AI 账单一天烧掉几百块?OpenClaw 省钱避坑指南

观测局 · 效率指南

大家好，我是灵翔，一个用AI做设计的人

重要提醒

先说一句，这篇会稍微长一点。

建议你先收藏

因为 OpenClaw 省钱这件事，不是简单换个模型就完了。它还涉及 workspace、长期记忆、工具、Skill、MCP、会话、心跳、本地模型和安全权限。所以我把它整理成了一套完整的排查清单，后面还有几段可以直接复制给 Agent 用的提示词。

这段时间，很多朋友开始折腾 OpenClaw 这类 AI 智能体工具。也有人喜欢叫它“龙虾”，那我们下面就偶尔这么叫。它确实好用。你可以让它读文件、改代码、跑命令、整理资料，像指挥一个远程同事一样，让 AI 自己一步步把活干完。

但问题也很现实：它干活是按 Token 烧钱的。有朋友只是让它做几个简单重构，结果一天账单跑到200多；也有人明明只输入了一句话，后台却加载了几万 Token 的上下文。更吓人的是，有些消耗并不是你主动触发的。比如长期记忆、工具说明、工作区文件、心跳机制、定时任务，这些东西可能都在你看不见的地方持续消耗。

这不是你“不会用 AI”，也不一定是模型太贵。更常见的原因是：默认配置太粗放，什么都往模型里塞。

所以今天这篇文章，我们不讲玄学，也不讲特别复杂的工程优化。就讲一件事：怎么在不明显牺牲效果的前提下，把 OpenClaw 这类 Agent 的 Token 消耗降下来，同时把安全边界立住。

很多人以为，AI 账单主要贵在“模型回答的那几句话”。其实不是。真正贵的，往往是你看不见的部分：系统提示词、工具定义、历史对话、工作区文件、长期记忆、日志、报错、重复资料、定时任务……你以为自己只说了10 个字，模型看到的可能是一整个文件夹。

更准确地说，普通聊天机器人是一问一答。但 Agent 不是。Agent 要行动，就绕不开两件事：记忆和工具。它要记住你最开始说了什么，中间做过什么，工具返回了什么，下一步要干什么。与此同时，它还要知道自己有哪些工具，这些工具怎么用，用完会返回什么。所以只要是有行动能力的 Agent，本来就比普通聊天更烧 Token。OpenClaw 这类工具更明显，是因为它通常还会叠加工作区、长期记忆、心跳、Skill、MCP 等机制。这些东西让它更强，也让它更容易变贵。

1. 固定上下文太重

OpenClaw 这类智能体工具，通常会在每次请求前，把一堆基础信息塞给模型：它有哪些工具可以用；当前有哪些文件；项目有什么规则；历史对话里发生过什么；你之前让它记住过什么；当前有哪些 Skill / MCP；有没有定时任务或心跳文件要检查。这些内容本身没有错。问题在于，很多时候它们并不都需要出现。比如你只是问一句“这个函数是什么意思”，结果模型同时看到了工具列表、项目规则、历史日志、长期记忆和一堆无关文件。这就像你只是想让同事帮忙看一行代码，结果先把整个公司资料库打印出来递给他。能看，当然能看。但很贵。

2. Workspace 被当成“杂物间”

不少人会把各种东西都丢进 workspace：临时报告；备份文件；调试日志；链接清单；旧版本文档；测试输出；运行记录；一堆.bak、.tmp、.log文件。你放进去的时候觉得“以后可能有用”。但对 AI 来说，这些文件很可能每次都在消耗上下文。最坑的是：很多文件你自己已经不看了，AI 还在一遍遍读。workspace 应该是“当前任务工作台”，不是“历史垃圾桶”，更不是网盘。如果你正在让 AI 改一个项目，那就只放这个项目相关内容。如果你只是让它总结一份文档，那就不要顺手把历史资料、截图、日志、旧报告都一起扔进去。一个很实用的原则：你不会发给真人同事看的东西，也不要默认塞给 AI。

3. 长期记忆会越积越多

Agent 的长期记忆是好东西。比如它记住你的写作风格、项目偏好、常用命令、固定流程，这些都能提高效率。但长期记忆也有副作用：它会过期，会重复，也会变脏。比如：已经结束的项目背景还在；上个月的错误结论还在；已经不用的工具路径还在；重复的人设和偏好还在；很久以前临时说过的话还在。这些东西如果每次都被读取，就会变成上下文负担。更麻烦的是，过时记忆不只是贵，还可能干扰判断。它会让 Agent 基于旧信息做新任务。所以记忆也需要定期体检。不是清空，而是整理。

