你们在OpenClaw上的token消耗如何？
我第一次看 OpenClaw 账单，是凌晨两点。
那天刚把它接进飞书群，想着让它帮我盯服务器日志，顺便回答点同事的技术问题。第二天一早打开控制台，token 曲线像心电图一样往上窜。我当时第一反应不是“贵”，而是“它到底在干嘛”。
很多人觉得 OpenClaw 花钱像流水，其实大多数时候不是模型贵，是用法太豪放。
我把自己这几个月的消耗拆过一遍，算得还挺清楚。给你一个真实的参考。
真实数字
我现在常驻两个实例：
一个偏运维/信息收集
一个偏代码辅助
默认模型混用：日常对话和心跳用 DeepSeek，复杂推理和代码生成用 Claude Sonnet。
一个月总消耗在 3000–6000 万 token 波动。
折算下来：
DeepSeek 低缓存场景：大约 0.5–1 元 / 百万 token
Claude Sonnet：按实际调用，文章或大段代码会拉高
实际账单：150–300 元 / 月。
我不是天天让它写文章，也不做大规模仓库自动 review。如果你接入 PR 机器人、自动巡检整仓库，那数字会完全不一样。
钱主要烧在哪
很多人只盯“单次对话”，但 OpenClaw 的结构决定了它不是一个简单聊天机器人。
1）系统提示词膨胀
每次调用模型，它都会带上：
SOUL.md
AGENTS.md
所有启用的 skill 描述
工具说明
当前会话上下文
我测过一次完整 payload，大概 8000–12000 token。
这意味着你问一句“现在几点”，底层先吃掉一大块基础成本。
技能越多，提示词越厚，成本越线性上涨。
我之前手贱开了 12 个 skill，后来清理到 5 个，单次调用直接少 6000 token。
这个优化比换模型更有效。
2）Heartbeat 机制
默认 30 分钟一次。
哪怕什么都没发生，它也会唤醒模型读一遍状态文件，然后返回 OK。
假设：
每次 1 万 token
一天 48 次
两个实例
光心跳就 96 万 token / 天。
我把非核心实例改成 2 小时一次，成本立刻砍掉一半以上。
如果是纯 cron 型助手，可以直接关心跳。
3）大文件读取
这是最容易翻车的地方。
有一次我让它 review 一个大 PR。
160 个文件变更。
它很老实，把所有 diff 全部读进来。
那次单任务 300 多万 token。
真正贵的不是聊天，是“让模型处理你自己都懒得看的东西”。
后来我在 AGENTS.md 里加规则：
单次读取超过 50KB 自动放弃 diff 超过 20 个文件只抽样 不重复加载同一文件
模型真的会遵守。
这点比人类实习生还可靠。
一个简单的成本公式
很多人问：一个月会烧多少？
可以自己算：
基础成本 = 心跳次数 × 单次系统提示token 使用成本 = 每日任务 × 单次任务token 异常成本 = 大文件 / 无限重试 / 错误循环
异常成本才是大头。
只要你限制住循环重试和大文件读取，消耗是可控的。
常见误区
误区一：模型越便宜越好
便宜模型在高频调用场景确实省钱，但推理能力弱时，它会反复尝试，重试次数增加，反而拉高总 token。
我测试过：一个复杂分析任务，用 Sonnet 一次完成；用低价模型尝试三次，总 token 反而更高。
单价不是全部。
误区二：多开 skill 才强
skill 每增加一个，系统提示词就增加一段描述。
如果你不常用，它只是持续在消耗。
OpenClaw 的“能力膨胀”会直接映射到成本膨胀。
误区三：不用监控
没有仪表盘是目前最大问题。
我自己写了个小脚本，每天抓 API 使用量记录到本地。
三周后，你会形成直觉：哪个任务贵，哪个时间段浪费。
成本焦虑来自未知。
一个对比
不限制 PR review：一周能烧上万 token × N 次
限制文件大小 + 抽样：成本下降 70%
关掉非核心心跳：下降 40%
清理 skill：下降 20–30%
这些是实测数据，不是理论。
那到底贵不贵？
如果你只是体验式聊天，几块钱几天就没了。
如果你把它当一个自动化框架，用规则驯化它，它其实是可预测成本的工具。
我现在基本稳定在 200 元左右。
这个价格换来：
自动巡检日志
定时数据整理
代码辅助
信息推送
我自己算过时间成本，比我手动处理便宜。
但前提是你真的写了限制规则。
可收藏的行动清单
统计一次完整调用的系统提示 token 数
清理不常用的 skill
调整非核心实例的 heartbeat 间隔
在 AGENTS.md 中写清文件大小与重试上限
大仓库操作先抽样，不要全量读取
复杂推理用强模型，一次到位
每天记录 token 使用量，连续两周观察趋势
不确定的自动化任务，先手动跑一次测成本
把这些做完，再看账单。
你会发现它没那么可怕。
真正可怕的是——在不知道成本结构的情况下，让它一直跑着。