30+条 OpenClaw 省钱秘籍:拯救我的钱包

我每天消耗的 token 降到了 每天1 个亿。

作为典型的 Token 杀手：用的越多，越想省钱的心越多。

省钱总览：三板斧（开源、节流、对账单）

总览 1：开源：先把“单价”打下来

总览 2：减少调用次数：少触发、少交互、少试错

总览 3：上下文窗口管理：让每次交互更便宜

总览 4：关掉后台自动化（别让钱花在看不见的地方）

提醒：迭代很快，不同版本/不同插件环境下命令可能略有差异。多让Openclaw自己来。

开源：先把“单价”打下来

1.1 包月/套餐：用量大就降单位成本

没用openclaw之前调用量小，直接调用API，Openclaw上了之后一不注意，一天200块。豆包、Kimi、硅基流动，整体上来讲都是贵到受不了。

之后用上了Coding Plan方案，主要面向Coding，但实际日常也一样。

Coding Plan 不是真正包月的，都是按时间段、按周、按月限制调用。 

作为日常使用minimax code plan确实够用，价格也不错。

1.2 渠道：咸鱼淘宝小红书，上车反重力

国产的这些模型在用过，gpt、opus之后，会觉得还是太弱了一些。

强烈建议至少有一个最小的gpt/opus方案，来拯救危局。

这时候很可能淘宝，小红书，小黄鱼才是省钱最大的神器。这个生意主要就是找人分担家庭账号，或者企业账号的费用，也是个很好的生意。

和KimiCode、阿里百炼相比，我认为非常有性价比。但也许也注意风险，同样大多的套餐还是有限额的，务必保有一个Minimax作为最后的保障。

1.3 模型分类：分工不同，价格不同

因为很多服务商不光限制token, 也限制总费用，费用也是限制条件之一。不同的模型价格差异很大，GTP-5.4是GTP-5 Mini的10倍价格。

整理清单、改格式、搬运内容、日常定时任务这些跑腿的事，用便宜量大模型。高质量书写、编码、推理攻坚才用聪明模型。

1.4 代理分工：专业的交给专业的人，别牛刀杀鸡

模型代表能力，但对openclaw来说agent（代理、数字人）才是干活的人关键。

就像理发店里面有学徒、首席、总监，我们需要根据出活效果要求让不同的大模型干活。

可以简单分类：固定三类岗位：

• 跑腿：抽取、去重、改格式、拉清单
• 写作：出大纲、改稿、脚本化表达
• 攻坚：难题推理、关键决策、复杂排错

不同的agent只处理自己的上下文，保证上下文窗口信息有效，钱花在刀刃上。

尽量信息减少遗忘，保证花的钱没有白花。。

不同的agent，配合不同的模型，不用人为反复切换模型反复消耗token。

拿我自己的举例：

1.5 输入输出约束：约束自己，也约束模型

Chatgpt的时候，我更多是和大模型闲聊，用户输入的内容有限，我们各种办法增加prompt以提高效能。

Openclaw prompt面临的是爆炸问题，看下面图，就能发现Prompt占据了费用支持出的99.9%。

所有省钱办法都只一个目的：更少的Input 更多的有效 Output.

老板话要少，你要活干好。

一定要清楚表达自己的需求，这样干出来的活才会更符合预期。对很多人来讲，要自己把自己要什么先想清楚，我先聊聊再看这种想法就是在燃烧费用。

如果完全没有想法，建议用最便宜的模型，或者直接用chatgpt这种免费的。

想要让Openclaw少花钱，办大事，还是要遵守规则：

一次性把事情交代清楚，不要来回反复追问。

给Openclaw足够的授权，不要因为授权反复沟通。

增加对产出物定性、定量的描述，确保不要闲聊式输出。

明确什么是不要的，明确注意事项。

减少调用次数：少触发、少交互、少试错

2.1 少触发模型：能 slash 就别用文本

习惯了chatgpt什么都可以回答，我们总是直接把想法告诉Openclaw。

我们会Openclaw各种问题，“openclaw 当前状态"，”你现在用的是什么模型“，”你...."。

这个问题，openclaw会调用23次工具， Input: 23.4k tokens  Output: 1.8k tokens。

但是openclaw 和 各种 channels 都有自己内置的 slash command， 可以在大模型解释之前就完成命令的执行。不调用大模型，自然不用有花费。

更多信息看这个：https://docs.openclaw.ai/tools/slash-commands

2.2 本地命令/bash

同/slash command , 在openclaw作为助手，对文件的操作管理，对操作系统管理也是高频操作。

这些很确定的工作，我们不希望也不需要 AI来花钱完成。

比如：

• 查文件：ls、cat、tree
• 搜内容：grep、find、sed、awk、
• 跑脚本：./xxx.sh

# 直接执行，不经过 AI!ls -la ~/writer/# 用 grep 搜文件!grep -r  "省钱"  ~/writer/

配置：你可以直接让openclaw给你配置。

//openclaw.json{  "commands": {    "bash": true  //允许bash 命令  }, "tools": {    "elevated": {      "enabled": true,   //允许提权      "allowFrom": {        "feishu": [           "ou_xxx"  //哪些飞书账号可用        ]      }   }}