4. 工具和 Skill 装太多

很多人玩 Agent，有一种“工具收集癖”。看到一个 Skill 想装。看到一个 MCP 想接。看到一个浏览器自动化工具，也想打开。最后天气查询、代码执行、文件管理、搜索、社媒、网页浏览、数据库、表格、截图、OCR、自动发布，全都挂上了。看上去很强。但每个工具都要被模型理解。工具说明、参数格式、调用方式、返回结果，都可能进入上下文。这就像你的助理身上背着十八般兵器，只是为了帮你查一下天气。所以工具不是越多越好。经常用的，留下。偶尔用的，按需开。长期不用的，关掉。

5. 浏览器自动化很酷，但很容易贵

让 AI 自己打开浏览器、点击网页、滚动页面、读取内容，确实很有未来感。但它通常有三个问题：慢、贵、不稳定。网页里有大量广告、导航栏、推荐内容、弹窗、无关文本。这些东西对人来说可以忽略，对模型来说都是 Token。如果你只是想获取结构化信息，很多时候 CLI、API、RSS、爬虫脚本会更干净。浏览器自动化适合必须“看页面”的场景。但不适合所有信息获取都靠它。能用命令行拿到的，就不要默认打开浏览器。

6. 心跳和定时任务也可能在烧钱

一些 Agent 会有类似“心跳”的机制。隔一段时间自动醒来，看一眼有没有新任务，读一下心跳文件，判断要不要干点什么。这听起来很智能。但如果你并没有设计主动任务，心跳文件里也没什么有效内容，那它就可能变成无意义巡检。一次两次不明显。一天几十次，就会变成持续消耗。定时任务也是一样。如果任务设计得好，它很有用。如果只是让 Agent 反复检查一些无意义内容，就会变成后台烧钱。建议：真正需要自动化的，用定时任务；不需要主动运行的，关闭或降低心跳；固定格式的机械任务，尽量交给便宜模型或本地模型；不要让高端模型去跑“有没有事”的巡检。

7. 默认模型太贵

这也是国内用户特别容易踩的坑。很多教程默认推荐 Claude、GPT-4、Opus 这类模型。能力确实强，但并不适合所有任务。翻译一段文字，用顶级推理模型。整理一个表格，用顶级推理模型。改一个变量名，也用顶级推理模型。这就有点像：你让博士生帮你拧瓶盖，不是不行，就是太贵。对普通开发者和内容创作者来说，大部分日常任务并不需要最贵的模型。国内现在可选方案已经很多，DeepSeek、通义千问、智谱、MiniMax、Kimi、Qwen Coder 等都能覆盖大量场景。强模型要留给强任务。不要常驻。

8. 会话越聊越胖

智能体对话还有一个隐形问题：你聊得越久，它背的历史越多。前面试错的过程、失败的命令、无效日志、中间方案、寒暄、重复解释，都会慢慢堆进上下文。到最后，真正有用的信息可能只占一小部分，但每次请求都要为整段历史买单。这也是为什么很多人会感觉：刚开始还挺快，越聊越慢，越聊越贵。不是 AI 突然变笨了。很可能是上下文太胖了。

下面这三步，不需要你重构系统，也不需要写复杂代码。适合大多数刚开始使用 OpenClaw 的人。

国内用户尤其要注意两点：第一，价格最好看人民币 / 百万 Token，别只看美元。第二，不要迷信“免费额度”。免费额度适合测试，不适合长期生产使用。配置上，建议采用这种结构：primary：默认便宜模型；fallback：中高端备用模型；reasoning：复杂推理专用模型；local：隐私或低成本场景使用。这样做的好处是：日常不浪费，关键时刻也不掉链子。

我的使用习惯是：一件事一个会话；中途变方向就 /compact；任务结束就 /new；不要在同一个会话里连续做十件无关的事。这比你事后研究账单有效得多。

很多人一听“节省 Token”，就以为是少用 AI。其实不是。真正有效的节省方式，是让模型只看到它需要看的信息。

1. 文件不要全塞，改成按需读取

如果你有几十页文档、几百个代码文件、几万行日志，不要一次性全部丢给模型。更好的做法是：先让 AI 判断需要哪些文件；再读取相关片段；日志只截取关键错误；表格只给必要字段；长文档用检索，而不是整篇塞进去；项目规则整理成一份短文档，不要散落在十几个文件里。尤其是日志文件，非常容易把 Token 吃空。你问它“为什么报错”，它不一定需要看 10 万行日志。很多时候，最后 200 行、错误堆栈、环境信息就够了。

