[技巧]
OpenClaw 本地最优方案：极致省 Token + 最高价值落地思路
- 混合模式（有云端 Claude/GPT 密钥，性价比最高）
- 全本地模式（Ollama 本地小模型，零云端 Token）
1. 本地长文档知识库预处理（Token 削减 95%，收益天花板）
直接把 PDF/Markdown/ 代码文件夹 / Excel 完整喂给云端，单次上万输入 Token，每日重复读取文件直接榨干额度。
- 本地技能：文件读取、文本分块、本地向量检索、关键词过滤、冗余清洗
- 流程：
- OpenClaw 本地读取电脑全部文档，QMD 做本地语义索引（全程不上传云端，0Token）
- 提问时只把 2-3 段匹配片段发给云端，而非全文
- 自动定期归档、标签、生成本地摘要，后续检索复用本地缓存
技术资料库、工程塑料图纸文档、合同、笔记库、代码源码库；一次索引永久复用，月度云端 Token 直接少 90%。
2. 全流程本地自动化执行（几乎不耗云端 Token，解放人力）
- 文件自动化（工程 / 办公刚需）
- 批量重命名图纸、分类素材、拆分 Excel 单据、归档回单、压缩备份
- 规则：用云端大模型一次性生成 Python/Shell 脚本，后续全部本地执行，不再调用 API
- 浏览器 / 网页自动化
抓取行业资料、批量生成文章、WordPress 批量发布、数据爬取；脚本本地循环运行，仅首次生成脚本消耗少量 Token - 邮件 / 日程 / 消息自动化
本地拉取邮箱、自动分拣、提取待办、定时简报；本地轻量模型完成摘要，仅复杂邮件润色走云端 - 定时本地巡检
监控文件夹变更、代码仓库更新、本地日志分析，自动推送极简简报
搭配 Ollama 本地 7B/4B 轻量模型（Qwen、DeepSeek 小参数量），把 80% 日常问答全部本地消化，云端只留给高难度任务：
4. 本地记忆上下文压缩（解决长对话无限堆 Token）
- 本地定期压缩会话历史，保留核心信息、删除冗余闲聊
- 区分长期记忆 / 临时对话，长期内容存入本地向量库，不再每次上传
- 自动截断无效上下文，单次请求输入 Token 从数千降至几百
适合长期持续使用 Agent、每日多轮交互的场景。
所有原始杂乱数据本地预处理，干净结构化后再提交云端，避免无效字符、乱码、重复文本占用 Token：
6. 本地多渠道统一接入，缓存复用对话结果
- 重复提问（如材料参数、常用模板、固定话术）直接返回本地缓存，完全不调用云端
- 多终端共用一套本地记忆，手机 / 电脑访问同一套本地知识库，无需重复上传文件
工程图纸、公司账务、客户资料、内部代码绝对不能全量上传云端，本地闭环处理：
二、3 套落地配置方案（省 Token 程度对比）
- OpenClaw 本地网关 + Ollama 7B 本地小模型（日常轻量任务 0 云端 Token）
- QMD 本地向量检索（文档查询 Token 削减 95%）
- 云端 Claude/GPT 仅处理：深度行业方案、长篇专业写作、复杂架构代码
Token 节省：90% 左右，适合有 API 密钥、需要高质量输出的技术 / 办公人群。
OpenClaw+Ollama 14B 本地模型，全程不接入任何付费 API；所有问答、自动化、文档处理本地完成。
Token 节省：100% 无云端消耗，适合学生、预算有限、数据高度敏感场景；缺点是复杂任务能力弱于云端旗舰模型。
所有文件、对话、自动化推理全部走云端 API，每日数万 Token 消耗，成本高、有数据泄露风险。
- 开启 QMD 本地语义检索，接入本地文档库（单次操作永久降本）
- 安装 Ollama 配置本地轻量模型，分流 80% 日常提问
- 批量生成自动化脚本，替代重复云端任务
- 开启本地会话记忆压缩、缓存重复问答
- 搭建本地数据清洗流水线，预处理后再提交云端
- 纯云端：每日读取 10 份工程 PDF+30 轮对话，日均输入 Token≈12000
- 本地优化后：QMD 分片 + 本地小模型处理日常问答，日均云端 Token≈600
- 月度云端 Token 消耗直接降低 95%，同时本地自动化节省大量人工操作时间，是成本 + 效率双重最大化。
|
|
|
|
|
|
|
|
|
