OpenClaw Token 烧得比双十一还快? 7 招让你的钱包喘口气

说实话，我第一次看 OpenClaw 的 token 消耗账单时，差点想把电脑砸了。

一天正常对话没怎么聊，五十万 token 就这么没了。翻翻日志发现全是系统提示词在反复加载——工具列表、skill 描述、work space 文件、对话历史……每轮对话都在重复烧钱。

那时候我才意识到：OpenClaw 本身不收费，但它每次调用 LLM 的 token 都是真金白银。

后来我花了几天研究文档，调了几个参数，token 消耗直接降了 60%。而且模型响应更快了。

今天把这些方法整理出来，希望能救一个是一个。

先搞懂 Token 到底烧在哪

OpenClaw 每次跟模型对话，系统提示词里塞了大量的东西：

• 工具定义列表 + 简短描述（每个可用工具的描述都要过一遍）
• skill 列表，以及其他 skill metadata
• workspace 文件：AGENTS.md、SOUL.md、USER.md、TOOLS.md、MEMORY.md……
• 对话历史（上下文越长越贵）
• 之前所有工具调用的结果

这些不是每次都一模一样。有些内容稳定不变（took 定义、skill 元数据），有些每轮都变（时间戳、heartbeat 状态、对话内容）。

而你的模型得为所有内容反复付钱——除非你用缓存。

招数 1：开启 Prompt Caching——最立竿见影的一招

OpenClaw 支持 prompt caching。核心思路：把系统提示词里不变的部分跟变化的部分分开，这样模型可以复用之前缓存的稳定部分，不需要每次都重新处理。

配置很简单，在你的 openclaw.json 里加一行：

agents:defaults:params:cacheRetention:"long"

就这么一下，token 消耗可能直接减半。

cacheRetention 有三个级别：

如果你用的是 Claude（Anthropic 直连），long 模式下 cache read 的单价远低于 input token 单价。 这意味着同样的对话场景，用缓存可能便宜好几倍。

如果你用的是 OpenAI，缓存也是自动生效的，但 OpenAI 不暴露 cache wirte 费用，所以你的账单上看不到缓存省了多少，但响应速度会明显变快。

招数 2：配置 Heartbeat 防止缓存过期

开了缓存之后，你可能碰到一个更尴尬的情况：跟 AI 聊着聊着吃了个饭回来，缓存过期了（1小时 TTL），下一条消息又要重新构建缓存，cache write 的 token 开销比你想象的还大。

怎么解决？让 OpenClaw 自己定期”拍一拍”缓存，续命：

agents:defaults:heartbeat:every:"55m"params:cacheRetention:"long"

把心跳间隔设为 55 分钟，略小于缓存 TTL 的 60 分钟。缓存永远不会过期，你每一次对话都能命中 cache read。

对于多 agent 场景，还可以按 agent 单独设置：

agents:list:-id:"research"heartbeat:every:"55m"-id:"alerts"params:cacheRetention:"none"# 消息通知不需要缓存

别小看这个配置。 一个不设心跳的 long 缓存，只要中间有一小时空档，前一小时的 cache write 就白烧了。

招数 3：限制 workspace 文件注入大小

OpenClaw 默认会往系统提示词里注入你工作目录下的很多文件：AGENTS.md、SOUL.md、TOOLS.md、USER.md……有些文件你写得特别详细，几千字就进去了。

这些内容每次对话都在系统提示词里，而且是不变的——按理说应该被缓存，但缓存也是有上限的。

你可以控制注入文件的大小限制：

agents:defaults:bootstrapMaxChars:8000# 单个文件最多注入 8000 字符bootstrapTotalMaxChars:30000# 所有文件合计最多 30000 字符

两个关键参数：

• bootstrapMaxChars：单个文件的截断上限，默认 12000
• bootstrapTotalMaxChars：所有文件的合计上限，默认 60000

