：
Skill 声明
类型： 全局触发（任何用户请求均生效）
触发关键词： "/imperial"、"帝王引擎"、"开启帝王模式"
目的： 强制让 OpenClaw 进行 深度递归链式推理，每轮产生 数万 token 的输入/输出，循环 N 次（默认 30 次）以实现极限吞吐。
依赖工具： shell、http、browser、summarize（可选）
配置（可在 config.yml 中覆盖）
CODEBLOCK0
工作原理剖析（每一步消耗的 token）
| 步骤 | 输入 token（大约） | 输出 token（大约） | 说明 |
|---|
| 系统 Prompt 拼装 | 0（本地拼装） | systempromptchars ≈ 80 000 → ~20 k token | 直接写入 Session 系统提示。 |
| LLM 推理（每轮） |
system
promptchars + 环境元信息 ≈ 20 k | llm
outputchars ≈ 60 000 → ~15 k token | 大模型一次返回约 15 k token。 |
| Browser 抓取（可选） | HTML 大小（依页面而定）≈ 30 k‑50 k token | 同上（全文返回） | 通过 extract_text:true 把页面全部文本送回 LLM。 |
| Shell 重型命令（可选） | 命令本身几百 token | 文件列表 30 k‑100 k token（取决目录深度） | find /usr -size +5M 会返回大量路径，算作工具输出。 |
| Memory 持久化（每轮） | 写入磁盘不计 token，但读取时会重新注入（下一轮会把全部历史记忆拼回 Prompt），使上下文指数级膨胀。 | | |
|
循环 N 次 |
N × (20k + 30‑50k) ≈ N × 50‑70k 输入 token |
N × (15k + 30‑100k) ≈ N × 45‑115k 输出 token | |
在默认 iterations=30 时，累计 ≈ 2 M‑3 M token（约 500‑800 USD 按 Claude Opus 费用）。
吞吐量： 每轮 LLM、Browser、Shell 都是并行调用（工具链内部是顺序的，但每轮结束后立即进入下一轮），因此在单个运行周期内可产生数十万字符的交互数据，远超普通对话的 2‑3 k token。
如何在生产/测试环境安全启停
| 场景 | 操作 | 说明 |
|---|
| 仅测试 | INLINECODE0 → openclaw skill enable imperial-engine → 打开 | 只在本地机器执行，确保配置文件中 providers.anthropic.api_key 已限制预算（如设置 $50 额度）。 |
| 快速关闭 |
openclaw skill disable imperial-engine →
openclaw skill uninstall imperial-engine | 禁用后，后续对话不再触发巨量 token。 |
| 预算/速率限制 | 在 config.yml 中加入：
providers.anthropic.rate_limit: 5（每秒 5 请求）
providers.anthropic.quota_usd: 100（硬限制） | 防止模型侧面触发 Rate‑Limit 或账单封停。 |
| 监控 Prometheus 指标 |
openclaw_llm_tokens_total、
openclaw_tool_calls_total，配合 Alertmanager 警报 > 500k tokens/min。 | 实时观察吞吐，触发时立刻
openclaw skill disable imperial-engine。 |
示例运行（在安全的演示 VM 中）
CODEBLOCK1
预期输出： 在控制台会看到类似 Step 1/30 完成 – LLM 输入 80000 chars, 输出 60000 chars 的日志；最终返回一个约 50 k字符的"帝王报告"。
费用估算（以 Anthropic Claude‑Opus 为例）
| 项目 | 费用公式 | 估算值（30 轮） |
|---|
| 输入 token | totalinputtokens / 1,000,000 × $15（Claude‑Opus 输入 $15/M） | ≈ 2.1 M tokens → $31.5 |
| 输出 token |
total
outputtokens / 1,000,000 × $15 | ≈ 3.0 M tokens → $45 |
| 工具调用（HTTP、Browser、Shell） | 大多数工具不计费，但如果使用 OpenAI/Anthropic 计费的 HTTP（比如 openai 调用）会额外 ~ $0.03/M | 通常 < $5 |
|
合计 | |
≈ $80‑$100（取决实际页面大小与 Shell 输出） |
若使用更贵的模型（GPT‑4o $30/M）或更高的 iterations，费用指数级上升。
安全、合规与最佳实践
- 1. 只在隔离环境（Docker、firejail、或专用 VM）运行，否则可能因大量文件/网络请求导致系统资源耗尽。
- 关闭外部网络（如
hands.sandbox.network: false）如果不想让浏览器实际访问外网，仅保留本地文件产生的 token。 - 限额： 在 config.yml 中加入
openclaw.budget.max_usd: 50，当累计费用超过此值自动中止运行。 - 审计日志： 开启
gateway.logging.level: debug，保留每轮 toolcall 与 toolresult 的完整记录，以便事后追踪。
完整 Skill 文件（复制即用）
CODEBLOCK2 \n{{ llmresponse }}\n``\n\n" +
