- 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3：缺乏隔离定时任务在主会话中执行，产生的输出、错误信息都会保留在上下文中，进一步增加Token消耗。 大小：取决于文件长度，通常500-2000Token3.历史记录（ContextHistory）之前的对话历史，包括：用户输入AI回复工具调用结果大小：随着会话增长，可能达到2000-5000Token4 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,
24410编辑于 2026-05-27 - 来自专栏IT技术订阅
DeepSeek-V3：多Token预测技术与模型性能优化的深度解析
本文将详细解析DeepSeek-V3的多Token预测技术及其对模型性能的影响，并与传统单Token预测方法进行对比。 此外，DeepSeek-V3还引入了无辅助损失的负载均衡策略，进一步优化了模型的训练和推理效率。 通过优化训练目标，模型能够更好地规划其表示，以便更准确地预测未来的Token。 3.推理优化 在推理阶段，MTP模块可以被丢弃，主模型独立运行，从而减少计算开销。 而单Token预测方法由于每次只处理一个Token，上下文依赖较弱，容易陷入局部最优解。 4.计算复杂性 尽管MTP的计算复杂性较高，但通过优化设计，其性能提升显著。 推理速度提升空间：尽管经过多项优化，DeepSeek-V3的端到端生成速度已达到DeepSeek-V2的两倍以上，但在推理速度上仍有进一步提升的空间。
2.2K10编辑于 2025-02-18 Claude Code 省钱指南：Token 成本优化实战
+ 文件 + 系统提示） 较低 输出 Token Claude 生成的回复 较高（约 3-5 倍） 关键认知：让 Claude「多说」，成本会比「多读」更高。 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 5.5 精简指令 输出 token 价格是输入的 3-5 倍，让 Claude 少说话： 你：详细解释一下这个函数是做什么的 你：这个函数的作用是什么？一句话回答 你：有什么建议？ 你：列出 3 个最可能的性能瓶颈 六、Skills 与插件推荐 6.1 内置优化功能 Claude Code 本身有几个省钱相关的功能： 功能 命令 作用 上下文查看 /context 了解当前上下文消耗 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. 批量处理相似任务 3.
22910编辑于 2026-06-15Claude 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。 5.5精简指令输出token价格是输入的3-5倍，让Claude少说话：展开代码语言：TXTAI代码解释#差：触发长篇大论你：详细解释一下这个函数是做什么的#好：只要关键信息你：这个函数的作用是什么？ #好：限定范围你：列出3个最可能的性能瓶颈六、Skills与插件推荐6.1内置优化功能ClaudeCode本身有几个省钱相关的功能：功能命令作用上下文查看/context了解当前上下文消耗成本查看/cost //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多模态理解模型的Token消耗优化策略
token消耗 其中： 指令token即对应的prompt部分，不同长度prompt消耗不一样 图片数向上取偶：例如3张图片按4张计算，5张图片按6张计算 2.2 不同分辨率对应的单图Token消耗 VITA 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 如果一次需要处理3张图片，可以考虑将另一次请求中的1张图片合并到本次请求中，避免奇数张带来的额外Token消耗。 同时，也需要权衡单次请求的照片数量与请求频次之间的关系。 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
11910编辑于 2026-06-18- 来自专栏YoungGy
【优化3】非线性优化
凸集和凸函数 SOCP Guideline
91360发布于 2018-01-02 - 来自专栏python3
mysql优化3
（3）配置示例 mysql> show variables like '%query_cache%' ; +------------------------------+---------+ | Variable_name
78110发布于 2020-01-09 - 来自专栏接口自动化测试平台
SpringBoot结合Sa-token实现权限认证（3）
-- Sa-Token 权限认证，在线文档：https://sa-token.cc --><dependency> <groupId>cn.dev33</groupId> <artifactId >sa-token-spring-boot-starter</artifactId> <version>1.34.0</version></dependency>2、然后配置sa-token相关的参数 ：sa-token: # token名称 (同时也是cookie名称) token-name: token # token有效期，单位s 默认30天, -1代表永不过期 timeout false时每次登录新建一个token) is-share: true # token风格 token-style: uuid # 是否输出操作日志 is-log: true3 、Sa-Token 提供了扩展接口可以把token和session信息存储在Redis中，这里就按照文档集成进来，引入依赖<!
