OpenClaw 实操教程「巧用 COS 向量桶，让 Token 狂降92%」原创

接下来由我为大家展示如何通过cos进行skill的存储和检索，以减少open cloud对话过程中的系统提示词开销。整体方案的原理是，我们将cloud所有的描述行到中。随后为open cloud配置一个OOK，将在每一次对话构建系统提示词的时候，首先根据本次对话输入去进行相似度索选取出与本次对话最相关的5个skill，将其注入到系统提示词当中。由此避免所有的描述都要注入到系统提示词，最终达成减少的目的。接下来我们进行实践，我们需要准备一台安装好的服务器。首先我们到腾讯云对象存储控制台创建一个向量。我们为其命名为skill。大家好，存储，目前这里还没有任何的向量存储索引，我们回到服务器开始安装部署。

我们已经为整套方案的实施包装了一个交互式的安装脚本。只需要按照步骤逐步配置即可。这些本完成环境查以后我们进行配置，这里我们使用open AI兼容的A入，接下来我们配置刚刚创建的向量乘储桶。首先先输入我们腾讯云的ID和key。接着填入刚刚创建好的向量存储桶。我们为这个向量索引。创建一个skill index的名字。接下来，我们会扫描获取当前open所拥有的所有。然后就会进入到安装流程，脚本会安装必要的依赖，并且创建一个向量存储索引。

把刚刚所有的skill embedding向量化以后存储进去，最后配置hook就完成了安装。我们来进行验证一下，尝试查一下天气所匹配到的。可以看到这里精准匹配到了vetasqll。最后我们回到对话窗口进行测试。看得出来，有了skill root关于的系统提示，部分的开销得到了大幅下降。通过进行和可以实现系统提示入从达成目的将会随着更多的s skill的安装而更加明显。