大家是不是发现我们的龙虾还没怎么用token就已经消耗一大半了。

今天我们就来一起看看怎样可以优化一下我们的龙虾。

一、OpenClaw配置优化

1、让龙虾认识自己

"agents": {"list": [      {"id": "main","identity": {"name": "小嘿","emoji": "o( ❛ᴗ❛ )o"        }      }    ]}

OpenClaw 身份配置

• main：定义系统默认调用的主代理角色。
• name：设置机器人的对外显示昵称。
• emoji：通过颜文字设定角色的视觉形象。

这样优化的好处：快速定制拟人化身份，显著提升交互亲和力。

2、连续消息合并

"messages": {"inbound": {"debounceMs": 3000    }}

输入流控配置

• inbound：定义系统接收外部输入信号的策略。
• debounceMs：设置 3000 毫秒的防抖延迟。
• 功能：防止高频重复触发，合并短时间内的多次输入。

这样优化的好处：有效拦截高频冗余输入，显著提升系统响应稳定性。

3、会话过期

"session": {"dmScope": "per-channel-peer","reset": {"mode": "daily","atHour": 3,"idleMinutes": 120    }}

会话管理配置

• dmScope：按频道和用户隔离会话，确保上下文互不干扰。
• mode：设定重置周期为每日执行，定期清理历史数据。
• atHour：指定凌晨三点触发重置，利用低峰期自动维护。
• idleMinutes：闲置 120 分钟自动重置，防止无效占用内存。

这样优化的好处：兼顾长时会话连续性，自动清理长期闲置冗余。

4、heartbeat 降频

"agents": {"defaults": {"heartbeat": {"every": "120m","activeHours": {"start": "07:00","end": "24:00"        }      }    }}

心跳机制配置

• heartbeat：定义系统的存活检测与自唤醒逻辑。
• every：设定每隔 120 分钟执行一次检测。
• activeHours：限制心跳任务仅在 7点至24点间运行。

这样优化的好处：按需唤醒系统确保稳定，避开深夜运行节省资源。

5、自动裁剪旧内容

"agents": {"defaults": {"contextPruning": {"mode": "cache-ttl","ttl": "5m"      }    }}

上下文裁剪配置

• contextPruning：定义如何自动清理或缩减历史对话。
• mode：设置基于缓存生存时间（TTL）的清理模式。
• ttl：设定上下文数据在 5 分钟后自动过期。

这样优化的好处：定期清理过期缓存，确保存储精简并降低调用成本。

6、防记忆丢失

"agents": {"defaults": {"compaction": {"mode": "safeguard","reserveTokensFloor": 24000,"memoryFlush": {"enabled": true,"softThresholdTokens": 6000        }      }    }}

数据压缩配置

• compaction：定义上下文压缩策略，优化长对话性能。
• mode：开启安全保护模式，防止上下文超出限制。
• reserveTokensFloor：保留两万四千个基础令牌，确保存档完整。
• memoryFlush：启用内存冲刷功能，自动清理冗余数据。
• enabled：开启该清理机制，实时监控内存占用情况。
• softThresholdTokens：达到六千令牌时，触发柔性清理机制。

这样优化的好处：在安全防护下强制释放内存，确保系统运行稳健高效。

7、subagents 模型降级

"agents": {"defaults": {"subagents": {"maxConcurrent": 8,"archiveAfterMinutes": 30,"model": "qwencode/MiniMax-M2.5"      }    }}

子智能体配置

• subagents：定义子智能体运行规则，管理并发与存档。
• maxConcurrent：限制最大并发数为 8，控制系统资源占用。
• archiveAfterMinutes：闲置 30 分钟后自动存档，释放运行内存。
• model：指定调用 MiniMax-M2.5 模型进行任务处理。

这样优化的好处：利用高性能模型提升语义理解，并通过自动归档降本增效。

8、时区修正

"agents": {"defaults": {"userTimezone": "Asia/Shanghai","timeFormat": "24"    }}

时区配置

• userTimezone：设置用户所在时区为上海，同步本地时间。
• timeFormat：指定采用 24 小时制显示，符合日常习惯。

这样优化的好处：确保心跳时间、定时任务等逻辑与本地同步。

9、cron 链接修复

升级版本后，一定要检查 cron 任务里的硬编码路径和命令。 这种隐形bug不会报错，只是会默默失效。

例如，clawdbot 更名为 openclaw 后：

1. 文档索引的 URL 还指向旧域名 docs.clawd.bot，改成了 docs.openclaw.ai 。
2. 认证监控的命令还是旧的 clawdbot，改成了 openclaw 。

二、用 QMD 替代默认记忆搜索

QMD源码地址：https://github.com/tobi/qmd

1、QMD 替代默认记忆搜索的核心优势

QMD（Quick Memory Dispatcher）是一个本地优先的语义搜索工具，它通过“侧车进程”（Sidecar Process）的方式运作，相比原生的 SQLite 索引器有显著提升：

• 极致的 Token 节省：默认搜索可能会将大段历史记录塞进上下文，而 QMD 采用 BM25 + 向量 + 重排 的混合检索模式，只提取最相关的 2-3 句话。据社区反馈，这能让上下文 Token 消耗降低 60% ~ 97%。
• 多源知识融合：QMD 不仅索引 MEMORY.md，还能把指定的本地文件夹、项目文档全部编入统一索引，让 OpenClaw 具备“本地知识库”的能力。
• 更快的响应速度：由于 QMD 是本地运行的侧车进程，它在处理数万 Token 级别的长文本检索时，比完全依赖大模型检索要快得多，通常能将延迟控制在 1 秒以内。

2、如何实现替代

1. 安装 QMD 环境：可以通过如下命令全局安装 QMD 工具链。

# 1. 安装 QMDnpm install -g @tobilu/qmd# 2. 确认 qmd 命令可用qmd --version

1. 配置 OpenClaw：在 OpenClaw 的配置文件中，将记忆插件（Memory Plugin）的路径或类型指向 QMD 后端。

"memory": {"backend": "qmd","citations": "auto", // 引用格式：auto/inline/block"qmd": {"command": "qmd", // QMD 可执行文件路径"searchMode": "query", // 混合搜索（语义+关键词）"includeDefaultMemory": true, // 包含默认记忆文件"update": {"interval": "5m", // 索引自动更新间隔"debounceMs": 15000, // 防抖时间"onBoot": true // 启动时同步索引      }    }}

配置好之后，重启 Gateway 生效。

1. 索引更新：系统会自动在后台运行 qmd update 和 qmd embed，将对话记录和本地 Markdown 文件实时转化为可搜索的向量索引。

如果发现 OpenClaw 越聊越贵，或者开始“胡言乱语”丢失记忆，切换到 QMD 是最有效的解决手段之一。