我第一次看 OpenClaw 账单是凌晨两点。那天刚把它接进飞书群想着让它帮我盯服务器日志顺便回答点同事的技术问题。第二天一早打开控制台token 曲线像心电图一样往上窜。我当时第一反应不是“贵”而是“它到底在干嘛”。很多人觉得 OpenClaw 花钱像流水其实大多数时候不是模型贵是用法太豪放。我把自己这几个月的消耗拆过一遍算得还挺清楚。给你一个真实的参考。真实数字我现在常驻两个实例一个偏运维/信息收集一个偏代码辅助默认模型混用日常对话和心跳用 DeepSeek复杂推理和代码生成用 Claude Sonnet。一个月总消耗在 3000–6000 万 token 波动。折算下来DeepSeek 低缓存场景大约 0.5–1 元 / 百万 tokenClaude Sonnet按实际调用文章或大段代码会拉高实际账单150–300 元 / 月。我不是天天让它写文章也不做大规模仓库自动 review。如果你接入 PR 机器人、自动巡检整仓库那数字会完全不一样。钱主要烧在哪很多人只盯“单次对话”但 OpenClaw 的结构决定了它不是一个简单聊天机器人。1系统提示词膨胀每次调用模型它都会带上SOUL.mdAGENTS.md所有启用的 skill 描述工具说明当前会话上下文我测过一次完整 payload大概 8000–12000 token。这意味着你问一句“现在几点”底层先吃掉一大块基础成本。技能越多提示词越厚成本越线性上涨。我之前手贱开了 12 个 skill后来清理到 5 个单次调用直接少 6000 token。这个优化比换模型更有效。2Heartbeat 机制默认 30 分钟一次。哪怕什么都没发生它也会唤醒模型读一遍状态文件然后返回 OK。假设每次 1 万 token一天 48 次两个实例光心跳就 96 万 token / 天。我把非核心实例改成 2 小时一次成本立刻砍掉一半以上。如果是纯 cron 型助手可以直接关心跳。3大文件读取这是最容易翻车的地方。有一次我让它 review 一个大 PR。160 个文件变更。它很老实把所有 diff 全部读进来。那次单任务 300 多万 token。真正贵的不是聊天是“让模型处理你自己都懒得看的东西”。后来我在 AGENTS.md 里加规则单次读取超过 50KB 自动放弃 diff 超过 20 个文件只抽样 不重复加载同一文件模型真的会遵守。这点比人类实习生还可靠。一个简单的成本公式很多人问一个月会烧多少可以自己算基础成本 心跳次数 × 单次系统提示token 使用成本 每日任务 × 单次任务token 异常成本 大文件 / 无限重试 / 错误循环异常成本才是大头。只要你限制住循环重试和大文件读取消耗是可控的。常见误区误区一模型越便宜越好便宜模型在高频调用场景确实省钱但推理能力弱时它会反复尝试重试次数增加反而拉高总 token。我测试过一个复杂分析任务用 Sonnet 一次完成用低价模型尝试三次总 token 反而更高。单价不是全部。误区二多开 skill 才强skill 每增加一个系统提示词就增加一段描述。如果你不常用它只是持续在消耗。OpenClaw 的“能力膨胀”会直接映射到成本膨胀。误区三不用监控没有仪表盘是目前最大问题。我自己写了个小脚本每天抓 API 使用量记录到本地。三周后你会形成直觉哪个任务贵哪个时间段浪费。成本焦虑来自未知。一个对比不限制 PR review一周能烧上万 token × N 次限制文件大小 抽样成本下降 70%关掉非核心心跳下降 40%清理 skill下降 20–30%这些是实测数据不是理论。那到底贵不贵如果你只是体验式聊天几块钱几天就没了。如果你把它当一个自动化框架用规则驯化它它其实是可预测成本的工具。我现在基本稳定在 200 元左右。这个价格换来自动巡检日志定时数据整理代码辅助信息推送我自己算过时间成本比我手动处理便宜。但前提是你真的写了限制规则。可收藏的行动清单统计一次完整调用的系统提示 token 数清理不常用的 skill调整非核心实例的 heartbeat 间隔在 AGENTS.md 中写清文件大小与重试上限大仓库操作先抽样不要全量读取复杂推理用强模型一次到位每天记录 token 使用量连续两周观察趋势不确定的自动化任务先手动跑一次测成本把这些做完再看账单。你会发现它没那么可怕。真正可怕的是——在不知道成本结构的情况下让它一直跑着。