- 综合排序
- 最热优先
- 最新优先
- 来自专栏养虾记
优化 OpenClaw Heartbeat，大幅减少 Token 消耗
────────────────────┐│优化前的Token消耗结构│├──────────────────────────────────────────────────────────────── 问题2：上下文膨胀HEARTBEAT.md内容过长，每次都要加载到上下文中。而且随着任务执行，历史记录不断累积，上下文越来越长。 ：约1000-1500Token2.HEARTBEAT.md内容用户自定义的心跳任务说明。 7.1Token消耗对比优化前（每日）：项目次数单次Token总计TokenHeartbeat484,000192,000任务执行48包含在心跳中-总计--192,000优化后（每日）：项目次数单次Token $1.92$0.26$1.66每月$57.60$7.80$49.80每年$691.20$93.60$597.607.3性能对比指标优化前优化后提升心跳响应时间5-10秒1-2秒5x上下文长度5000+Token1800Token64%
4.1K21编辑于 2026-03-24 - 来自专栏AI SPPECH
Token Runtime：成本控制与性能优化
目录 1 引言：为什么Token管理是AI IDE的生命线 2 Token计数：文本到Token的映射与优化 2.1 Tokenization的数学原理 2.2 主流模型的Token计数差异 2.3 Token 计数器的工程实现 2.4 Token计数的精确度优化 2.5 Token计数与成本模型 3 使用量追踪：多维度统计体系设计 3.1 追踪架构设计 3.2 追踪数据模型 4 预算控制：多层次成本约束机制 2 Token计数：文本到Token的映射与优化 本节为你提供的核心技术价值：掌握主流模型的Token计数原理，理解不同编码方式的差异与优化策略 2.1 Tokenization的数学原理 Token是 线程安全：支持高并发场景 9.3 未来演进方向 智能化增强 基于强化学习的自适应压缩策略 更精准的任务复杂度预测 用户习惯学习与个性化路由 多模态扩展 图像Token的计量与优化 音视频内容的上下文管理 Runtime Complete - 完整代码请参见本文各章节实现") 关键词： Token Runtime, AI IDE, 成本控制, 性能优化, 预算管理, 上下文压缩, 缓存策略, 模型选择,
24010编辑于 2026-05-27 Claude Code 省钱指南：Token 成本优化实战
二、零成本优化：用好免费额度 2.1 识别高消耗场景 消耗 token 的「大户」： 场景 典型消耗 说明 读取大文件 10-100K+ 一次请求就消耗大量输入 token 长对话历史 累计增长 每轮对话都带上之前的内容 /context && /cost 知道钱花在哪，才能有针对性地优化。 ：减少浪费 5.1 批量处理 vs 逐个处理 差的模式：逐个启动会话 会话 1：修复 bug A（启动开销：加载 CLAUDE.md、Skills、MCP） 会话 2：修复 bug B（再次启动开销） 能缓存就缓存 CLAUDE.md 稳定、内容精简、不频繁修改 2. 能省就省 简单任务用 Sonnet、输出要精简、避免重复 3. 运行 /cost，建立成本意识 2. 检查 CLAUDE.md，删除冗余内容 3. 检查 Skills，设置延迟加载 4. 检查 MCP，禁用不需要的 持续习惯： 1. 按任务选模型 2.