2.6K80编辑于 2023-05-17 - 来自专栏GiantPandaCV
解析 Token to Token Vision Transformer
3), stride=(2, 2), padding=(1, 1)) self.soft_split2 = nn.Unfold(kernel_size=(3, 3), stride * 3 * 3, in_dim=token_dim, num_heads=1, mlp_ratio=1.0) self.project = nn.Linear(token_dim * 3 * 3, embed_dim) elif tokens_type == 'performer': ... transpose(1, 2) # final tokens x = self.project(x) return x 首先设置三个划窗大小分别为7x7, 3x3 , 3x3的Unfold操作，和两个Token Transformer模块。
8.1K10发布于 2021-03-11 - 来自专栏mathor
枚举+优化（3）——哈希表优化实例
myset.insert(make_pair(a[i],a[j])); cout<<myset.size()<<endl; return 0; } 思考:优化 ，减少枚举变量，只枚举a[i] 如果我们只枚举a[i]，比如a[i] = 3，那么如果存在数对(a[i],a[j] + k)，假设我枚举数对里较小的值是3，那么根据差是2，较大的肯定就是5，所以，问题就变成
66650发布于 2018-06-07 - 来自专栏从零开始学自动化测试
httprunner学习3-extract提取token值参数关联
前言 如何将上个接口的返回token，传给下个接口当做请求参数?这是最常见的一个问题了。 解决这个问题其实很简单，我们只需取出token值，设置为一个中间变量a，下个接口传这个变量a就可以了。 那么接下来就是解决两个问题： 如何取出token值？ 如何参数关联？ 场景案例 我现在有一个登陆接口A,登陆成功后返回一个token值。 参数：Authorization: Token xxxxx login token xxxxx 先不带token去访问接口B，使用命令行工具httpie测试接口 C:\Users\dell>http http 提取登录接口返回的token值，使用extract提取器 extract: - token: content.token 下个接口的用例引用token参数使用$token,完整的用例test_info.yml $token # 引用token validate: - eq: [status_code, 200] - eq: [headers.Content-Type, application
2.1K40发布于 2019-09-24 - 来自专栏python3
AS3性能优化
本篇文章用来总结本人对AS3性能优化方面的认识及经验,可能会有一些错误,敬请不吝赐教.如果想了解更多,请参考ADOBE方面的相关只是介绍. 1,关于显示对象: shape -> sprite <MyClass>(20); 3,关于对象池: 缓存一些相同的对象,以便于随时调用.这里强调一些事情: ①:缓存的对象数目:很对情况下,读段时间这个对象可能要用10个,可能要8个,可能12个. 比 publie var $name的效率低.调用函数的成本高,当然这更符合OOP的思想,但不利于性能......还是用public字段吧. 9,关于显示对象的visible 很多时候,AS3程序员都喜欢把不用的显示对象设为 visible = false,这是可以的.但是从Flash Player方面来讲,Visible = false任然值得它去绘制,它比较笨.木有办法,那优化的方案就是,将其移出舞台了. 10,像素处理优化 : 当绘制像素时，使用BitmapData 类的相应方法即可进行一些简单优化。
1.2K10发布于 2020-01-10 - 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 该库需要安装在Python3.5以上版本，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- 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 有开源或开放的各种智能软件（人脸识别、车牌识别文字识别、文字转语音、语音转文字等）、有各种联动机制（短信、Email等） 安装部署HomeAssistant 安装HomeAssistant pip3
10.7K10编辑于 2022-07-29 - 来自专栏技术杂记
Mysql 优化存储3
. ---- 执行优化 [root@opti-slave hunter]# time nohup mysql -u root -p < optimize.sql 2>&1 >> optim.log nohup: redirecting stderr to stdout Enter password: 输入密码后，就开始了优化过程 可以另开一个终端进行监视 [root@opti-slave hunter
38620编辑于 2022-03-21 - 来自专栏Revel World
Firefox 3 优化实践
t=397735） 2009-11-28 14:16:37 用Speedyfox 优化firefox数据库（http://www.crystalidea.com ）。
65940发布于 2020-12-08 Vue 3性能优化
Vue 3 相较于 Vue 2 在底层进行了诸多优化（例如使用了 Proxy 进行响应式系统重构、编译时优化等），但开发者仍需遵循最佳实践才能发挥其最大性能。 以下是 Vue 3 性能优化的核心技巧和最佳实践：一、 编译时和渲染优化1. 使用 v-if 代替 v-show (按需渲染)优化点： 减少初始渲染和内存消耗。 利用 Vue 的编译优化（Template 编写规范）Vue 3 编译器会自动进行静态提升（Static Hoisting）和块树（Block Tree）优化。 静态内容提升 (hoistStatic):做法： 将不包含任何响应式数据的静态内容（如纯文本、静态 HTML 元素）放在组件模板中，Vue 3 会将其提升到组件外部，只创建一次，后续渲染时直接重用，减少虚拟 3. 列表渲染优化：使用 key优化点： 提高列表更新时的 Diff 算法效率。做法： 在所有使用 v-for 进行列表渲染的元素上，务必提供稳定且唯一的 :key 属性（通常是数据的唯一 ID）。
50510编辑于 2025-10-24- 来自专栏GiantPandaCV
原理&图解vLLM Automatic Prefix Cache(RadixAttention)首Token时延优化
LRUEvictor主要提供3个功能，分别是：add、remove和evict，并且持有free_table成员变量。 （3）Evictor.evict：该函数执行真正的逐出功能，将free_table中到达时间距离当前最长的block进行逐出。 Only Prefix KV Caching （2）Prefix + Generated KV Caching的优化，多轮对话分析。 Dakshinamoorthy||\n|J A N|23|3|Yakshagaanam|Madhu, Sheela|Sheela|M. S. 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
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提示词限制优雅，节省Tokens消耗技术；3. 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。
35810编辑于 2026-03-16 - 来自专栏全栈程序员必看
token身份认证机制(token怎么获取)
目录 1 发展史 2 Cookie 3 Session 3.1 cookie和session的区别 4 Token 4.1 传统方式——基于服务器的验证 4.2 基于服务器验证方式暴露的一些问题 4.3 3、这样大家很嗨皮了，可是服务器就不嗨皮了，每个人只需要保存自己的session id，而服务器要保存所有人的session id ！ 如果访问服务器多了， 就得由成千上万，甚至几十万个。 3 Session session 从字面上讲，就是会话。这个就类似于你和一个人交谈，你怎么知道当前和你交谈的是张三而不是李四呢？对方肯定有某种特征（长相等）表明他就是张三。 实现思路： 1.用户登录校验，校验成功后就返回Token给客户端。 2.客户端收到数据后保存在客户端 3.客户端每次访问API是携带Token到服务器端。 4.服务器端采用filter过滤器校验。 （3）可扩展性 使用 Tokens 能够与其它应用共享权限。例如，能将一个博客帐号和自己的QQ号关联起来。当通过一个 第三方平台登录QQ时，我们可以将一个博客发到QQ平台中。
7.3K10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