最近有开发者开源了一套 OpenClaw 优化方案，核心思路非常清晰：把工作区当成「路由层」来重新设计，而不是把它当成「知识库」来堆砌。
路由层思维：只放指针，不放内容
什么叫「路由层」？你可以类比网络里的路由器——路由器本身不存储数据，它只负责告诉数据往哪里走。同样的道理，OpenClaw 每轮注入的那几个核心文件，不应该塞满具体的知识内容，而应该只保留最精简的指令和索引信息。
具体做法是把 SOUL.md、AGENTS.md、MEMORY.md、TOOLS.md 这些文件的总量压缩到 8KB 以下。你没看错，所有每轮注入的文件加起来不超过 8KB。那原来那些长篇大论的上下文、历史记忆、详细指令放到哪里去了？
vault/ 目录：你的长期知识库
答案是 vault/ 目录。把所有真正的长期信息——详细的系统提示词、历史对话摘要、领域知识文档——统统丢进 vault/ 里。这个目录不会被每轮注入，所以不占用宝贵的上下文窗口。
但放进去不用，那不等于没有吗？这就引出了方案里最关键的一环。
本地向量检索：用 Ollama 按需捞取
通过 Ollama 搭建本地向量检索，当 Agent 在处理某个任务时，根据当前对话的语义去 vault/ 里检索最相关的片段，动态注入到上下文中。这样做的好处是三重的：
- 上下文窗口利用率大幅提升——每轮只加载真正相关的信息，而不是把所有东西一股脑塞进去
- 响应速度更快——更少的 token 输入意味着更快的推理速度
- 回答质量反而更高——噪音少了，模型能更精准地聚焦在当前任务上
这本质上就是一个轻量级的 RAG（检索增强生成）架构，只不过是专门为 OpenClaw 的工作区机制量身定制的。
实操要点
如果你想动手改造自己的 OpenClaw 工作区，建议分三步走：
- 审计现有文件——先看看你的 SOUL.md 等文件到底有多大，哪些内容是每轮都必须的，哪些只是偶尔用到
- 拆分到 vault/——把偶尔用到的内容迁移到
vault/目录，按主题分文件存放，方便后续检索 - 接入 Ollama 向量检索——用 Ollama 对
vault/里的文档做 embedding，实现语义级别的按需加载
这个方案的思路其实可以推广到所有基于文件系统做上下文管理的 AI Agent 框架。当你的 Agent 开始变慢或者"变笨"的时候，不妨反过来想：是不是给它的信息太多了，而不是太少了？