LLM Token Learning Site

OpenClaw 与 AI Token（模型计量）学习站

这里的 Token 指的是大模型调用中的文本计量单位（prompt/input token、output token、上下文窗口）， 用于学习提示词设计、成本控制与性能优化，不涉及虚拟货币。

Prompt Token Output Token Context Window Token 优化

最新文章

Token 基础：为什么每次调用都要关心 token 输入/输出 token、上下文窗口、成本与延迟基础认知 上下文窗口不足：4 种可复用处理方式 摘要压缩、分段处理、RAG、会话裁剪的实践思路 Prompt 模板化：减少冗余 token 的实用方法 固定骨架 + 变量槽位，降低重复输入与返工 OpenClaw Token 监控：先有数据，再谈优化 日志字段、周复盘流程与高消耗请求定位

学习主线

OpenClaw 实践

学习如何在 OpenClaw 场景下管理模型调用，记录不同任务在 token 使用上的差异。

Token 基础

理解 token 与字符/单词并非一一对应；多语言、代码、符号会影响 token 消耗。

成本与延迟

通过缩短上下文、结构化提示词、缓存可复用内容等方式，降低调用成本并提升响应速度。

关键术语（非币圈含义）

Input/Prompt Tokens：你发送给模型的上下文与指令所占 token。
Output Tokens：模型回复生成的 token 数量。
Context Window：模型一次可处理的总 token 上限（输入+输出）。
Token Counting：调用前估算 token，用于预算与截断策略设计。