如果你的 skill 特别多或者文件特别大，把这俩值调小，系统提示词就瘦一圈。

想知道当前系统提示词到底有多大？聊天里输入：

/context list

会显示每个注入部分的具体大小，一目了然。

招数 4：控制图片 token 消耗

这是容易忽略的大头。如果你经常给 AI 发截图分析或者让它看图，图片的 token 消耗可能比你想象的大很多。

OpenClaw 默认会把图片缩放到最大 1200px 再传给模型，但你可以进一步压缩：

agents:defaults:imageMaxDimensionPx:800# 默认 1200，改成 800

值越小，视觉 token 的消耗越少。如果主要是看 UI 截图、代码截屏之类的，800px 完全够用。如果是 OCR 或者细粒度分析，再酌情调大。

视觉分析的 token 消耗通常是文字的好几倍。一张中等尺寸的图片可以吃掉 1000+ token。一张大图 2000+ token 也很正常。

招数 5：善用缓存过期裁剪（cache-ttl pruning）

缓存不是万能的。当你长期跟 AI 对话积累了大量上下文后，哪怕开了缓存，新消息的 prompt 也越来越大。缓存过期后重新写入的成本更高。

OpenClaw 提供了一个自动裁剪的机制：缓存 TTL 到期后自动裁剪会话历史，只保留关键上下文。

agents:defaults:contextPruning:mode:"cache-ttl"ttl:"1h"

这个 TTL 跟缓存的过期时间对齐为 1 小时。缓存一过，自动裁剪，下次请求时构建更小的新缓存。

效果是：长时间会话不会无限膨胀。 历史对话中的非关键信息会被裁剪掉，只有最近的上下文保留。

招数 6：切换模型——便宜模型能干的活别用好模型

这是最直白的一招。不是所有对话都需要 Sonnet 或 GPT-4o。

如果你的场景主要是：

• 定时任务批量生成内容（比如公众号文章自动化）
• 简单的信息检索和摘要
• 代码 review 初筛

可以考虑在这些场景用 DeepSeek 或 Gemini 等更便宜的模型。OpenClaw 的多 agent 配置可以做到不同 agent 用不同模型：

agents:defaults:model:primary:"deepseek/deepseek-chat"# 默认用 DeepSeeklist:-id:"analyst"model:primary:"anthropic/claude-sonnet-4-6"# 复杂分析用 Sonnet

不同场景用不同模型，该省省该花花。

说到省钱，除了模型选对，跑 OpenClaw 的服务器本身也是成本。你总不能用几万块钱的 GPU 云主机跑个笔记本级别的 AI 网关吧？

如果连服务器都还没搞定，或者觉得自建太折腾——腾讯云最近有 OpenClaw 专属活动优惠，算下来比自己买服务器搭省不少。你在这上面省下来的钱，拿去用更好的模型不香么？

👉 腾讯云 OpenClaw 专属优惠，看看有多划算^[1]

招数 7：用好 /usage 定期监控

最后但同样重要：你得知道 token 到底花在哪了。

OpenClaw 内置了使用量查询命令：

• /status：显示当前会话 token 用量 + 预计费用
• /usage tokens：每次回复底部显示 input/output token 数
• /usage full：显示完整 token 明细（包括缓存命中）
• /usage cost：汇总当前会话的 token 费用

建议先把 /usage tokens 打开跑几天，观察哪些场景消耗最大，再针对性优化。

命令行里也能看：

openclaw status --usage

会显示每个 provider 的配额使用情况，一目了然。

把这些串起来：一套完整的省钱配置

直接抄作业：

agents:defaults:model:primary:"deepseek/deepseek-chat"params:cacheRetention:"long"heartbeat:every:"55m"contextPruning:mode:"cache-ttl"ttl:"1h"bootstrapMaxChars:8000bootstrapTotalMaxChars:30000imageMaxDimensionPx:800

这套配置我跑了两个星期，token 开销降了大约 60%，除了第一次对话需要构建缓存稍微慢了点，后面响应反而更快了。

写在最后

OpenClaw 是个好东西，但它的 token 消耗确实是个隐形成本。好在官方文档提供了完整的优化体系，从缓存到裁剪到差异化模型配置，每一步都有对应的参数。

最关键的其实是三件事：

1️⃣ 开缓存（cacheRetention: “long”）2️⃣ 用心跳续命（heartbeat every: “55m”）3️⃣ 定期监控（/usage 走起来）

做完这三步，你的 OpenClaw 体验不会有任何下降，但账单会好看很多。

哦对了，如果你已经跑了上面这套配置但 token 消耗依然很高——去看看你的 Conversation History 有多长了，可能只是忘了 /new 开新对话。

（别问我怎么知道的。）

引用链接