Sejak kami melaksanakan OpenClaw dalam operasi, penggunaan token kami turun dari 34 bilion token sebulan kepada 1.5 bilion token sebulan menerusi pendekatan 独立系统.
\r\nKini, dengan Refactor dan Resegment, kami berjaya menurunkannya lagi ke paras 750 juta token sebulan.
\r\nDari sudut operasi, pengajaran paling besar di sini mudah: optimasi bukan selalu tentang membeli GPU lebih besar atau menambah kuasa compute. Dalam persekitaran perniagaan 马来西亚, terutamanya untuk pasukan yang menjalankan operasi harian, kejayaan sebenar datang apabila kita menyusun semula proses supaya sistem bekerja lebih fokus dan cekap.
\r\nSebelum ini, AI terpaksa membaca konteks yang terlalu banyak berulang kali hanya untuk membuat perubahan kecil. Itu mencetuskan pembaziran token, kos tinggi, perlahan execution, dan bebanan tidak perlu pada operasi.
\r\nDengan 独立系统, beban kerja menjadi lebih tertumpu. Dengan Refactor dan Resegment, setiap proses menjadi lebih tersusun. AI tidak perlu lagi mengimbas keseluruhan sistem setiap kali. Ia hanya bekerja pada bahagian tepat yang memberi kesan kepada hasil.
\r\nInilah cara kami bergerak dari:
\r\n34B → 1.5B → 750M token/sebulan
\r\nKurang konteks.
\r\nKurang ulangan.
\r\nKurang pembaziran.
\r\nKos lebih rendah.
\r\n执行 lebih pantas.
Bagi saya, dari perspektif operasi dan pembangunan perniagaan, ini membuktikan satu perkara dengan jelas: masa depan kecekapan AI bukan hanya bergantung pada hardware yang lebih kuat. Ia bergantung pada reka bentuk sistem yang lebih bijak.
\r\nKecekapan bermula dari reka bentuk sistem.
\r\n#OpenClaw #AI #LLM #AIAgents #系统架构 #Token优化 #Software工程 #AI工程 #效率
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
关于token/sebulan \r\n kur 750M的例子很实用，适合团队继续讨论。
同意作者对sejak kami melaksanakan openclaw dalam的判断，方向很清楚。
如果有更多kami berjaya menurunkannya lagi ke的数据和结果会更完整。
如果可以继续说明kami turun dari 34的真实案例，我会想继续阅读。