OpenClaw 日均消耗可达 2150 万 Token，一个月轻松烧掉 3 万元。成本远超普通用户承受范围，被称为"月薪两万都养不起的龙虾"。

TOKEN 消耗分布（六大黑洞）

消耗项	占比	具体说明	优化空间
上下文累积	40-50%	每轮对话重发完整历史，20 轮对话后可达 50 万 Token	⭐⭐⭐⭐⭐
工具输出存储	20-30%	大型 JSON、日志、文件列表、浏览器抓取数据存入历史	⭐⭐⭐⭐
系统提示词	10-15%	基础系统提示词约 1.5 万 Token（含 23 个工具定义），每次必发	⭐⭐⭐
缓存前缀重放	79.4%（极端情况）	单次调用中 17 万 Token 用于读取缓存历史，而非处理新请求	⭐⭐⭐⭐⭐
多轮推理链	10-15%	复杂任务需 5-10 次 API 调用，每次携带完整上下文	⭐⭐
模型选择不当	5-10%	Claude Opus 比 Haiku 贵 25 倍，用错模型纯浪费	⭐⭐⭐⭐⭐

---

典型场景的 Token 爆炸案例

案例 1：一天烧掉 2150 万 Token

总 Token：21,543,714
├─ cacheRead（缓存读取）：17,105,970（79.40%）← 主要元凶
├─ input（实际输入）：4,345,264（20.17%）
└─ output（输出生成）：92,480（0.43%）

真相：每次调用重复读取 17 万 Token 的巨型历史上下文，而非处理新用户意图。

案例 2：30 轮编程对话

场景	预期消耗	实际消耗	倍数
简单问答"你是什么模型"	~200 Token	9,600-10,269 Token	50 倍
5 轮日常对话	~3,000	~45,000	15 倍
30 轮编程对话	~12,000	1,860,000	155 倍

元凶：编程对话含大量代码块，{{MESSAGES:END:6}} 模板拉取最后 6 条消息，每条可能含上万 Token 代码。

案例 3：单次任务消耗

• 生成 2000 字 Word 文档（含资料搜索）：700 万 Token
• 小型爬虫测试：2900 万 Token
• 傅盛日均消耗：1-2 亿 Token/天（月耗 3 万元）

---

具体消耗在哪里？

1. 缓存前缀里的"垃圾"

每次调用重复读取的 17 万 Token 缓存中，主要是：

• 巨型 toolResult 数据块（36.6 万字符）
• 冗长的 thinking 推理痕迹（33.1 万字符）
• 大型 JSON 快照、文件列表、浏览器抓取数据
• 子 Agent 对话记录

2. 系统提示词（不可避免）

每次请求必带的 ~15,000 Token 基础开销：

• 23 个工具定义及其 JSON Schema
• 工作区文件（AGENTS.md、SOUL.md）
• 技能描述、自更新指令
• 时间戳、运行时元数据、安全头

3. 多轮对话的指数级增长

对话轮数	默认设置消耗	优化后消耗	节省比例
第 1 轮	~10,000	~3,000	70%
第 5 轮	~50,000	~15,000	70%
第 10 轮	~150,000	~45,000	70%
第 20 轮	~500,000	~150,000	70%
第 30 轮	1,200,000	360,000	70%

规律：每轮对话都重新发送完整历史，成本随轮数指数增长。

---

为什么中国模型成为赢家？

模型	输入价格（缓存命中）	对比
Claude Opus 4.6	$5/百万 Token	基准
Kimi K2.5	$0.1/百万 Token（¥0.7）	1/50 价格
MiniMax M2.5	输出成本是 Opus 的 1/10~1/20	极致性价比

结果：OpenRouter 平台 2026 年 2 月全球 Token 消耗 8.7 万亿，中国模型占 5.3 万亿（61%）。

---

成本优化策略（省钱 50-80%）

立即行动（今天）

1. 运行 /status 检查当前 Token 使用
2. 设置消费限额，防止账单冲击
3. 新任务开新会话，避免历史累积

本周实施

1. 模型路由：简单任务用 Haiku（$1/百万），编码用 Sonnet（$3/百万），Opus 仅必要时用
2. 启用提示缓存：TTL 对齐心跳间隔（默认 5 分钟）
3. 自动会话重置：50% 上下文容量时自动清理

本月部署

1. 本地模型：LM Studio 运行小模型，零成本处理简单任务
2. 子 Agent 用便宜模型：主会话用 Claude，子任务用 Kimi/DeepSeek
3. 批量处理：非紧急任务用批处理 API（50% 折扣）

---

OpenClaw 的 Token 主要消耗在"重复读取历史上下文"（79.4%），而非实际处理用户请求。其 Agent 架构需要持续调用大模型进行工具执行、浏览器操作、代码生成，每一步都携带完整对话历史，导致成本随使用时长指数级爆炸。使用国产性价比模型（Kimi/DeepSeek/MiniMax）+ 严格上下文管理（定期 /compact 压缩、长任务 /spawn 拆分子会话），可将成本降至 1/10.