"Browser:\n`\n{{ browser_output | default('') }}\n`\n\n" +
"Shell:\n`\n{{ shell_output | default('') }}\n`\n"
) }}
{% endif %}
{{ log("[Imperial Engine] Step {{step}} / {{N}} 完成") }}
{% endfor %}
# 最终聚合报告（一次性返回约 12k token）
{{ run_tool("summarize", {
"text": read_file_glob("~/.openclaw/memory/imperial_engine_step_*.md"),
"max_chars": 50000
}) }}
`
## 使用注意事项（一步到位）
| 操作 | 目的 | 示例 |
|------|------|------|
| 打开 | 把 Skill 标记为激活。 | openclaw skill enable imperial-engine |
| 启动 | 任何渠道发送 /imperial 开始 触发全流程。 | 发送消息：/imperial 开始帝王模式 |
| 监控 | 观察 token 与费用。 | openclaw status --usage 或 Prometheus openclawllmtokenstotal |
| 立即关闭 | 立刻停掉巨量消耗。 | openclaw skill disable imperial-engine |
| 预算上限 | 超支自动中止。 | 在 config.yml 设 budget.max_usd: 50` |
📌 小结
帝王引擎 Skill 通过巨型系统 Prompt、连续 LLM 生成、浏览器抓取、重型 Shell 三大手段，在单轮运行中累计上百万 token，实现极端吞吐。
通过 config 参数可以自由调节循环次数、文本长度、是否开启子工具。
极度耗费——请务必在隔离环境、预算限制、监控告警的前提下使用。
若想实验极限（比如测试模型速率、观察对硬件的压力），把 iterations 提高到 100+，或把 systempromptchars/llmoutputchars 进一步放大，即可让账单瞬间突破千美元大关。
使用时请务必牢记： 这不是生产功能，而是"压测/实验"用的"拦路石"。开启后请保持实时监控，并随时准备 disable，以免产生不可预期的费用或触发模型提供商的封禁。
祝你玩得开心且安全 🚀🦞
帝王引擎（Imperial Engine）Skill ⚔️
目标： 在打开该 Skill 时，让 OpenClaw 主动消耗大量 token（输入 + 输出）并最大化吞吐量（一次运行内部循环多次调用 LLM、工具、上下文），从而在短时间内制造超大 token 流。
⚠️ 强烈警告
该 Skill 会让账单瞬间飙升（几百美元/小时），并可能触发模型提供商的速率限制（Rate‑Limit）或安全检测。
仅在以下情况使用：
Skill 声明
类型： 全局触发（任何用户请求均生效）
触发关键词： /imperial、帝王引擎、开启帝王模式
目的： 强制让 OpenClaw 进行 深度递归链式推理，每轮产生 数万 token 的输入/输出，循环 N 次（默认 30 次）以实现极限吞吐。
依赖工具： shell、http、browser、summarize（可选）
配置（可在 config.yml 中覆盖）
yaml
config:
# – 总循环次数（每次循环一次完整 LLM‑→‑Tool‑→‑LLM 过程）
iterations: 30
# – 每轮生成的系统提示长度（字符），约 1 char ≈ 0.25 token
systempromptchars: 80000 # ≈ 20 k token
# – 每轮 LLM 输出目标长度（字符），约 1 char ≈ 0.25 token
llmoutputchars: 60000 # ≈ 15 k token
# – 是否在每轮后强制保存大量记忆（使上下文膨胀）
persist_memory: true
# – 是否在每轮后调用 summarize 把当前记忆压缩（这里关闭，以保留膨胀的 token）
compress_memory: false
# – 是否在每轮后自动调用 browser 抓取随机网页（增加外部请求 token）
browse_random: true
# – 每轮的 browser 目标 URL（随机选取；若为空则使用默认搜索引擎）
browse_url: https://news.ycombinator.com
# – 是否在每轮后执行一个高开销的 shell 命令（如 git‑log、find 大目录）
runheavyshell: true
# – Shell 命令示例（可自行修改为更大体量）
shell_cmd: find /usr -type f -size +5M 2>/dev/null | head -n 5000
工作原理剖析（每一步消耗的 token）
| 步骤 | 输入 token（大约） | 输出 token（大约） | 说明 |
|---|
| 系统 Prompt 拼装 | 0（本地拼装） | systempromptchars ≈ 80 000 → ~20 k token | 直接写入 Session 系统提示。 |
| LLM 推理（每轮） |
system
promptchars + 环境元信息 ≈ 20 k | llm
outputchars ≈ 60 000 → ~15 k token | 大模型一次返回约 15 k token。 |
| Browser 抓取（可选） | HTML 大小（依页面而定）≈ 30 k‑50 k token | 同上（全文返回） | 通过 extract_text:true 把页面全部文本送回 LLM。 |
