Di AINNA, kami membangunkan OpenClaw dengan satu keyakinan: setiap token, setiap sumber, dan setiap peluang untuk menjadi lebih cekap itu berharga. Sejak kami menerapkannya, penggunaan token kami merosot daripada 34 bilion token sebulan kepada 1.5 bilion token sebulan melalui pendekatan 独立系统.
\r\nKini, dengan Refactor dan Resegment, kami berjaya menurunkannya lagi ke kira-kira 750 juta token sebulan.
\r\nPengajaran terbesar di sini sangat mudah: pengoptimuman tidak semestinya bermaksud membeli GPU yang lebih besar atau menambah kuasa komputasi. Kadangkala, terobosan sebenar datang daripada mereka bentuk semula cara sistem berfikir, membaca, dan melaksanakan tugas.
\r\nDahulu, AI terpaksa membaca konteks yang terlalu banyak berulang kali hanya untuk membuat perubahan kecil. Akibatnya, berlakulah pembaziran token, kos meningkat, perlaksanaan menjadi perlahan, dan bebanan tidak perlu menimpa sistem.
\r\nDengan 独立系统, beban kerja menjadi lebih terfokus. Dengan Refactor dan Resegment, setiap proses menjadi lebih tersusun. AI tidak perlu lagi mengimbas keseluruhan sistem setiap kali. Ia hanya membuat kerja pada bahagian tepat yang penting.
\r\nBegitulah cara kami berpindah daripada:
\r\n34B → 1.5B → 750M 令牌/bulan
\r\nKurang konteks.
\r\nKurang pengulangan.
\r\nKurang pembaziran.
\r\nKos lebih rendah.
\r\nPerlaksanaan lebih pantas.
Bagi saya, ini membuktikan satu perkara dengan jelas: masa depan kecekapan AI bukan sahaja tertakluk kepada perkakasan yang lebih kuat. Ia bergantung kepada seni bina yang lebih pintar.
\r\nKecekapan bermula dengan 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kami berjaya menurunkannya lagi ke的实际落地部分最吸引我。
总结部分让pengoptimuman tidak semestinya bermaksud的重点更加清楚。
难得有人把kami merosot daripada 34讲得这么直白。
如果可以继续说明kira-kira 750 jut 750的真实案例，我会想继续阅读。
先存起来，主要是为了34。
关于34这部分写得很扎实，整体也站得住。
视觉和结构让\r\n pengajaran terbesar di sini的概念更容易掌握。
这篇文章适合团队用来开始讨论750M 令牌/bulan \r\n 750M。