首页 » 知识库 » 在 ~/.openclaw/config.json 中

在 ~/.openclaw/config.json 中

469 字

最近在用 Openclaw，感觉 TOKEN 的使用比较厉害。现在我想请你总结一下怎样省 TOKEN 的攻略，包括：
1.选择大模型产品：选择 TOKEN 费用比较低的相应的产品；
2.使用 open cloud 这样的产品：怎样去节省 TOKEN，比如每天截止到凌晨的时候截止，将当天的所有任务终结，然后第二天开始重新去使用，避免第二天调用前一天的上下文，以增加 TOKEN 的使用量。

类似这样的一些节省 TOKEN 的方法和策略，请你帮我详细的总结，给出相应的解决方案和策略
回复 fangxia（mr123）: 
最近在用 Openclaw，感觉 TOKEN 的使用比较厉害。现在我想请你总结一下怎样省 TOKEN 的攻略，包括：
1.选择大模型产品：选择 TOKEN 费用比较低的相应的产品；
2.使用 open cloud 这样的产品：怎样去节省 TOKEN，比如每天截止到凌晨的时候截止，将当天的所有任务终结，然后第二天开始重新去使用，避免第二天调用前一天的上下文，以增加 TOKEN 的使用量。

类似这样的一些节省 TOKEN 的方法和策略，请你帮我详细的总结，给出相应的解决方案和策略
OpenClaw TOKEN 节省全攻略
TOKEN消耗主要在三个方面：模型调用、上下文管理、缓存效率。以下是我为您总结的系统性节省策略：
1. 📊 模型选择：经济型 vs 性能型
当前模型分析
您当前使用：deepseek/deepseek-reasoner
这是推理优化型模型，能力强但成本较高
适合：复杂分析、数学问题、代码调试
不经济：日常对话、简单任务
经济型模型推荐
模型
相对成本
最佳场景
OpenClaw配置
deepseek-chat
30-40%
日常对话、文档处理
model=deepseek/deepseek-chat
claude-3-haiku
20-30%
快速响应、简单分类
model=claude-3-haiku
gemini-1.5-flash
15-25%
多语言、检索增强
model=gemini-1.5-flash
qwen-max
25-35%
中文优化、代码生成
model=qwen-max
智能切换策略
在OpenClaw配置中设置按任务类型切换模型：

在 ~/.openclaw/config.json 中

{
"modelRouting": {
"default": "deepseek/deepseek-chat",
"reasoning": "deepseek/deepseek-reasoner",
"coding": "claude-3.5-sonnet",
"fast": "claude-3-haiku"
}
}
2. 🕒 上下文管理：避免跨天“记忆税”
问题核心
上下文越长，TOKEN越贵。前一天的历史会成为第二天的“记忆税”。
解决方案：每日重置策略
方案A：定时重启网关（推荐）

创建定时任务，每天凌晨重置

crontab -e

添加：

0 0 * * * openclaw gateway restart

或更激进的：每小时清理一次

0 */1 * * * openclaw gateway restart
方案B：会话超时配置
// ~/.openclaw/config.json
{
"session": {
"timeoutMinutes": 60, // 1小时无活动自动结束
"maxContextTokens": 32000, // 限制上下文窗口
"autoPrune": true // 自动清理旧消息
}
}
方案C：手动清理命令

每日结束时手动清理

openclaw session clear --all

或保留重要会话

openclaw session clear --older-than 24h
3. 🧠 记忆系统优化：用文件代替上下文
OpenClaw的智能记忆架构
内存层级：
1. 📝 工作记忆（当前会话） → 高TOKEN成本
2. 📅 每日笔记（memory/YYYY-MM-DD.md） → 中等成本
3. 🧠 长期记忆（MEMORY.md） → 低成本
优化策略：三明治记忆法

代替：把所有历史放上下文

改为：

  1. 重要信息 → 写入 MEMORY.md（永存）
  2. 当日任务 → 写入 memory/2026-03-16.md（日清）
  3. 当前对话 → 仅保留最近10条消息
    具体操作：

1. 定期总结到长期记忆

openclaw memory summarize --days 7

2. 设置自动归档

echo "每天23:50自动归档当日记忆" >> ~/.openclaw/HEARTBEAT.md

3. 使用关键词检索代替全文回顾

openclaw memory search "炒股竞技场" # 而非重读全部历史
4. ⚙️ OpenClaw配置调优
缓存策略最大化
当前缓存命中率：72%，可提升至90%+
// ~/.openclaw/config.json
{
"cache": {
"enabled": true,
"strategy": "aggressive", // 激进缓存
"ttlMinutes": 1440, // 缓存24小时
"maxSizeMB": 1024 // 1GB缓存
},
"context": {
"compression": true, // 启用上下文压缩
"summarization": true, // 自动摘要长对话
"maxHistory": 20 // 最多保留20条历史
}
}
批量处理模式

