OpenClaw Token 使用與成本優化指南

開發 AI 應用最頭痛的就是每個月收到帳單時的驚嚇。有時候你只是多聊了幾句，或者讓 AI 讀了幾個大檔案，Context 就會迅速膨脹。如果你不清楚 System Prompt 裡面到底塞了什麼，就很難精確控管成本，甚至會發現明明沒改什麼設定，費用卻越來越高。

要解決這個問題，你需要先搞清楚 OpenClaw 是如何處理 Token 的，以及有哪些內建指令可以幫你監控這些支出。

需要準備的東西

已安裝並運行的 OpenClaw
API Key（若要顯示預估金額）
支援 Prompt Caching 的模型（如 Anthropic 系列）

快速開始

想在 5 分鐘內掌握你的 Token 用量，可以跟著這幾步走：

查看現狀：在聊天視窗輸入 /status，你會看到一個資訊豐富的狀態卡，包含模型、Context 使用量與最後一次回覆的估計成本。
開啟即時監控：輸入 /usage full。這會在每一則回覆下方顯示該次的 Token 用量與費用。
分析 Context：輸入 /context list 或 /context detail，找出是哪些檔案或 Tool 佔用了空間。
檢查歷史紀錄：輸入 /usage cost 查看當前 Session 的本地成本統計。

Token 與 System Prompt 的組成

OpenClaw 計算的是 Token 而非字元。對於英文來說，1 個 Token 大約等於 4 個字元。最重要的是，OpenClaw 每次執行都會重新組建 System Prompt，這部分也會佔用你的 Context Window。

System Prompt 包含以下內容：

Tool 列表與簡短描述。
Skills 列表（僅包含 Metadata，具體指令在需要時才透過 read 載入）。
自動更新指令與運行時 Metadata（Host/OS/模型）。
Workspace 檔案：如 AGENTS.md, SOUL.md, TOOLS.md, IDENTITY.md, USER.md, HEARTBEAT.md 等。

如果你的檔案太大，OpenClaw 會根據 agents.defaults.bootstrapMaxChars（預設 20000）進行截斷。

透過 Heartbeat 優化成本

如果你使用 Anthropic 的模型，善用 Prompt Caching 可以省下不少錢。Cache Read 比 Input Token 便宜得多，但 Cache 有 TTL（生存時間）。如果 Session 閒置太久，Cache 就會失效。

你可以設定 Heartbeat 來維持 Cache 的「熱度」。例如，如果模型 Cache TTL 是 1 小時，你可以將 Heartbeat 設定為 55 分鐘：

agents:
  defaults:
    model:
      primary: "anthropic/claude-opus-4-6"
    models:
      "anthropic/claude-opus-4-6":
        params:
          cacheRetention: "long"
    heartbeat:
      every: "55m"

此外，OpenClaw 支援 Cache-TTL Pruning。當 Cache 過期時，它會主動修剪 Session 並重置 Cache 視窗，讓後續請求重新利用新鮮的緩存，避免重複支付高額的 Cache Write 費用。

減少 Token 壓力的技巧

定期壓縮：使用 /compact 總結冗長的對話。
精簡 Skills：保持 Skill 描述簡短，因為 Skill 列表會直接注入 Prompt。
處理輸出：在 Workflow 中修剪過大的 Tool 輸出。
模型選擇：進行大量發散式對話時，優先選擇較小的模型。

疑難排解

看不到美金成本？ 如果你使用的是 OAuth 認證，系統會隱藏成本資訊。請確保你在 models.providers.<provider>.models[].cost 中正確配置了每 1M Token 的單價。
Context 突然暴增？ 使用 /context detail 檢查是否有大型檔案被引入。
Cache 沒生效？ 確認你的模型支援 Prompt Caching，且 cacheRetention 已設定。

如果你需要針對特定的模型配置提供建議，可以詢問 AI Setup Assistant。

下一步

OpenClaw Expert

還是卡住了？

如果這篇文件沒有解決你的情境，直接問 OpenClaw Expert，拿到可執行步驟。