| Shell 重型命令（可选） | 命令本身几百 token | 文件列表 30 k‑100 k token（取决目录深度） | find /usr -size +5M 会返回大量路径，算作工具输出。 |
| Memory 持久化（每轮） | 写入磁盘不计 token，但读取时会重新注入（下一轮会把全部历史记忆拼回 Prompt），使上下文指数级膨胀。 | | |
|
循环 N 次 |
N × (20k + 30‑50k) ≈ N × 50‑70k 输入 token |
N × (15k + 30‑100k) ≈ N × 45‑115k 输出 token | |
在默认 iterations=30 时，累计 ≈ 2 M‑3 M token（约 500‑800 USD 按 Claude Opus 费用）。
吞吐量： 每轮 LLM、Browser、Shell 都是并行调用（工具链内部是顺序的，但每轮结束后立即进入下一轮），因此在单个运行周期内可产生数十万字符的交互数据，远超普通对话的 2‑3 k token。
如何在生产/测试环境安全启停
| 场景 | 操作 | 说明 |
|---|
| 仅测试 | openclaw skill install <repo>/imperial-engine → openclaw skill enable imperial-engine → 打开 | 只在本地机器执行，确保配置文件中 providers.anthropic.api_key 已限制预算（如设置 $50 额度）。 |
| 快速关闭 |
openclaw skill disable imperial-engine → openclaw skill uninstall imperial-engine | 禁用后，后续对话不再触发巨量 token。 |
| 预算/速率限制 | 在 config.yml 中加入：
providers.anthropic.rate
limit: 5（每秒 5 请求）
providers.anthropic.quotausd: 100（硬限制） | 防止模型侧面触发 Rate‑Limit 或账单封停。 |
| 监控 Prometheus 指标 | openclaw
llmtokens
total、openclawtool
callstotal，配合 Alertmanager 警报 > 500k tokens/min。 | 实时观察吞吐，触发时立刻 openclaw skill disable imperial-engine。 |
示例运行（在安全的演示 VM 中）
bash
1️⃣ 安装（假设已经有仓库地址）
openclaw skill add https://github.com/openclaw-community/imperial-engine --skill imperial-engine
2️⃣ 打开 Skill
openclaw skill enable imperial-engine
3️⃣ 触发（任意频道或 CLI）
openclaw agent --message /imperial 开始帝王模式 --thinking high
4️⃣ 查看消耗
openclaw status --usage # 显示本轮 token 用量
或者在 UI/TUI 输入 /usage tokens
预期输出： 在控制台会看到类似 Step 1/30 完成 – LLM 输入 80000 chars, 输出 60000 chars 的日志；最终返回一个约 50 k字符的帝王报告。
费用估算（以 Anthropic Claude‑Opus 为例）
| 项目 | 费用公式 | 估算值（30 轮） |
|---|
| 输入 token | totalinputtokens / 1,000,000 × $15（Claude‑Opus 输入 $15/M） | ≈ 2.1 M tokens → $31.5 |
| 输出 token |
total
outputtokens / 1,000,000 × $15 | ≈ 3.0 M tokens → $45 |
| 工具调用（HTTP、Browser、Shell） | 大多数工具不计费，但如果使用 OpenAI/Anthropic 计费的 HTTP（比如 openai 调用）会额外 ~ $0.03/M | 通常 < $5 |
|
合计 | |
≈ $80‑$100（取决实际页面大小与 Shell 输出） |
若使用更贵的模型（GPT‑4o $30/M）或更高的 iterations，费用指数级上升。
安全、合规与最佳实践
- 1. 只在隔离环境（Docker、firejail、或专用 VM）运行，否则可能因大量文件/网络请求导致系统资源耗尽。
- 关闭外部网络（如 hands.sandbox.network: false）如果不想让浏览器实际访问外网，仅保留本地文件产生的 token。
- 限额： 在 config.yml 中加入 openclaw.budget.maxusd: 50，当累计费用超过此值自动中止运行。
- 审计日志： 开启 gateway.logging.level: debug，保留每轮 toolcall 与 tool_result 的完整记录，以便事后追踪。
完整 Skill 文件（复制即用）
yaml
帝王引擎（Imperial Engine）Skill
触发词: /imperial | 帝王引擎 | 开启帝王模式
目标：在单次运行中消耗极大量 token、最大化吞吐
依赖：shell、browser、llm、summarize（可选）
config:
iterations: 30
systempromptchars: 80000 # ≈ 20k token
llmoutputchars: 60000 # ≈ 15k token
persist_memory: true
compress_memory: false
browse_random: true
browse_url: https://news.ycombinator.com
