记一次 OpenClaw Token 费用优化：从日均 50 美元到 12 美元的技术拆解

背景

用 OpenClaw 做了两个月内容运营自动化，上月账单发现 Token 消耗远超预期——每天 50 美元，月均 1500 刀。深入分析后发现，问题不在模型调用次数，而在每次调用的上下文过于臃肿。

本文记录优化过程中的三个关键操作和效果数据。

上下文结构分析

OpenClaw 的 Agent Runtime 每次调用模型时组装三层上下文：

第一层：系统指令（静态）

包括 AGENTS.md（核心指令）、SOUL.md（个性配置）、TOOLS.md（工具约定）以及所有已安装技能的元数据。这一层每次调用都完整携带。

测量值：6000-8000 Token，其中技能描述占 2300 Token（23 个技能 × ~100 Token）。

第二层：会话历史（累积）

当前对话的完整消息记录，默认不截断。50 轮对话后达到 5000-8000 Token。

第三层：动态注入（按需）

语义搜索的记忆片段和激活技能的完整指令。2000-4000 Token。

三层合计单次 input 15000-20000 Token。AWS 官博最近的分析文章用了一个精确的定义：Token 问题归结为推理预算（Token 花多少）、信息供给（Memory 进多少）、能力暴露（Skill 暴露多少）。

优化一：技能按需加载

OpenClaw 采用渐进式披露策略管理技能：

• Level 1（元数据）：~100 Token/技能，启动加载
• Level 2（指令）：激活时加载
• Level 3（资源）：使用时加载

23 个技能的 Level 1 总计 2300 Token。日常高频使用的只有 5-6 个。

操作：将 15 个低频技能移到 skills-archive/ 目录。Level 1 从 2300 降到 800 Token。

更进一步的方案是引入语义检索机制——根据当前任务意图动态匹配技能，而非静态加载全部描述。Amazon Bedrock AgentCore 的 Agent Registry 已实现这种模式，支持混合搜索（语义+关键词）按需发现。

优化二：记忆文件瘦身

MEMORY.md 在两个月运营中从 5KB 膨胀到 20KB。内容包括：过期的发布记录、失效的 Cookie 路径、废弃的脚本路径、重复的平台信息。

OpenClaw 的记忆系统基于 SQLite + 向量嵌入，采用混合搜索（余弦相似度 + FTS5 BM25），支持时间衰减。Dreaming 机制自动将高频短期记忆提升为长期记忆，但不会主动清理过期内容。

操作：

1. 归档两周前的发布记录
2. 删除失效/过期条目
3. 合并散落在多处的同类信息

MEMORY.md 从 20KB 压缩到 12KB，每次检索省 2000 Token。

Amazon Bedrock AgentCore Memory 的设计提供了参考模式：分层记忆架构（短期+长期）、多种内置策略（语义/摘要/偏好/情景）、命名空间隔离和跨会话共享。核心思路是按需加载和上下文预算管理。

优化三：会话历史压缩

50 轮对话的完整历史每次调用都随行。其中大量是已完成任务的过程细节，对当前任务没有参考价值。

操作：

• 复杂任务完成后开新会话
• 不同类型任务分会话执行
• 使用 compact 功能将旧消息压缩为摘要

会话历史平均从 8000 降到 3000 Token。

可观测性

Token 优化需要数据支撑。当前 OpenClaw 通过 /status 提供单次调用级别的 Token 可见性。结合 CloudWatch Bedrock 指标（InputTokenCount / OutputTokenCount）可做时序分析。

更深层的分析需要覆盖三个层级：

1. 模型调用层：usage 数据（已有）
2. Agent 执行层：任务级链路追踪（AgentCore Observability 可补足）
3. Prompt 构建层：上下文组成分析（需框架内部埋点）

效果数据

指标	优化前	优化后	变化
单次 input Token	15,300	6,800	-55%
日均总 Token 费用	$50	$12	-76%
技能描述占用	2,300 Token	800 Token	-65%
记忆检索占用	5,000 Token	3,000 Token	-40%
会话历史占用	8,000 Token	3,000 Token	-62%

核心结论：Token 爆炸的根因是 Harness 层缺乏对 Memory 和 Skill 的精细化管理，而非模型能力不足。Skill 按需加载、Memory 分层管理、会话及时压缩——三者配合可实现 50% 以上的 Token 节省。

参考：取之有度，用之有节-从Harness视角破解Agent应用Token爆炸难题
相关服务：Amazon Bedrock | Amazon Bedrock AgentCore