OpenClaw Token 深度优化指南：从架构原理到实战省 Token 策略

OpenClaw 用得越多，Token 烧得越快？这不是错觉。一个长期运行的 Agent session，每轮对话都要重新处理系统提示、工具定义、历史消息和文件注入。理解 OpenClaw 的运行机制，是省 Token 的前提。

先搞清楚：Token 都花在哪了？

OpenClaw 每次调用模型时，会组装一个完整的"上下文窗口"（Context Window），发送给模型的内容包括：

根据 OpenClaw 官方文档的 /context list 示例输出，一个典型的 session 中：

第一层：压缩（Compaction）——被动省钱

OpenClaw 内置了自动压缩机制。当对话接近模型的 context window 上限时，系统会自动将较早的消息压缩成摘要，保留最近的消息不变。

{
  "agents": {
    "defaults": {
      "compaction": {
        "mode": "safeguard"
      }
    }
  }
}

{
  "agents": {
    "defaults": {
      "compaction": {
        "model": "xiaomi-coding/mimo-v2-pro"
      }
    }
  }
}

压缩前，OpenClaw 会自动提醒 Agent 把重要笔记存到 memory 文件，防止信息丢失。

第二层：会话裁剪（Session Pruning）——减少无效 Token

压缩是把旧消息变成摘要，而裁剪是更轻量的操作——只清理旧的工具调用结果，不改动对话文本。

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

裁剪是内存操作，不会修改磁盘上的会话记录。你的完整历史始终保留。

第三层：Prompt 缓存——复用不花钱

Prompt Caching 是最有效的省钱机制。模型提供商可以复用跨轮次不变的 prompt 前缀（通常是系统提示和工具定义），而不必每轮重新处理。

{
  "agents": {
    "defaults": {
      "params": {
        "cacheRetention": "long"
      }
    }
  }
}

三个级别：

{
  "agents": {
    "defaults": {
      "heartbeat": {
        "every": "55m"
      }
    }
  }
}

这样即使 Agent 空闲，心跳也能保持缓存不冷。

第四层：系统提示瘦身——从源头减少

系统提示是每轮必发的内容，瘦身效果立竿见影。

4.1 控制工作区文件注入

OpenClaw 默认注入 7 个文件到系统提示中：

{
  "agents": {
    "defaults": {
      "bootstrapMaxChars": 20000,
      "bootstrapTotalMaxChars": 150000
    }
  }
}

4.2 精简技能列表

每个已安装的技能都会在系统提示中注入一条描述（名称 + 描述 + 路径）。安装 20 个技能就会多出约 1,000+ tokens。

4.3 工具 Schema 是隐形大户

工具定义的 JSON Schema 占了系统提示最大的一块（示例中 ~8,000 tokens）。每个工具的参数定义、枚举值、描述都会计入。

第五层：模型选择——别用牛刀杀鸡

不同任务用不同模型，是最直接的省钱策略：

OpenClaw 支持 per-session 模型切换，用 /model 命令随时切换。

第六层：图片优化

发送截图给 Agent 时，图片会被编码成大量 Token。

{
  "agents": {
    "defaults": {
      "imageMaxDimensionPx": 800
    }
  }
}

默认 1200px，降低到 800px 可以显著减少视觉 Token 消耗。如果你的场景主要是文字识别，800px 足够；如果需要看清 UI 细节，可以适当调高。

实战配置模板

综合以上策略，推荐的 openclaw.json 配置：

{
  "agents": {
    "defaults": {
      "compaction": {
        "mode": "safeguard"
      },
      "contextPruning": {
        "mode": "cache-ttl",
        "ttl": "5m"
      },
      "params": {
        "cacheRetention": "long"
      },
      "imageMaxDimensionPx": 800,
      "bootstrapMaxChars": 20000,
      "bootstrapTotalMaxChars": 150000
    }
  }
}

省 Token 检查清单

最后

Token 优化不是一次性工作，而是持续的习惯。定期用 /context list 看看 Token 都花在哪了，用 /status 监控消耗趋势，用 /compact 主动管理长 session。

记住：理解机制才能有效优化。OpenClaw 的压缩、裁剪、缓存三层机制设计精巧，配置得当可以节省 60% 以上的 Token 消耗。