OpenClaw 指令与 Token 优化

本手册整合了 OpenClaw 的通用命令、飞书（Lark）特化操作以及深度 Token 成本控制策略。

一、 核心交互指令 (斜杠命令 /)

在对话框输入 / 即可触发，是管理 AI 状态最直接的方式。

二、 飞书 (Lark) 环境特化技巧

在飞书多用户协作场景下，Token 消耗往往更快，建议采用以下交互方案：

1. 引用回复 (Threaded Reply)
• 操作：使用飞书“回复”功能针对性提问。
• 效果：OpenClaw 会优先提取关联消息，忽略群聊中无关的闲聊内容，减少输入负载。
2. 消息截断设置
• 在后台配置 max_history_messages: 15。限制历史轮数可强制模型“聚焦”当前问题，防止历史信息无限堆积。
3. 自动卡片总结
• 配置 auto_summary: true。当群聊 Token 达到阈值时，自动将历史折叠为摘要卡片，确保持续对话处于低成本环境。
4. 权限白名单
• 使用 /allowlist 限制高阶模型调用权限，防止非核心成员误用昂贵资源（如频繁调用 GPT-4 闲聊）。

三、 后台深度优化配置 (openclaw.json)

通过调整底层参数，实现自动化的 Token 缩减：

1. 自动压缩机制 (Compaction)

当上下文占用接近模型上限时，自动触发刷新：

"compaction":{"memoryFlush":true,// 压缩前将关键决策存入局部存储"tokenThreshold":80000// 达到 80k Token 时自动执行压缩}

2. 启用精准检索 (QMD)

开启 Query-based Memory Delivery

• 效果：系统不再每轮发送全部历史，而是仅根据当前问题召回最相关的历史片段进入 Context，极大节省输入 Token。

3. 设置硬性上下文上限

• 手动设置 contextTokens。建议设为模型最大能力的 60%-70%。
• 意义：防止单次请求费用过高，并提高模型响应速度。

四、 最佳实践总结

• 分阶段处理：处理大型项目时，先用 /memory search 找文件，再针对性修改。禁止一次性将整个源码目录喂给 AI。
• 模型阶梯化：默认使用 gpt-4o-mini 处理日常咨询，仅在需要复杂推理或代码编写时手动切换至 claude-3-5-sonnet。
• 及时清场：项目阶段性结束后，养成使用 /new 的习惯，保持 Agent 始终运行在轻量化状态。