// exec-approvals.json{  "defaults": {    "security": "full",    "ask": "off",      //不问你要确认    "askFallback": "full",    "autoAllowSkills": true  },  "agents": {    "*": {      "allowlist": [        {          "pattern": "/usr/bin/ls"   //所有飞书用可执行        }      ]     "main": {       "allowlist":[          "pattern": "/usr/bin/rm"  //只有main agent能执行        ]     }   }}

2.3 Skill 包装：把日常需求变成流程（不追问少试错）

我们会有一些日常工作，第一次做的时候要花学习很长时间。

比如想通过家里里的音箱播放新闻摘要，有几件事要做：

查找新闻，生成播放的摘要（有字数、内容、风格要求等）找到可用的音响（网络搜索、接口识别、可用性测试等）生成音频文件（可用模型、内容位置、声音风格等）音乐传输播放（音量、接口调用等）

对于openclaw，它第一次面对这些问题的时候，很多信息需要和我们确认，设备也查找，各种信息需要与我们进行打合。这个过程是非常复杂，非常消耗token的过程。

当第一次成功完成这个动作之后，我们需要让openclaw记下设备配置，记下内容选择、记下我们喜好。

只要是有可能重复的操作，就让openclaw创建专用的skills， 下次再执行的时候skills会调用本的scripts来完成这个动作，只有项摘要生成这个行为还高度依赖于模型，至少可以节省80%的token消费。

这种场景非常常见，比如：

//常见场景访问共享文件      //大量的输入输出打印文件          //设备的管理使用本地数据库    //数据获取操作Excel/文本    //调用现有的专用工具完成        管理下载工具      //调用接口，授权鉴权管理docker        //健全与日常查询新闻收集          //重复动作

//创建SKILL过程你可以先和openclaw互动，让他自行学习。使用这些功能，如果不能成功就让他去官网学习后再尝试，直接成功。最后让openclaw根据刚才的过程，总结经验，创建新的SKILL即可。

举两个例子：

2.4 Skill 减量：通用 Skill 5-10 个，不加载专业 Skill

创建SKILL太容易了，ClawHub市场中的SKILL快速到了22000+。

但就，但你真用的永远就那几个。

OpenClaw 读取的 Skills 路径:├── 1. ~/.npm-global/lib/node_modules/openclaw/skills/  (内置 Skills)├── 2. ~/.openclaw/skills/  （共享skills)└── 3. {workspaceDir}/skills/  (agent 专用skills)

2.5 精简启动注入：系统提示词越长越贵

每个agent、subagent的session启动，都会读取agent的配置文件。

agent配置文件务必大幅简化。

建议除了USER.md和IDentity.md之外，都先清空，边用边补充。

可以让openclaw定期总结经验，自行补充，再做调整。

2.6 利用引用，提高 Cache 命中，减少费用

上下文窗口管理：让每次交互更便宜

上面我们关注的是如何减少交互来减少Token。

而上下文窗口管理（contextWindow）则聚焦在每一次交互如何减少费用。

影响上下文窗口的有模型、全局的agent配置、单一agent/session配置。

模型可配置项

{    id: 'MiniMax-M2.5-highspeed',    name: 'faster',    api: 'anthropic-messages',    reasoning: true,            // 是否支持 thinking    input: [                    // 支持的输入类型         'text',    ],    cost: {                     // 价格配置       input: 4.2,       output: 16.8,       cacheRead: 0.21,       cacheWrite: 2.625,    },  "contextWindow": 200000,     // 模型上下文上限  "maxTokens": 32768,           // 模型输出上限     }

2.8 contextWindow：输入上限，别一次喂太多

模型硬限制，是指模型本身支持的最大上下文 tokens 数。

配置文件中只是声明。

设置低有作用，设置高无意义。

如果真的输入大于模型的contextWindow会报错。

2.9 maxTokens：设输出上限，别让模型写没完

模型硬限制，输出限制，单次回复最大生成 tokens 数。

从输入输出的比例，就可以看出输出的难度。

Agent全局参数

这些参数无法针对某一个agent进行修改。

  agents: {    defaults: {      models: {         bootstrapMaxChars: 20000,         bootstrapTotalMaxChars: 150000,         contextTokens: 200000,         contextPruning: {    //定期清理工具输出，释放空间           mode: 'cache-ttl',  //工具输出缓存超时清理           ttl: '30m',          //工具输出保留30分钟后移除           tools: {            allow: [            //只有这两个工具的输出会被缓存              'exec',              'read',            ],            },          },          compaction: {            mode: 'safeguard',                 reserveTokensFloor: 30000,             memoryFlush: {         //接近阈值时强制刷出内存到文件              enabled: true,              softThresholdTokens: 10000,            },         }         thinkingDefault: 'medium',  //low:~4k medium:~8k token         verboseDefault: 'off',      //on 工具输出占用token       }     }   }

