Optimasi ZeroClaw:
Setting API, Model AI, dan Resource Usage

🎯 Pendekatan Optimasi ZeroClaw

ZeroClaw secara default sudah sangat efisien berkat Rust. Namun ada banyak knob konfigurasi TOML yang bisa di-tuning untuk mendapatkan cost efficiency dan performa yang lebih baik lagi. Tiga area utama optimasi adalah:

🔧 Fine-tuning API Provider TOML

# ~/.zeroclaw/config.toml

[models.providers.openrouter]
api_key = "sk-or-..."
base_url = "https://openrouter.ai/api/v1"
timeout_ms = 30000            # 30 detik — jangan terlalu lama
connect_timeout_ms = 5000     # Timeout koneksi awal
max_retries = 3               # Retry 3x sebelum menyerah
retry_delay_ms = 1000         # Tunggu 1 detik antar retry
retry_on_status = [429, 500, 502, 503]  # Status code yang di-retry

[models.providers.anthropic]
api_key = "sk-ant-..."
timeout_ms = 60000            # Anthropic bisa lebih lambat, naikkan timeout
max_retries = 2

[models.providers.groq]
api_key = "gsk_..."
timeout_ms = 10000            # Groq sangat cepat, timeout pendek OK
base_url = "https://api.groq.com/openai/v1"

🧠 Strategi Pemilihan Model per Task

Optimasi biaya terbesar ada di sini. Jangan pakai claude-sonnet untuk semua task jika task tersebut bisa diselesaikan dengan model yang jauh lebih murah:

# ~/.zeroclaw/config.toml

[agents.defaults.model]
primary = "anthropic/claude-sonnet-4"      # Task kompleks
fallback = ["openai/gpt-4o-mini"]          # Fallback jika primary fail
cheap = "anthropic/claude-haiku-3-5"       # Heartbeat dan task rutin
code = "anthropic/claude-sonnet-4"         # Khusus code tasks
vision = "anthropic/claude-sonnet-4"       # Image analysis
fast = "groq/llama-3.1-8b-instant"         # Response cepat, tidak butuh kualitas tinggi

[agents.defaults]
temperature = 0.7
max_tokens = 4096

# Gunakan model 'cheap' untuk heartbeat
[agents.defaults.heartbeat]
every = "30m"
model = "cheap"                            # Pakai alias model murah!

⏱️ Rate Limiting dan Budget Control

# ~/.zeroclaw/config.toml

[models.rate_limits]
# Per-provider rate limits
[models.rate_limits.openrouter]
requests_per_minute = 60
tokens_per_minute = 100000
tokens_per_day = 1000000         # Hard limit harian

[models.rate_limits.anthropic]
requests_per_minute = 50
tokens_per_minute = 50000

[autonomy]
level = "supervised"
max_actions_per_hour = 50
max_tool_calls_per_session = 20
max_tokens_per_session = 50000   # Budget per sesi chat

[autonomy.budget]
daily_token_limit = 500000       # Stop jika sudah 500k token hari ini
alert_at_percent = 80            # Alert ketika sudah 80% budget
action_on_limit = "pause"        # pause | reject | alert-only

🎛️ Konfigurasi Autonomy Level Optimal

# ~/.zeroclaw/config.toml

[autonomy]
level = "supervised"             # none | supervised | semi | auto

workspace_only = true
workspace = "/home/user/projects"

# Tool whitelist — hanya tools ini yang boleh digunakan
allowed_tools = [
  "read_file",
  "write_file",
  "run_command",
  "web_search",
  "send_message"
]

# Tool blacklist — tools ini TIDAK pernah boleh digunakan 
blocked_tools = [
  "delete_file",
  "format_disk",
  "shutdown",
  "reboot"
]

# Minta konfirmasi sebelum jalankan tools ini
confirm_before = [
  "run_command",
  "write_file",
  "send_email"
]

max_actions_per_hour = 30
max_actions_per_day = 200

💾 Optimasi Memory SQLite

# ~/.zeroclaw/config.toml

[memory]
backend = "sqlite"

[memory.sqlite]
path = "~/.zeroclaw/memory/main.db"
max_memories = 5000              # Bataasi jumlah memory
vacuum_interval = "7d"           # Auto vacuum mingguan
wal_mode = true                  # Write-ahead log — lebih cepat
cache_size_kb = 10240            # 10 MB cache SQLite
synchronous = "NORMAL"           # balance antara safety dan kecepatan

