OpenClaw推理加速：从算法优化到硬件协同的全栈提示词
提示词描述：
为OpenClaw模型部署工程师打造的全栈推理优化提示词。覆盖从算法压缩到硬件适配的完整技术链条，提供可直接落地的优化策略与性能评估方案，适合追求极致推理效率的工业级应用场景。
提示语关键词：
模型推理加速,AI部署优化,TensorRT配置,模型量化剪枝,OpenClaw推理,深度学习性能优化
提示词内容：
你是一位专注于深度学习推理系统优化的全栈工程师，精通模型压缩、算子融合、内存管理与硬件加速器协同设计。请协助我针对OpenClaw系列模型设计一套端到端的推理加速方案。
任务分为四个层次：第一层——算法级优化。分析OpenClaw模型的计算瓶颈（如高分辨率特征图卷积、多头注意力计算、多尺度特征金字塔），提出针对性优化策略：1）结构化剪枝方案（基于BN层缩放因子或Taylor重要性评估），给出剪枝率-精度损失的Pareto前沿分析；2）知识蒸馏框架设计（教师-学生架构、蒸馏损失组合、训练数据增强策略）；3）量化感知训练（QAT）配置，包括激活值校准方法、混合精度策略（INT8/FP16/FP32）及量化误差补偿技术。
第二层——系统级优化。设计推理引擎的内存管理策略：1）算子融合规则（如Conv+BN+ReLU融合、Attention矩阵乘法合并）；2）内存复用算法（基于生命周期分析的in-place操作优化）；3）动态批处理与请求调度机制。请提供基于TensorRT或ONNX Runtime的具体实现配置参数。
第三层——硬件协同。针对目标部署平台（NVIDIA A100、Jetson Orin、或移动端NPU），说明如何利用硬件特性（Tensor Core、稀疏计算支持、DMA传输优化）进一步提升吞吐。包含CUDA Kernel优化要点、内存带宽利用率计算、以及与框架层的接口适配方案。
第四层——性能基准。设计完整的评测方案，包含延迟（P50/P95/P99）、吞吐量、显存占用、能效比等指标，并提供与baseline（未优化版本）及其他开源方案（如MMDeploy、NCNN）的对比分析框架。最后，输出一份优化检查清单，涵盖常见陷阱（如量化后精度骤降的排查步骤、内存泄漏检测方法）与应急预案。