OpenClaw 心跳优化：从每天 $300 降到 $30 的实战记录

背景

我用 OpenClaw 跑了一套 AI agent 系统。主 agent（未然）用 Claude Opus，每 15 分钟触发一次心跳巡检。某天看 GoodVision 账单吓了一跳：

三天烧了 $700 多，96% 都花在 Opus 的 input tokens 上。

根因分析

1. 心跳和对话共享 session

OpenClaw 的心跳设计是跑在 main session 里的。这意味着：

• 心跳每 15 分钟往主 session 塞一轮对话（含 tool calls、HEARTBEAT.md 读取等）
• Telegram 的日常对话也在同一个 session 累积
• session 文件膨胀到 8.9MB
• 每次 LLM 调用都要发送完整上下文 → Opus $5/MTok input，一天下来几百刀

2. /new 对心跳无效

用户用 /new 只能重置 Telegram DM 的 session，心跳绑定在系统的 agent:main:main session 上，不受影响。所以 session 一直在膨胀。

3. 心跳本身不需要 Opus

心跳干的事就是：读 HEARTBEAT.md → Jira checkin → 看评论 → 判断是否拾取任务。这些用 Sonnet 甚至纯脚本就够了。

优化方案

第一层：脚本预检替代 LLM 心跳

核心思路：cron 脚本做零成本巡检，只在发现异常时唤起 LLM。

# heartbeat-precheck.sh — 每 30 分钟跑一次
cron 脚本检查：
1. watchdog 日志有无 CRASH LOOP
2. jira-cli checkin — 有无新任务/新评论
3. 积分余额变化
4. 股票异动 (>5%)

# 全部正常 → exit 0（零成本）
# 发现异常 → openclaw system event --mode now

关键改动：

• 禁用 OpenClaw 内置心跳
• crontab */30 跑预检脚本
• 脚本里自动关闭 boss 已确认的 review 任务（纯 API 操作，不需要 LLM）
• todo 任务按优先级排序后传给 LLM，减少 LLM 自己再查一遍

第二层：心跳配置优化

当 LLM 被唤起时，也做了优化：

"heartbeat": {
  "every": "1h",
  "model": "goodvision/claude-sonnet-4-6",
  "lightContext": true,
  "session": "heartbeat-main"
}

• model: sonnet — 心跳用便宜模型（\(0.6/MTok vs \)5/MTok）
• lightContext: true — 心跳不加载完整 session 历史，只注入 HEARTBEAT.md
• session: heartbeat-main — 心跳独立 session，不污染 Telegram 对话

第三层：Jira Webhook 实时触发

脚本预检有最多 30 分钟延迟。对于 boss 的操作，需要实时响应：

// server.js — Jira 后端
function triggerSystemEvent(text) {
  // 调用 OpenClaw /hooks/wake 注入 system event
  const data = JSON.stringify({ text, mode: 'now' });
  http.request({
    hostname: 'host.docker.internal',
    port: 18789,
    path: '/hooks/wake',
    // ...
  });
}

// Boss 创建任务 → 立即唤起
if (creator === 'boss') {
  triggerSystemEvent(`Kiyor 创建了新任务 #${id}: "${title}"`);
}

// Boss 发评论 → 立即唤起
if (author === 'boss') {
  triggerSystemEvent(`Kiyor 在 #${taskId} 发了新评论: "${content}"`);
}

// Agent 评论 → 不触发（零成本）

第四层：Session 膨胀防护

"session": {
  "maintenance": {
    "mode": "enforce",
    "pruneAfter": "7d",
    "maxEntries": 200,
    "rotateBytes": "10mb"
  }
}

加上每天 4:30 AM 的 session 大小检查脚本，超 5MB 自动开 Jira ticket 上报（去重 + 重复检测追加评论）。

架构对比

@startuml
!theme plain
skinparam backgroundColor #FEFEFE

title 优化前

participant "Cron\n(15min)" as C
participant "OpenClaw\nHeartbeat" as H
participant "Opus LLM\n($5/MTok)" as L
participant "Jira API" as J

C -> H : 触发心跳
H -> L : 发送完整 session\n(8.9MB 上下文)
L -> J : checkin
J --> L : 无新任务
L --> H : HEARTBEAT_OK
note right : 每次 ~$1\n一天 96 次 = ~$100-300
@enduml

@startuml
!theme plain
skinparam backgroundColor #FEFEFE

title 优化后

participant "Cron\n(30min)" as C
participant "预检脚本\n(零成本)" as S
participant "Jira API" as J
participant "Sonnet LLM\n($0.6/MTok)" as L
participant "Jira Webhook" as W

== 定时巡检 ==
C -> S : 执行脚本
S -> J : jira-cli checkin
J --> S : 无异常
S -> S : exit 0\n(不唤起 LLM)

== Boss 操作 ==
W -> L : triggerSystemEvent\n(lightContext)
L -> J : 处理任务
note right : 仅有事才花钱\n一天 5-10 次
@enduml

效果

踩过的坑

1. 心跳和对话共享 main session — 这是 OpenClaw 的设计意图（”Heartbeat runs periodic agent turns in the main session”），但会导致上下文无限膨胀。用 session 字段可以分离。

2. /new 不影响心跳 — /new 只重置 Telegram DM session，心跳绑在 agent:main:main。

3. Docker 容器里没有 openclaw CLI — Jira 后端跑在 Docker 里，最初想用 child_process.exec('openclaw system event ...')，但容器里没装 CLI。改用 HTTP 调用 /hooks/wake。

4. lightContext: true 是关键 — 即使换了便宜模型，如果每次都送完整上下文，token 量还是很大。lightContext 让心跳只带 HEARTBEAT.md，input tokens 从几十万降到几千。

5. 去重要用本地状态文件 — 纯靠 API 查询去重不够可靠（网络延迟、查询条件限制），加一个 JSON 文件记录 session → ticket ID 映射更稳。

总结

核心原则：能不调 LLM 就不调，必须调时用最便宜的模型和最小的上下文。

这套方案适用于任何跑定时巡检的 AI agent 系统——先用脚本做预检过滤，只在真正需要判断力的时候才唤起大模型。90% 的心跳是 “一切正常”，不需要花 $1 让 Opus 告诉你这件事。