[memory.retrieval]
top_k = 10                       # Ambil 10 memory paling relevan
min_score = 0.65                 # Threshold relevansi
use_reranker = false             # Aktifkan jika butuh presisi lebih tinggi

[memory.embedding]
provider = "openrouter"
model = "openai/text-embedding-3-small"  # Model embedding murah
batch_size = 50                  # Embed 50 item sekaligus

🐋 Docker Runtime Tuning

# ~/.zeroclaw/config.toml

[runtime]
kind = "native"                  # native lebih ringan dari docker

# Jika menggunakan Docker, ini konfigurasi optimalnya:
[runtime.docker]
image = "alpine:3.20"
pull_policy = "if_not_present"   # Jangan pull setiap saat
network = "bridge"
memory_limit_mb = 256            # Batasi RAM docker container
cpu_quota = 0.5                  # Maks 50% CPU satu core
read_only_rootfs = false
volumes = [
  "/home/user/projects:/workspace:rw"
]
security_opt = ["no-new-privileges:true"]
cap_drop = ["ALL"]
cap_add = []

📊 Monitoring Resource ZeroClaw

# Statistik penggunaan ZeroClaw
zeroclaw stats                   # Overview
zeroclaw stats --period 24h      # 24 jam terakhir
zeroclaw stats --period 7d       # 7 hari terakhir
zeroclaw stats --format json     # Output JSON untuk parsing

# Monitor resource system
watch -n 2 'ps aux | grep zeroclaw'

# Cek memory usage detail
cat /proc/$(pgrep zeroclaw)/status | grep -E 'VmRSS|VmPeak'

# Lihat file log
journalctl --user -u zeroclaw -n 50 -f

# Health check
zeroclaw status
zeroclaw doctor

# Script monitoring sederhana
#!/bin/bash
# Cek ZeroClaw setiap 5 menit via crontab
# */5 * * * * /home/user/monitor-zeroclaw.sh

MEM=$(cat /proc/$(pgrep zeroclaw)/status 2>/dev/null | grep VmRSS | awk '{print $2}')
echo "$(date): ZeroClaw RAM: ${MEM} kB"

# Alert jika RAM > 100MB (abnormal untuk ZeroClaw)
if [ "${MEM:-0}" -gt 102400 ]; then
    echo "ALERT: ZeroClaw RAM terlalu tinggi: ${MEM} kB"
    zeroclaw service restart
fi

🔬 Profiling dan Debug Performance

# Enable debug logging untuk profiling
# ~/.zeroclaw/config.toml
[logging]
level = "debug"
format = "json"

# Aktifkan metrics endpoint
[metrics]
enabled = true
port = 9090
path = "/metrics"        # Prometheus-compatible

# Jalankan ZeroClaw dengan profiling
ZEROCLAW_PROFILE=1 zeroclaw daemon

# Analisis slow queries
zeroclaw logs --filter "slow" --since 1h

# Benchmark tool execution time
zeroclaw benchmark --tool web_search --iterations 5

🚀 VPS untuk ZeroClaw yang Dioptimasi

ZeroClaw yang sudah dioptimasi dengan benar bisa mengelola puluhan koneksi channel secara simultan dengan total penggunaan RAM di bawah 20 MB. Ini memungkinkan kamu menggunakan paket VPS paling entry-level dari SufaNet untuk workflow production yang cukup kompleks.

Untuk workflow yang lebih intensif (banyak agent, MCP tools aktif, Docker untuk sandbox), VPS Indonesia SufaNet dengan paket menengah memberikan performa terbaik — latensi rendah untuk klien Indonesia, storage SSD cepat untuk SQLite memory, dan bandwidth yang cukup untuk API calls.

❓ FAQ Optimasi ZeroClaw

🎯 Kesimpulan

Optimasi ZeroClaw bukan hanya soal teknis, tapi juga strategi. Pemilihan model yang tepat untuk setiap jenis task bisa menghemat 80-95% biaya API tanpa menurunkan kualitas. Kombinasikan dengan rate limiting yang proper dan monitoring aktif, dan kamu punya AI agent production yang sangat cost-efficient.

Pasangkan ZeroClaw yang sudah dioptimasi dengan VPS Indonesia SufaNet — infrastruktur yang andal dengan harga yang terjangkau untuk developer Indonesia.