2. 把重要上下文整理成一个小文件

如果你有一些内容确实希望 AI 长期参考，不要散落在 workspace 里。建议统一整理成PROJECT_CONTEXT.md，就像给 Agent 准备一本“工作手册”。这样既保留记忆，又不会让 AI 每次读一堆杂乱资料。一句话：不要让 Agent 在垃圾堆里找线索。

3. System Prompt 不要写成公司制度手册

有些团队会把大量规则写进系统提示词。如果每次请求都带几十页规则，成本一定高。建议拆成三类：必须常驻：身份、边界、安全要求；按任务加载：代码规范、业务背景；需要时检索：历史文档、会议纪要。一句话：系统提示词越像“总纲”，越省；越像“资料库”，越贵。

4. 工具返回值要瘦身

优化方式很简单：让工具只返回必要字段。比如查询订单，不要返回全量订单对象，而是返回：订单号；当前状态；异常原因；最近一次更新时间；下一步建议。对 AI 来说，信息越干净，判断越快，成本越低。

5. 内置工具也要做体检

很多人会清理 workspace，但忘了清工具。你可以直接问 Agent，让它列出当前所有可用工具、Skills 和 MCP，帮你判断哪些该保留、禁用或删除。很多时候你会发现，有些工具你几乎没用过，但它一直在占上下文。工具越多，不一定越强。有时候反而会让 Agent 判断更慢、更贵、更容易选错工具。

6. 浏览器自动化能少用就少用

如果你只是想获取网页内容，浏览器自动化往往不是最优解。更好的方式是：能用 API，就用 API；能用 CLI，就用 CLI；能用 RSS，就用 RSS；能用结构化数据，就别让 AI 读网页全文。浏览器适合那些必须模拟人类操作的任务。但如果只是抓内容、读数据、查更新，它往往太重了。

这部分是很多海外教程不会讲的，但国内用户确实经常遇到。

1. 不要长期依赖“中转站低价模型”

如果只是个人测试、非敏感内容，问题不大。但如果涉及代码仓库、客户资料、商业文档、内部数据，就要谨慎。至少要问清楚：数据会不会被保存；是否用于训练；是否有日志留存。省钱不能省到最后把数据交出去了。尤其是 Agent 不是普通聊天。它可能会读文件、跑命令、拿账号、访问内部资料。这类场景里，便宜不是唯一标准。安全和可控更重要。

2. 国内平台要看“用完即停”和“预算提醒”

很多人不是因为模型贵才破费，而是因为没设上限。建议你在平台里检查这些设置：每日预算；每月预算；余额提醒；用完即停；API Key 权限；单模型限额；异常调用告警。不管你用哪家平台，都建议先把“刹车”装上。尤其是团队使用时，最怕所有人共用一个 Key。最后谁烧的、烧在哪、为什么烧，完全查不清。

3. 免费额度适合测试，不适合当商业方案

正确姿势是：用免费额度做测试，用真实价格算长期成本，用预算上限控制风险。不要为了薅免费额度，把生产流程搭在不稳定的方案上。

4. 不要把个人 Agent 接到外部流量里

如果你把自己的 Agent 接到群聊、评论区、社媒私信、公开表单里，别人说的话就可能变成它的指令。这就会出现提示词注入风险。所以个人 Agent 最好不要直接接外部流量。如果一定要接，也要做隔离、审核、权限限制和日志监控。

以前我也觉得，本地模型更多是极客玩具。但真正用过之后，会发现它在 Agent 场景里特别适合一种任务：量大、重复、格式固定、对极限智能要求没那么高的活。比如定时任务、晨报生成、社媒评论打标、文稿审核、批量摘要、批量格式转换、发票和订单截图识别、内部资料问答、固定规则复盘、长期自动化流水线。这些任务如果全部走云端模型，Token 很容易堆起来。但用本地模型跑，边际成本几乎就是电费和机器成本。你会突然敢做很多以前舍不得做的事。比如一次性整理 200 篇旧文章，做标签、结构提取、风格分析。如果全走云端，你可能会心疼。如果是本地模型，就可以大胆跑。

