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：
- 归档两周前的发布记录
- 删除失效/过期条目
- 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：
- 模型调用层：usage 数据（已有）
- Agent 执行层：任务级链路追踪（AgentCore Observability 可补足）
- 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