22710编辑于 2026-06-15Claude Code 省钱指南：Token 成本优化实战
用了ClaudeCode一段时间，发现Token消耗量比你想象的要高？这篇文章帮你系统性地降低Token成本。 二、零成本优化：用好免费额度2.1识别高消耗场景消耗token的「大户」：场景典型消耗说明读取大文件10-100K+一次请求就消耗大量输入token长对话历史累计增长每轮对话都带上之前的内容反复读取相同文件浪费没有利用缓存输出生成高额输出 &&/cost知道钱花在哪，才能有针对性地优化。 ：减少浪费5.1批量处理vs逐个处理差的模式：逐个启动会话展开代码语言：TXTAI代码解释会话1：修复bugA（启动开销：加载CLAUDE.md、Skills、MCP）会话2：修复bugB（再次启动开销 //不列出不需要的MCP}}6.4CLAUDE.md模板优化一个省钱的CLAUDE.md结构：展开代码语言：MarkdownAI代码解释#项目说明（固定内容，高缓存命中）[项目简介，2-3行]##技术栈
1.6K12编辑于 2026-05-24- 来自专栏blackheart的专栏
2.OAuth2授权（续） & JWT(JSON Web Token)
1.1 撤销Token 在上篇[认证授权] 1.OAuth2授权 中介绍到了OAuth2可以帮我们解决第三方Client访问受保护资源的问题，但是只提供了如何获得access_token，并未说明怎么来撤销一个 2 OAuth2 Token 撤销（RFC7009 - OAuth2 Token Revocation） 简单来说，这个协议规定了一个Authorization server提供一个怎样的API来供Client 3 OAuth2 Token 元数据（RFC7662 - OAuth2 Token Introspection） 简单的总结来说，这个规范是为OAuth2扩展了一个API接口（Introspection Token 元数据 这一小节中，OAuth2返回Token的元数据的JSON，以及OAuth2中的access_token对Client是不透明的字符串这件事，我们可以把access_token的元数据信息用 6 总结 OAuth2在RFC6749中并未完整的提供一些问题的解决方案，而是附加了一些相关的RFC来解决这些问题，其实除了本文中提到的2个问题点之外，还有一些其他可以优化的地方存在(比如服务发现：https
2.1K50发布于 2018-01-19 - 来自专栏YoungGy
【优化2】整数优化
或的逻辑约束 三个选择的或 只有才 更多或 整数可除 多边形组合 固定花费 分段线性 组合型 set covering set packing 食堂定位 地图填色 Julia例子 9数独 概述 整数优化就是线性优化 x1被选中当且仅当x2被选中。 x2或x3被选中，可以都被选中。 x2或x3被选中，不可以都被选中。 对应的IP约束为： x1-x3<=0 x1+x5<=1 x1-x2=0 x2+x3>=1 x2+x3=1 或的逻辑约束 或的逻辑问题，可以用用bigM方法去解决，其思想是通过添加新的变量，将部分约束变成多余的 例如，对于问题 [图片] 或 [图片] （两者可以都出现），y1、y2的定义域是[0，5]。 and column j to j+2 @constraint(m, sum{x[r,c,k], r=i:i+2, c=j:j+2} == 1) end for i = 1:9, j = 1:
1.9K50发布于 2018-01-05 - 来自专栏Eliauk的小窝
Sa-Token整合OAuth2
Sa-Token整合OAuth2 开源地址 https://gitee.com/ZVerify/zverify-blog 为什么要整合OAuth2 有些时候我们自己写的网站注册过于繁琐需要每个用户花费时间去注册 写之前思考一下 我们先想一下我们在进行第三方登录的时候是怎样的一个步骤，首先第三方登录都需要遵守OAuth2的流程，这里我使用了授权码模式，对于其他三种授权模式请参考网络文章，因为我使用了授权码模式所以他的整体流程都是一样的 ，首先前端通过访问网站拿到授权的code，然后回调我们后端的接口，此时只有code是变化的所以只需要接收到code，然后获取access_token ，拿到access_token之后我们可以去获取第三方用户信息 (access_token).openId(data).loginType(LoginTypeEnum.GITEE.getType()).build(); } 拿到access_token封装到对象中 通过access_token获得用户信息 然后通过access_token去访问gitee提供的通过access_token拿到用户信息的接口 @Override public SocialUserInfoDTO
3.5K30编辑于 2022-11-15 多模态理解模型的Token消耗优化策略
摘要： 多模态理解模型按Token消耗量计费，优化Token使用是控制成本的关键。 理解这些规律，是制定Token消耗优化策略的基础。 这意味着： 1张或2张图片，按2张计算Token消耗 3张或4张图片，按4张计算Token消耗 5张或6张图片，按6张计算Token消耗 这种计算规则下，如果一次请求中恰好传入奇数张图片，会多计算一张图片的 6.3 定期评估优化效果 Token消耗优化是一个持续的过程。 建议定期（如每月）对优化措施的效果进行评估，包括： 平均单次调用的Token消耗量是否下降 不同优化措施的实际降本效果 优化措施是否对理解准确性产生影响 基于定期评估的结果，持续调整和优化Token消耗策略
11710编辑于 2026-06-18- 来自专栏码匠的流水账
spring security oauth2之refresh token
序 本文就来讲一讲spring security oauth2的refresh token方式 authorizedGrantTypes oauth2官方只有4种授权方式，不过spring security oauth2把refresh token也归为authorizedGrantTypes的一种，因此配置的时候只需要这样就把所有方式都支持了 @Configuration @EnableAuthorizationServer OAuth2ServerConfig extends AuthorizationServerConfigurerAdapter { @Override public void configure "password", "implicit") .scopes("all") .resourceIds("oauth2- ":"a78999d6-614a-45fe-be58-d5e0b6451bdb","token_type":"bearer","refresh_token":"bb2a0165-769d-43b0-a9a5
4.3K20发布于 2018-09-17 - 来自专栏码匠的流水账
