💡
原文中文，约4600字，阅读约需11分钟。
📝
内容提要
SMELT编译器通过相关性筛选显著减少OpenClaw的令牌使用，节省高达95%。它智能筛选相关内容，避免重复发送固定文件，提升效率并降低成本。开发者TooCas指出，SMELT不仅是压缩，而是智能筛选，未来计划实现自动学习Markdown结构。
🎯
关键要点
- SMELT编译器通过相关性筛选显著减少OpenClaw的令牌使用，节省高达95%。
- SMELT智能筛选相关内容，避免重复发送固定文件，提升效率并降低成本。
- 开发者TooCas指出，SMELT不仅是压缩，而是智能筛选，未来计划实现自动学习Markdown结构。
- OpenClaw每次对话都重复读取固定文件，造成大量令牌浪费。
- SMELT通过查询条件式检索，仅发送与问题相关的记录，保留上下文。
- SMELT的第四层通过相关性评分筛选记录，确保发送内容的相关性。
- TooCas强调字节压缩和令牌压缩是不同的，测量需使用实际tokenizer。
- 目前SMELT的schema是手工打造，计划未来实现自动学习任意Markdown文档的结构。
- 许可证问题引发争议，限制过多可能影响开源贡献。
- TooCas提到RUNE技术，未来模型将能自我执行压缩，与SMELT结合效果更佳。
- SMELT编译器个人使用完全免费，开发者鼓励用户自行集成。
- 本地模型没有缓存层，每条消息都需重新计算，SMELT显著减少计算负担。
- TooCas提供了论文DOI和GitHub链接，方便用户查找和使用SMELT。
❓
延伸问答
SMELT编译器如何减少OpenClaw的令牌使用？
SMELT编译器通过相关性筛选，仅发送与问题相关的记录，避免重复发送固定文件，从而显著减少令牌使用，最高节省95%。
TooCas对SMELT的开发有什么看法？
TooCas强调SMELT不仅是压缩，而是智能筛选，未来计划实现自动学习Markdown结构，以提升效率。
SMELT的第四层功能是什么？
SMELT的第四层通过查询条件式检索，根据实际问题对记录进行相关性评分，只发送相关内容，并保留上下文。
SMELT编译器的使用是否收费？
SMELT编译器个人使用完全免费，开发者鼓励用户自行集成。
SMELT与缓存有什么关系？
TooCas指出，缓存对本地模型没有用，每条消息都需重新计算，SMELT显著减少了计算负担。
SMELT的当前短板是什么？
目前SMELT的schema是手工打造，尚未实现自动学习任意Markdown文档的结构。
➡️
