Token Optimizer Skill 为 OpenClaw 实例提供保持精简高效的程序化知识，主要围绕防止 token 泄漏与上下文膨胀展开。
一、用途 该技能用于解决 OpenClaw 智能体运行中常见的上下文膨胀与 token 消耗问题，通过一系列工作流让实例保持轻量。
二、主要能力与工作流
-
周期性任务隔离 为防止后台任务污染主对话上下文，应将它们隔离运行。步骤：定位 openclaw.json 配置文件；在 cron.jobs 数组中，为不需要进入主聊天历史的任务设置 sessionTarget: "isolated"；若任务需要人工介入，可在任务 payload 中使用 message 工具。示例配置中，任务名为 Background Check，schedule 为 every 1800000 毫秒，sessionTarget 为 isolated，payload 类型为 agentTurn，message 为检查更新并在发现时用 message 工具通知用户，deliver 为 true。要点：sessionTarget: "isolated" 会在独立、临时的会话中运行任务；deliver: true 可将结果发回主频道；隔离会话不会用心跳/检查历史污染主上下文。
-
重置与总结（“数字灵魂”协议） 当上下文用量（可通过 📊 session_status 查看）超过 100k tokens 时，执行手动整合。步骤：运行 📊 session_status 查看当前 token 用量；扫描当前会话中的新事实、偏好或项目更新；将这些新事实追加到长期记忆文件 MEMORY.md；确保 memory/YYYY-MM-DD.md 记录当天事件；运行 openclaw gateway restart 清除活动历史。触发时机：上下文超过 100k tokens、会话运行数天、响应明显变慢、用户明确要求“重新开始”。
-
本地 RAG 配置 为高效召回且不消耗过多 token，可配置本地嵌入。配置示例中，memorySearch.embedding.provider 为 local，model 为 hf:second-state/All-MiniLM-L6-v2-Embedding-GGUF，store 为 sqlite，paths 为 ["memory/", "MEMORY.md"]，extraPaths 为空数组。使用 memory_search 从日志中检索上下文，而非加载全部内容，例如 memory_search(query="what did we decide about the API design")。该工具返回带文件路径和行号的相关片段，可用 memory_get 提取特定部分。
-
会话记录索引（进阶） 对会话记录（.jsonl 文件）建立索引，实现可搜索的对话历史。OpenClaw 将会话记录存储在 ~/.openclaw/sessions/，可对其建立语义搜索索引，从而无需加载到上下文即可查找旧对话。配置方式：将记录路径加入 memorySearch.extraPaths，例如 "~/.openclaw/sessions/*.jsonl"。最佳实践：选择性索引（近期会话、重要对话）；使用基于日期的过滤限制搜索范围；索引后将旧记录归档到冷存储。
-
混合搜索（向量 + BM25） 结合语义搜索与关键词匹配以提高检索准确性。向量（语义）擅长找到概念相似内容，但可能遗漏精确术语；BM25（关键词）擅长精确匹配，但会遗漏同义词/改写；混合方式兼具两者优点，计算量略增。使用方法：当 memory_search 返回低置信度结果时，尝试不同措辞（语义变体）搜索，或搜索记得的精确关键词（BM25 行为），必要时手动合并结果。未来增强：OpenClaw 的 RAG 系统可能在未来版本支持原生混合搜索，目前精度要求高时需运行多次查询。
三、故障排查 “上下文增长过快”：检查 cron 任务是否隔离；检查心跳频率（过于频繁会增加 token）；是否不必要地加载大文件。 “memory_search 无返回”：确认 openclaw.json 中已配置 memorySearch；检查嵌入模型是否已下载；确保记忆文件存在且有内容。 “重启未清除上下文”：重启会清除会话历史，但系统提示始终加载，工作区文件（如 MEMORY.md）会重新注入，这是为保持连续性而设计的。
四、适用场景 适用于使用 OpenClaw 智能体、需要控制上下文规模、降低 token 消耗、提升响应速度、管理长期记忆与历史会话检索的用户。
五、限制 资料未提供该技能的收费、价格、平台支持范围等具体信息。部分功能（如原生混合搜索）为未来可能增强项，当前需手动多次查询。