为什么你的 OpenClaw 一个月烧 $1000？ 如果你发现 OpenClaw Token 消耗异常高，很可能不是模型贵，而是配置没优化，导致大量“隐形 token 浪费。

记得笑

为什么你的 OpenClaw 一个月烧 $1000？ 如果你发现 OpenClaw Token 消耗异常高，很可能不是模型贵，而是配置没优化，导致大量“隐形 token 浪费。会配置的人，用同样模型，成本能差 5–10 倍。

OpenClaw 高 token 消耗的常见根源：

1️⃣ 上下文累积未优化（Context Accumulation / No Pruning）

OpenClaw 默认会将整个会话历史、MEMORY.md、AGENTS.md、SOUL.md、USER.md 等文件反复注入系统 prompt。
即使是简单问答，也可能一次吃掉 100k–200k+ token（包括缓存写）。

症状：即使新会话或简单指令，输入 token 仍高达 13k–136k。

解决方案：安装并启用 token-memory-optimizer 或 context-pruning-skill，
配置自动总结/修剪上下文、设置 contextPruning aggressive 模式。
社区实测可降 30–70%。

━━━━━━━━━━━━━━━

2️⃣ 模型未分层路由（No Model Routing / Always Using Premium Model）

所有任务（包括“今天天气”“2+2”这种简单查询）都扔给昂贵模型如 Claude Opus 4.6（$5–$25/M token），
而非路由到廉价模型（如 GPT-4o-mini、Gemini Flash、DeepSeek）。

症状：heartbeat、cron 定时任务、后台检查全用顶级模型，闲置时也在烧钱。

解决方案：安装 ClawRouter 或 smart-router-skill，实现智能分层
（简单任务 → $0.3–$0.6/M 模型，复杂任务 → Sonnet/Opus）。
实测可省 70–90%。

━━━━━━━━━━━━━━━

3️⃣ Prompt 缓存未充分利用（No / Weak Prompt Caching）

OpenClaw 支持 Anthropic/OpenRouter 的 prompt caching（缓存写/读可省 90%），
但默认 TTL 短（5min）或未启用 long-retention，
导致每次都重写大上下文。

症状：Cache Write (1h) 始终为 0，重复任务仍全价付费。

解决方案：在 config 中设置 cacheRetention: "long"，
心跳间隔调至 55min（保持热缓存），结合 OpenRouter caching。
社区反馈可省 50–83% 缓存成本。

━━━━━━━━━━━━━━━

4️⃣ 心跳 / Cron / 后台任务频率过高（Heartbeat / Cron Over-Firing）

默认心跳每 10–30 分钟触发一次，即使无用户交互，
也会拉起完整上下文 + 工具 schema，消耗数万 token。

症状：夜间/闲置期账单仍快速上涨
（有用户报告心跳单日烧 $6+）。

解决方案：调高 heartbeat interval（至 1h+），
或安装 cron-isolator-skill / low-power-mode，
将后台任务路由到本地小模型或禁用非必需 cron。

━━━━━━━━━━━━━━━

5️⃣ 技能加载未动态 / 全量加载（Static Skill Loading / Too Many Skills）

所有已装技能的定义（schema）在 session 开始就全注入 prompt，
即使未使用也占 token（11 个技能可多吃 15k+ token/turn）。

症状：技能越多，基线 token 越高；未用技能也在“吃”钱。

解决方案：安装 dynamic-skill-loader 或 auto-skill-unload，
实现关键词触发加载 + 闲置卸载。
潜在节省 30–50%。

━━━━━━━━━━━━━━━

6️⃣ Session 文件膨胀未清理（Session JSONL Bloat）

sessions/*.jsonl 文件无限增长，包含历史工具输出、错误日志等，
导致下次加载时 token 爆炸。

症状：老会话响应变慢、token 暴增；
删除 sessions 文件夹后立即改善。

解决方案：定期运行 /new 重置会话，
或安装 session-cleaner-skill + auto-summarize 到 MEMORY.md。

━━━━━━━━━━━━━━━

7️⃣ 本地 / 离线 fallback 未启用（No Local Fallback for Simple Tasks）

所有推理都走云 API，
即使是总结本地文件、简单计算也发给远程模型。

解决方案：集成 Ollama / 本地小模型作为 fallback
（e.g. Phi-3、Llama-3.1 8B），
简单任务零 token 成本。
实测重度用户可省 80%+。

━━━━━━━━━━━━━━━
OpenClaw 成本高，不一定是模型贵，而是配置在“全功率空转”。