spring security oauth2使用redis存储token
序 本文就来讲述一下spring security oauth2使用redis来存储token的配置及在redis中的存储结构 maven <dependency> <groupId token, OAuth2Authentication authentication) { byte[] serializedAccessToken = serialize(token 排除refresh_token，主要key如下： auth_to_access:OAuth2Authentication相关信息加密后的值,value为string结构 这个主要是通过OAuth2Authentication 来获取OAuth2AccessToken auth:token值，value为string结构 这个主要用来获取token的OAuth2Authentication，用来获取相应的权限信息 client_id_to_access token值，value为string 这个主要是通过token值来获取OAuth2AccessToken uname_to_access:clientId:userId,value的结构是list 存储
3.8K00发布于 2018-09-17 - 来自专栏GiantPandaCV
解析 Token to Token Vision Transformer
最后看下T2T，通过Token to Token结构（下文会讲），它在浅层的时候也能建模出结构信息，同时也避免了极值的出现。 Token To Token结构 ? T2T结构 Vision Transformer是将二维图片展平成一维向量（也叫token），然后送入到Transoformer结构里。 而T2T为了捕捉局部信息，它将所有的token通过reshape操作，恢复成二维，然后利用一个unfold一个划窗操作，属于一个窗口的tokens，会连接成一个更长的token，然后送入到Transformer 整体架构 T2T架构如上图所示，先经过2次Tokens to Token操作，最后给token加入用于图像分类的cls token，并给上位置编码（position embedding)，送入到Backbone 输出再次经过LayerNorm，最后设置一定比例的Dropout T2T Module class T2T_module(nn.Module): """ Tokens-to-Token
8.1K10发布于 2021-03-11 - 来自专栏mathor
枚举+优化（6）——双指针优化2
ans ans = s } } } print ans 这个算法的时间复杂度是O(NML)，NML是三个数组的长度，最大值都是10万，显然会超时 优化 第二个数组是1，2，4，5，10，13，第三个数组未知，什么清空都有可能。 ); } cout << ans; return 0; } 例4.题目链接：hihoCoder1607 思路 一般的暴力枚举这题肯定是过不了的，数据量太大，那我们就要想办法优化
66350发布于 2018-06-19 - 来自专栏CodeGuide | 程序员编码指南
QClaw干掉10亿Token，做出2个精致skills！
但不深度玩，不干它几亿Token，就不能体验到花钱的快乐！好在呀，好在QClaw每天一个登录的账号，赠送4000万Token。换5个微信（还得家里人多），就是2亿Token！ 先拿10亿Token，写2个Skills之后再说（先把腿接上）。——把你工作的方式，训练成技能，让AI懂你！接下来，小傅哥就分享下，用OpenClaw（QClaw）做的一些事。 2.龙虾社群地址：https://wx.zsxq.com/group/48885154455258说明：现在OpenClaw养虾社区就已经入住了很多小龙虾，欢迎一起来玩下。 经过仅2周的折腾，目前发布了xfg-ddd-skillsv2.2.1版本，可以满足DDD六边形架构设计和编码实现。 如果有问题，则进行优化功能的处理。不过，做这类东西，还是需要懂场景，懂产品，懂架构，懂技术。否则，它真运行起来，也是会有不少问题的。
1.6K160编辑于 2026-03-30 - 来自专栏数字化之路
Spring Security OAuth2是如何校验token的
即承担校验token的职责 校验token 下面的代码涉及到的spring-security-oauth2的版本： <dependency> <groupId>org.springframework.security.oauth access_token=f732723d-af7f-41bb-bd06-2636ab2be135 // //支持此特性的代码实现，key为access_token的参数 request.getParameter (OAuth2AccessToken.ACCESS_TOKEN); 2.1.3 在form表单中携带 http://localhost:8080/accounts/me form param： access_token =f732723d-af7f-41bb-bd06-2636ab2be135 // //支持此特性的代码实现，key为access_token的参数 request.getParameter(OAuth2AccessToken.ACCESS_TOKEN Trying request parameters."); token = request.getParameter(OAuth2AccessToken.ACCESS_TOKEN);
5.8K20编辑于 2023-03-07 - 来自专栏java学习java
延时队列优化 （2）
看起来似乎没什么问题，但是在最开始的时候，就介绍过如果使用在消息属性上设置TTL的方式，消息可能并不会按时“死亡“，因为RabbitMQ只会检查第一个消息是否过期，如果过期则丢到死信队列， 如果第一个消息的延时时长很长，而第二个消息的延时时长很短，第二个消息并不会优先得到执行。
1.9K30编辑于 2022-11-13 - 来自专栏技术杂记
Mysql 优化存储2
可以打印出差异的部分，我们就是通过有无差异的记录条目来确认一致性 从结果来看，是空的，说明主备数据是一致的 Note: 此时指定的host要是slave，也就是待检查的对象 ---- 停止复制 在待优化的 status\G mysql> stop slave; 停止复制后，最好再使用一个文本记录一下当前的position，以避免窗口信息丢失后，又执行了reset slave命令产生不良后果 ---- 生成优化语句
60610编辑于 2022-03-21 - 来自专栏tea9的博客
优化android程序2
数据库缓存 存到本地数据库以便管理 android的本地数据是SQLite 一个高速的文本数据库 使用这种方式有两种好处 1.客户端可以快速的从本地数据库获取数据 就算偶尔出现网络中断，我们也可以看到信息 2.
