OpenClaw-三大问题:耗费Token、记忆断片、任务无反馈

OpenClaw在使用过程中，最容易遇到的三个问题：①Token消耗高；②会话记忆经常断片；③执行任务，经常没有反馈。本文将通过Skills优化这些问题。

这三个问题是相互影响的，大部分情况都是memory的问题。解决了一个，可能也提高了另一个的能力，比如QMD解决了Token消耗高的问题的同时，也增强了记忆。因此，这边也只是大致分了下每个问题的主要方案。

01

—

在OpenClaw-目录结构，我们介绍了会话加载需要上传一些内容，主要包括两个方面：身份类文件（AGENTS.md、SOUL.md、USER.md等文件）、记忆类文件（MEMORY.md、memory/YYYY-MM-DD.md（今天和昨天的）、当前会话的一些未过期的上下文）。

• 身份类文件，最多只能精简，例如删除不必要的废话等，但也压缩不了多少。此外，随着使用时间的累积，龙虾会越来越懂你，相应的【灵魂三件套】文件大小也会变大。

• 记忆类文件，在OpenClaw-Skills中介绍了QMD的方式，通过用户输入，去memory中查询相关信息，替代发送整个记忆文件，以此来减少Token的消耗。除了QMD之外，还有LanceDB、memOS等能优化记忆，节省Token。这一部分才是Token减耗的关键。

记忆断片

这边列举几种可能，并尽量给出一些Skills。

1、未检索Session

不管是QMD，还是默认的检索方式，基本上都是只会检索MEMORY.md、memory/YYYY-MM-DD.md等文件，对于session中的内容，基本不会去检索。

OpenClaw自带了一个解决方案，那就是将sessionMemory设置为true，即可同时包含memory和sessions作为数据来源。

openclaw config set memorySearch.experimental.sessionMemory true

2、记忆存储优化/备份

Session不会主动保存到memory/YYYY-MM-DD.md中，OpenClaw中有两个地方能设置：

1、memoryFlush

将其设置为true，那么当会话的上下文接近限制时，就会触发更新。

openclaw config set compaction.memoryFlush.enabled true

{  agents: {    defaults: {      compaction: {        reserveTokensFloor: 20000,        memoryFlush: {          enabled: true,          softThresholdTokens: 4000,          systemPrompt: "Session nearing compaction. Store durable memories now.",          prompt: "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store.",        },      },    },  },}

当前会话Token估算值 > (contextWindow - reserveTokensFloor - softThresholdTokens)，将触发刷新（Flush）操作，写入memory/YYYY-MM-DD.md。

3、Skills

ClawHub上有很多关于记忆优化、备份的Skills。例如：

• 将session实时保存session-memory。

• 优化记忆类别memory-manager。

• 优化搜索方法。

• 记忆备份elite-longterm-memory。

• 自我提升self-improving-agent。

• 等等等等，建议按需使用。

3、Session持久化

经常会遇到一个问题，昨天你问了Agent一件事，第二天，再来问他，他却失忆了。这种主要是Session的Lifecycle问题。在OpenClaw中，关于这块是这样描述的（截至2026.3.4）：

Reset policy: sessions are reused until they expire, and expiry is evaluated on the next inbound message.

重置策略：会话会被复用直至过期，而过期判定会在收到下一条传入消息时进行。

https://docs.openclaw.ai/concepts/session#lifecycle

Session会被过期重置，默认的重置规则是，每天凌晨4点。

Daily reset: defaults to 4:00 AM local time on the gateway host. A session is stale once its last update is earlier than the most recent daily reset time.

每日重置：默认为网关主机本地时间的凌晨 4:00。如果会话的最后更新时间早于最近一次的每日重置时间，则该会话被视为陈旧。

https://docs.openclaw.ai/concepts/session#lifecycle

如果你在凌晨 3:50 发了一条消息，然后在 8:00又发了一条，由于8:00的消息，触发检查时，发现本次消息的时间（8:00）晚于今日的重置点（4:00），系统会开启一个新会话。并将8:00发的消息，作为新会话的第一条输入处理。

Idle reset (optional): idleMinutes adds a sliding idle window. When both daily and idle resets are configured, whichever expires first forces a new session.

空闲重置（可选）：idleMinutes 会添加一个滑动的空闲时间窗口。当同时配置了每日重置和空闲重置时， whichever expires first（ whichever 先达到过期条件）将强制开启新会话。

https://docs.openclaw.ai/concepts/session#lifecycle

系统默认配置：

{  session: {    scope: "per-sender", // keep group keys separate    dmScope: "main", // DM continuity (set per-channel-peer/per-account-channel-peer for shared inboxes)    reset: {      // Defaults: mode=daily, atHour=4 (gateway host local time).      // If you also set idleMinutes, whichever expires first wins.      mode: "daily",      atHour: 4,      idleMinutes: 120,    },    resetTriggers: ["/new", "/reset"],    store: "~/.openclaw/agents/{agentId}/sessions/sessions.json",    mainKey: "main",  },}

如果启用了hook里的session-memory，那么Session被过期重置时，也会触发这个哦。但有个问题，不是所有的Session内容都会保留，只会保留重要的信息到memory。

比如你第一天8点问他【1+1等于多少】，第二天8点再问他【在此基础上，再加1等于多少】，他就不会了。

因此，有个邪修的办法，删掉每日重置策略，延长空闲重置时间窗口为1年。

"session": {    "reset": {      "idleMinutes": 525600,      "mode": "idle"    },  },

再加上，我们①勾选了session-memory，②设置了memoryFlush，③启用了sessionMemory。就不太会出现断片的情况。

但这样真的就万能了吗？NO，现在或许有效，但下一次版本更新，增加了新的功能，可能就无效了。所以建议按需使用。

在执行一个复杂任务时，执行着、执行着，龙虾就没有反应了。基本上都是上下文的问题。一般的解决方案是：①把复杂的任务，拆成多项，类似todolist；②分发给不同的Agent，或者就同一个Agent；③做完一项，勾选一项，直到最后完成；④建立心跳等机制，定时检查进度。

Task Decomposition & Orchestration（任务拆解与编排）

这套逻辑（拆解->分发->执行/勾选->监控）是目前AI Agent编排（Agent Orchestration）和多智能体系统（Multi-Agent Systems, MAS）的核心工作流。

在ClawHub上也有相关的Skills。

agent-orchestrator：将宏任务分解为子任务，生成带有动态生成 SKILL.md文件的专用子代理，协调基于文件的通信，整合结果，并在完成后解散代理。

planning-with-files：实现Manus风格的文件规划以应对复杂任务。用于启动复杂的多步骤任务、研究项目或任何需要调用>5 个工具的任务。

task-decomposer：将复杂的用户请求分解为可执行子任务，识别所需能力，搜索skills.sh现有技能，并在无解决方案时创建新技能。

automation-workflows：设计并实施自动化工作流。把多个Skills串起来做复杂的事。

但再多，也不如定制，可以让大模型为你量身定制一个编排的Skill。通过自带skill-creator技能，就能实现。

======END=======