低效：多个单独请求

openclaw run "分析新闻"
openclaw run "总结报告"
openclaw run "检查邮件"

高效：批量任务

openclaw batch --file daily-tasks.json

daily-tasks.json:

{
"tasks": [
{"type": "analyze", "data": "news"},
{"type": "summarize", "data": "report"},
{"type": "check", "data": "email"}
]
}
5. 📝 提示工程优化
TOKEN密集型操作 vs 轻量操作
操作类型
TOKEN成本
优化策略
长文档分析
高
先提取摘要，再分析摘要
代码生成
中高
提供清晰需求，避免迭代
日常对话
低
使用经济型模型
数据查询
很低
使用缓存结果
高效提示词模板

低效（冗余）：

请帮我分析一下今天的物流新闻，包括海运、空运、陆运的所有相关信息，并总结出三个关键点...

高效（精准）：

分析今日物流新闻，输出：1.关键事件 2.影响评估 3.行动建议
6. 🚀 实施路线图
第一周：快速见效
切换模型：deepseek/deepseek-reasoner → deepseek/deepseek-chat
设置定时重启：每天凌晨3点重启网关
启用压缩：在config中打开上下文压缩
预期节省：30-40% TOKEN
第二周：系统优化
配置记忆系统：建立每日归档流程
优化缓存：调整缓存策略为aggressive
任务批处理：合并相似任务
预期节省：累计50-60% TOKEN
第三周：精细调整
按任务路由模型：复杂任务用reasoner，简单用haiku
监控分析：使用openclaw status监控TOKEN使用
自定义技能：编写高复用技能减少重复提示
预期节省：累计70-80% TOKEN
7. 📈 监控与调优工具
实时监控

查看当前TOKEN使用

openclaw status

详细分析报告

openclaw analyze tokens --period 7d

TOP 10 TOKEN消耗任务

openclaw analyze top-tasks --limit 10
自动化优化脚本

!/bin/bash

~/.openclaw/scripts/optimize-tokens.sh

DATE=$(date +%Y-%m-%d)

1. 归档昨日记忆

openclaw memory archive --date $(date -d "yesterday" +%Y-%m-%d)

2. 清理旧缓存

openclaw cache clean --older-than 7d

3. 生成TOKEN报告

openclaw analyze tokens --output ~/.openclaw/reports/tokens-$DATE.json

4. 重启会话服务

openclaw gateway restart
8. 💡 高级技巧：开源节流
开源（增加价值）
技能复用：将常用操作封装为技能，一次开发多次使用
模板化回复：建立标准回复模板库
数据本地化：将参考数据存入本地文件，而非每次查询
节流（减少浪费）
避免“完美主义”：70分的回答用50% TOKEN，95分用200% TOKEN
设置TOKEN预算：openclaw config set budget.daily 100000
使用轻量输出格式：Markdown > 富文本，表格 > 描述性文字
🎯 最终清单：立即执行的10个动作
✅ 立即切换：model=deepseek/deepseek-chat
✅ 设置定时重启：crontab -e 添加 0 3 * * * openclaw gateway restart
✅ 启用缓存：config中设置 "strategy": "aggressive"
✅ 限制上下文："maxHistory": 20
✅ 建立每日归档：在HEARTBEAT.md中添加记忆归档任务
✅ 批量处理任务：合并相似操作
✅ 优化提示词：使用结构化、简洁的提示
✅ 监控使用：每周运行 openclaw analyze tokens
✅ 技能化常用操作：将重复任务封装为技能
✅ 设置TOKEN警报：配置每日预算提醒
📊 预期效果
优化阶段
预计TOKEN节省
成本下降
性能影响
基础优化（1周）
30-40%
$$$ → $$
几乎无感
系统优化（2周）
50-60%
$$ → $
轻微（复杂任务稍慢）
精细优化（3周）
70-80%
$ → ¢
可接受（合理任务分配）
关键洞见：最有效的节省不是“用更便宜的模型”，而是不重复造轮子——好的记忆系统、技能复用、缓存策略，比模型选择的影响大一个数量级。

开始实施后，您可以每周用 openclaw status 追踪进展。需要我帮您配置具体某项优化吗？

💬 讨论 (0) 发起新帖 ← 返回知识库