騰訊雲針對 OpenClaw 助手發布技術優化指南，提出三大策略應對 Token 消耗帶來的成本壓力。方便用戶透過內建指令壓縮上下文、利用多 Agent 架構分拆職能，以及配合記憶搜索機制取代冗長的對話歷史，達到同時提升 AI 回應效率並精確控制營運開支的最終目的。
即刻【按此】，用 App 睇更多產品開箱影片
OpenClaw 推優化指南：三大策略應對 Token 膨脹 長對話成本可減逾 80%
隨著企業級 AI 應用普及，AI Agent（智能體）在長週期對話中產生的 Token 消耗與成本壓力日益凸顯。騰訊雲（Tencent Cloud）近日針對旗下 AI 助手框架 OpenClaw 發佈技術優化指南，提出三項核心策略，旨在透過精準的上下文管理與架構調整，解決對話記憶冗餘導致的性能下降及費用激增問題。
指令化管理：一鍵「瘦身」對話上下文
針對日常對話中不斷累積的歷史記憶，OpenClaw 引入了內建的斜杠指令（Slash Commands），讓用戶能即時控制當前會話的規模。
「/compact」指令： 系統會自動總結並壓縮當前對話歷史，保留關鍵資訊而剔除細節，有效降低後續對話的 Token 使用量，同時提升回應速度。
「/reset」指令： 清除當前的短時上下文，但保留 Agent 的長期記憶（如個人偏好、項目背景等），實現對話主題的無縫切換。
「/new」指令： 開啟全新對話，從零開始計算 Token，避免舊有資訊干擾。
架構層級優化：多 Agent 職能分工
指南指出，將所有任務（如程式碼編寫、週報總結、團隊管理）堆疊於單一 Agent 是導致 Token 浪費的主因。官方建議採用「職能分拆」的架構邏輯：
獨立工作空間： 為不同團隊或職責配置獨立的 Agent，每個 Agent 擁有專屬的知識庫與記憶。
避免資訊污染： 特定任務的對話歷史僅保留在對應的 Agent 中，模型無需在冗餘資訊中檢索，從而大幅提升推理效率。
轉「全記憶」為「精準搜索」
為了徹底解決「無限對話」帶來的成本挑戰，指南強調利用「記憶搜索」（memory-search）功能。該機制允許 Agent 在需要時主動檢索過去的檔案或知識庫片段，而非將全部對話歷史硬性嵌入上下文（Context）。這種「即取即用」的模式，使模型輸入僅包含當前問題與高度相關的記憶碎片。
數據顯示，結合上述策略，用戶不僅能讓 AI 回應更穩定、減少偏題現象，更能有效遏制月度 Token 帳單持續攀升。目前，OpenClaw 已支援在騰訊雲 Lighthouse（輕量應用伺服器）快速部署，並整合了多個主流即時通訊平台，為企業及開發者提供自動化、低成本的 AI 助手方案。
Source： ezone.hk、tencentcloud
【相關報道】
【相關話題】OpenClaw 用家必睇 Gemini API 兩日狂燒近 $65萬 全因漏做 1 個設定【即睇官方正確做法】
一名墨西哥軟體開發商因 Gemini API 密鑰遭竊，導致帳戶在兩日內產生逾 8.2 萬美元欠費，面臨破產危機。受害者指控 Google 缺乏異常用量攔截機制，目前已向 FBI 報案並尋求校減費用。
Source: ezone.hk