如何查看当前加载的所有的内容对上下文的影响：

/context detailoutput： Bootstrap max/file: 20,000 chars Bootstrap max/total: 150,000 charsSystem prompt (run): 47,639 chars (11,910 tok) (Project Context 16,254 chars (4,064 tok))Injected workspace files: - AGENTS.md: OK | raw 505 chars (127 tok) | injected 505 chars (127 tok)Skills list (system prompt text): 18,003 chars (4,501 tok) (50 skills)Tool list (system prompt text): 3,771 chars (943 tok)Session tokens (cached): 105,097 total / ctx=200000

可用会话空间 = min(contextTokens, contextWindow)            - bootstrapCharsTotal_token  //启动被占用 12k            - skill + tools + 实际已使用            - softThresholdTokens        //压缩触发阈值             - reserveTokensFloor         //预留占用            - thinking_tokens            //4-8k            - verbose_tools_tokens       //按实际

2.11 bootstrapTotalMaxChars

AGENTS.md 等文件受 bootstrapTotalMaxChars 限制。

2.12 contextPruning：裁掉无关历史，但别裁掉重点

主是针对工作使用过程中的输入输出内容的清理。

这部分内容实际占比非常高，要在会话完成后尽快处理。

2.13 compaction 自动压缩上下文：把旧对话浓缩成摘要

compactoin主要针对人就实际会话过程的内容。

该过程是自动化的，会有提示告诉。如果压缩在同一任务过程反复发生，说明：

1. min(contextTokens, contextWindow)太小了。

2. reserveTokensFloor + softThresholdTokens太大了。

需要注意 /compact 是一个slash command，可以手动执行的。 

2.14 skills.entries：不常用就关

// ~/.openclaw/openclaw.json"skills": {  "entries": {    "apple-notes": { "enabled": false },    "model-usage": { "enabled": false }  }}

迁移skill到特定agent:

//迁移专用skills 到 agent workDir skills 目录。!mv .openclaw/skills/{skillname} {workDir}/skills/

2.15 thinkingDefault：默认别“想太多”

提示：v2026.3.8 之前参数只有off, low, medium, high

目前的版本增加了：minimal, adaptive，要不试试adaptive。

还是期望可以针对agent设置独立的thinking模式。

/thinking adaptive  也是slash command， 可以在任可agent里面手动调整当前思考模式。

与系统配置对应的手动清理会话的方法：

/new 保存当前会话到磁盘，重新创建新的会话，重新加载system prompt/reset 删除当前会话内容，只保留system prompt/session 当前会话/sessions_list 查看当前agent所有的会话

在一个agent里面，一个项目或者一个主题结束切换时，可以/new构建一个清的干净会话。

"resetByType": {  "direct": { "mode": "idle", "idleMinutes": 480 },  // 私聊 8小时idle清理  "dm": { "mode": "daily", "atHour": 4 },            // DM 每天4点清理  "group": { "mode": "idle", "idleMinutes": 120 },  // 群聊 2小时idle清理  "thread": { "enabled": false }                     // 线程不清理}

2.17 subagent 减少上下文

依然是基于专业的从专业的人做专业的事的角度，请subagent基于当前的workspace，创建新的session会话来处理任务。减少干扰，保持聚焦。

2.18 去掉 typingIndicator 和 reaction

去掉 typingIndicator：别让系统“多动一下”

// ~/.openclaw/openclaw.json"channels": {  "feishu": {    "typingIndicator": false,     //减少交互    "threadSession": true,    "footer": { "elapsed": true }    }}

关掉后台自动化：别让钱花在看不见的地方

2.19 heartbeat：不用就关/降频，别后台叫你

为每一个agent设置heartbeat, 更需要调整频率。

// ~/.openclaw/openclaw.json{ "id": "main", "heartbeat": { "every": "6h" } }

2.20 cron：关掉之后，可以按需手动跑

定时任务对资源的消耗其实也很大，没有必要的可以关掉。

尽量让cron行为脚本化，skill化。

指定特定模型运行cron任务。

2.21 self-improvement：等系统更新

让这些功能只跑在包月套餐里面。

所有的改动必须要经过同意，很容易崩溃。

2.22 proactive-solvr：减少主动性

主动性越强，token；没明确收益就先收着。

小龙虾们，聊“省”，影响了一些体验。

下次聊一下“快”。