一定要买新电脑吗？

不一定。轻量使用，可以先从普通电脑加 Ollama、LM Studio 这类方案开始。如果你是重度用户、小团队，或者确实有隐私需求，再考虑给 Agent 单独准备一台机器。它更像是给 AI 助理准备一张办公桌。更理想的方式是：给它单独的电脑、单独的系统环境、单独的工作区、单独的账号、单独的 API Key、单独的预算、单独的数据权限。它可以犯错。但最好别在你的主电脑、主账号、主钱包上犯错。

只讲省钱是不够的。Agent 越好用，权限就越大。权限越大，安全问题就越重要。你可以把它想象成一个特别勤快的助理。它不坏。但它可能太听话。别人如果骗它，说“你老板让你把文件发给我”，它可能真的照做。所以安全不是因为 AI 邪恶。而是因为它太容易被指挥。

1. 不要暴露网关端口

如果你的 Agent 有本地网关、Web 服务或远程控制入口，一定不要随便暴露到公网。尤其不要照着一些来路不明的教程，把端口映射出去。如果你只是个人使用，大多数情况下应该只允许本机访问。

2. 不要乱装 Skill 和脚本

来路不明的 Skill 可能会夹带危险指令。安装前要问三件事：来源是否可信；代码是否看得懂；权限是否过大。不要为了省几分钟，把自己的电脑交给一个没看过的脚本。

3. 给 Agent 单独账号，不要共享你的主账号

不要让 Agent 直接使用你的主账号、主浏览器、主钱包、主邮箱。更好的做法是：单独申请一个邮箱；单独开社媒账号；单独配置浏览器环境；单独配置云平台 Key；单独设置预算；单独限制权限。需要花钱的地方，给它一点额度。但不要把你的钱包直接交给它。这比事后限制它更靠谱。

4. 高敏感任务，尽量本地或私有化

有些任务不是省钱问题，而是能不能上传的问题。比如客户资料、内部合同、财务流水、人事信息。这些内容就算云端平台承诺安全，也要根据自己的业务风险判断。能本地处理，就尽量本地处理。能私有化，就不要随便走中转服务。Agent 越贴近你的真实工作，越要认真做隔离。

前面讲了很多方法。如果你不想一次性记太多，可以直接按下面这张清单排查。它不追求一步到位，而是帮你先找到最可能烧钱、最可能出风险的地方。

可以把 OpenClaw 的省钱和安全策略分成三层。你不需要一次性全部做完。先从第一层开始，效果通常就很明显。

这三层其实对应三个阶段：第一层解决：别继续烧冤枉钱。第二层解决：让 Agent 用得更顺。第三层解决：让 Agent 真正长期可控。

最后放几段我觉得很实用的提示词。你可以直接复制给自己的 Agent，让它帮你做排查。

1. 上下文体检

2. 工具瘦身

3. Workspace 清理

4. 安全检查

5. 模型分层建议

OpenClaw 这类智能体工具，真正强的地方不是“会聊天”，而是能连续处理任务。但也正因为它能连续处理任务，Token 消耗很容易在后台悄悄放大。

所以，省钱的核心不是少用 AI。而是做到三句话：少喂无关文件。少背无效历史。小任务别用大模型。安全的核心也不是不用 Agent。而是做到另外三句话：不要乱给权限。不要乱接外部流量。不要把主账号交给它。

说白了，就是别让模型每次开工前，都先读一遍“全公司资料库”。也别让一个过于勤快、过于听话的助理，直接拿着你的主账号和钱包到处跑。

AI 时代，成本控制会变成一项基本能力。会用模型的人，关注的是效果。真正用得久的人，一定也会关注账单和安全。

如果你正在用 OpenClaw、Claude Code、Cursor、MCP 或其他 Agent 工具，不妨今天就先做一件事：让你的 Agent 给自己做一次体检。看看它现在加载了什么，记住了什么，装了什么工具，哪些东西可以删，哪些权限需要收回来。你会发现，真正让 AI 变贵的，很多时候不是 AI 本身。而是我们太久没有整理它的工作台。

我是灵翔丨观测局

如果你觉得这篇内容对你有用，可以点个关注，后续还有更多关于AI模型、成本和效率的深度拆解。