简介

通过文件分割、提示缓存、上下文剪枝和模型路由，减少 OpenClaw 每回合提示成本 70% 以上。已在生产环境中测试，具有良好效果。

使用指南

1. 文件分割

分割大文件以减少单次处理的令牌数量

# 示例命令（假设）
split-file --input large_file.txt --output split_files/

2. 提示缓存

缓存常用提示以避免重复计算

# 示例代码（假设）
cache = {}
def get_prompt(prompt_id):
    if prompt_id in cache:
        return cache[prompt_id]
    # 计算并缓存
    result = compute_prompt(prompt_id)
    cache[prompt_id] = result
    return result

3. 上下文剪枝

精简不必要的上下文以减少令牌使用

4. 模型路由

根据提示类型选择最合适的模型以优化性能

注意

• 确保分割文件后仍能正确解析
• 定期更新缓存以反映最新的提示
• 剪枝时避免损失关键上下文
• 监测模型路由的性能

---

# 原 YAML frontmatter 部分（不翻译） title: Token Optimization version: 1.0

---