30420编辑于 2022-07-16 - 来自专栏GiantPandaCV
原理&图解vLLM Automatic Prefix Cache(RadixAttention)首Token时延优化
这三个技术目前在TensorRT-LLM、vLLM这两个常用的LLM推理框架中都已经支持，因此，从应用落地的角度来说，理解这三个优化技术的原理也比较有意义。 （如果理解有误，欢迎大佬指正哈~） Copy on write （2）其次，当一个请求的prefix+generated的token数小于block_size时，此时last block也是first （1）只有Prefix Caching的优化，多轮对话分析。如下图所示，只有Prefix Caching时，每个新的轮次对话中，总是会有2个片段的prompt需要在prefill阶段进行计算。 Only Prefix KV Caching （2）Prefix + Generated KV Caching的优化，多轮对话分析。 Prefix Caching的优化思路，并非只有SGLang RadixAttention以及vLLM中的实现。
15K32编辑于 2024-06-04 - 来自专栏云攻略专区
Openlaw 网关 Token 激增与成本超标问题及优化研究方向
随着OPenlaw网关技术不断发展，前端网关百花齐放，但随之产生了上游Tokens严重指数级增长，Tokens严重供应不足以及费用超标等问题；提供以下研究方向：1.上游多种模型轮询调度技术；2.模型promt Tokens 消耗指数级增长Tokens 资源供应严重不足模型调用费用持续超标二、研究方向（4 大核心）上游多种模型轮询调度技术多模型负载均衡、故障转移、优先级路由按任务复杂度自动分配大 / 小模型，降低整体 Token 消耗提升服务可用性，避免单点瓶颈模型 Prompt 提示词限制与 Token 节省技术精简指令、结构化提示、冗余信息剔除上下文压缩、历史对话摘要、长度硬限制优雅截断与缓存复用，在不降低效果前提下大幅省 Token中间件与 CodingPlan 共享消耗池技术构建 Token 共享消耗池，统一配额与限流中间件统一鉴权、计费、监控、熔断CodingPlan 任务编排与复用，减少重复调用与浪费本地化基础模型私有轻量化部署小 AI 多模型、AI 音视频数字人硬件智能方案多模型协同推理、音视频实时生成优化、数字人硬件加速方案、端云协同智能架构，提升表现力与运行效率。
35610编辑于 2026-03-16 - 来自专栏全栈程序员必看
小米 token(token在哪里获取)
小米设备token获取&HomeAssistant安装部署 小米智能设备token获取 miIO-discovery获取token与控制 app直接token获取 DB获取token 开源智能家居平台HomeAssistant 首先搭建Python环境： 安装Python3.5依赖（本机存在的会忽略） sudo apt-get install build-essential libsqlite3-dev sqlite3 bzip2 libbz2-dev libssl-dev openssl libgdbm-dev liblzma-dev libreadline-dev libncursesw5-dev 编译安装Python3.5 DB获取token 第1步，获取一部安卓手机的root权限 第2步，安装米家app并登录账号 第3步，进入/data/data/com.xiaomi.smarthome/databases / 第4步，拷贝miio2.db，下载到电脑 第5步，前往网站（http://miio2.yinhh.com/），上传miio2.db，点击提交，即可获得token。
10.7K10编辑于 2022-07-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号