Part 7: 安全与成本

成本控制

Cost Control

API费用是OpenClaw运营的最大成本。不做控制，真的会一觉醒来收到$1,100的账单。

理解 Token

在深入成本控制策略之前，先理解 Token 是什么。Token 是 AI 模型处理文本的最小单位，也是计费的基本单位。

Token 换算

1 个英文单词 ≈ 1-2 tokens
1 个中文字 ≈ 1.5-2.5 tokens
1000 字中文 ≈ 2000-2500 tokens

费用结构

AI 模型按输入和输出分别计费。以 Claude Sonnet 4 为例：

类型	价格（每百万 tokens）
输入（你发给 AI 的内容）	$3
输出（AI 回复的内容）	$15

实际花费举例

操作	大约 Token	大约费用（Claude Sonnet）
简单问答（一轮）	500 输入 + 200 输出	$0.004
写一篇 1000 字文章	1000 输入 + 2500 输出	$0.04
让 Agent 分析一个项目	5000 输入 + 3000 输出	$0.06
一天正常使用（3-5小时）	~50K 输入 + ~20K 输出	$0.45

月费估算：正常使用（每天 3-5 小时），使用 Claude Sonnet 大约 $10-30/月。如果优化得当（Fallback 链 + 国产模型），OpenClaw 可以比 ChatGPT Plus 的 $20/月更便宜，而且功能更强大。

为什么成本会失控

OpenClaw的Token消耗远超普通聊天场景。原因有几个：

每次Agent思考都是多轮推理：一个简单的任务可能触发5-10次API调用
Skills的描述会注入system prompt，增加每次请求的输入token
记忆系统（MEMORY.md + Daily Logs）会在每次请求中附带上下文
Agent 24/7运行，定时任务（cron）不断触发API调用
多轮思考 + 多工具调用的Token消耗可能是传统聊天的几十甚至上百倍

Token 消耗的隐形杀手

很多人不知道，以下操作会大量消耗 Token：

系统提示词（System Prompt）：每次对话都会发送，占 10-30% 的 Token
文件读取：Agent 读取大文件时，整个内容计入输入 Token
对话历史：对话越长，每次发送的历史越多
工具调用：Agent 使用工具时，工具描述占额外 Token

这就是为什么 Token 优化非常重要——你以为只花了一条消息的钱，实际上背后有大量隐性消耗。

真实案例：社区中频繁出现的恐怖故事：用户设置了Agent处理邮件的cron任务，晚上睡觉前一切正常，第二天早上发现API账单暴涨到$1,100。原因是Agent在处理邮件时进入了循环推理，整晚不停调用API。

Token优化策略：Fallback链

Fallback链是OpenClaw最核心的省钱策略。原理很简单：主模型不可用时自动降级到更便宜的模型。但更聪明的用法是主动利用它来控制成本。

json

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "anthropic/claude-sonnet-4-6",
        "fallbacks": [
          "anthropic/claude-haiku-4-5",
          "deepseek/deepseek-chat"
        ]
      }
    }
  }
}

不同方案的成本对比

策略	主力模型	输入价格/百万token	相对成本
全用Claude Sonnet	Claude Sonnet 4.6	$3.00	100%（基准）
Sonnet + Haiku Fallback	Sonnet → Haiku	$3.00 / $1.00	约50-60%
Sonnet → Haiku → DeepSeek	三级Fallback	$3.00 / $1.00 / $0.14	约5-20%
纯DeepSeek	DeepSeek-V3	$0.14	约5%
本地Ollama	Qwen3-Coder等	$0	0%（仅电费）

从Claude Sonnet切换到「Sonnet → Haiku → DeepSeek」三级Fallback链，可以降低80-95%的API成本。大部分简单任务（问候、查天气、简单查询）会自动走最便宜的模型，只有复杂任务才会用到主力模型。

预算限制设置

OpenClaw支持在配置中设置预算上限：

json

{
  "agents": {
    "defaults": {
      "budget": {
        "maxTokensPerDay": 500000,
        "maxCostPerDay": 5.00
      }
    }
  }
}

核心建议

强烈建议所有用户都设置日预算上限。哪怕你不差钱，一个每日$5的上限也能在Agent进入循环推理时保护你的钱包。

本地模型：完全免费方案

通过Ollama或LM Studio运行本地模型，可以实现零API成本：

方案	推荐模型	硬件要求	适合场景
Ollama	Qwen3-Coder:32B / Devstral-24B	32GB RAM	代码任务、Agent工具调用
Ollama（轻量）	Llama 3.3 / DeepSeek-R1:14B	16GB RAM	简单对话、心跳任务
LM Studio	MiniMax M2.5 / Devstral-24B	32GB RAM	需要GUI管理的用户

bash

# Ollama安装和配置
ollama pull qwen3-coder:32b
# OpenClaw自动发现本地模型，只需设置环境变量
# OLLAMA_API_KEY可以是任意值

json

{
  "env": { "OLLAMA_API_KEY": "ollama-local" }
}

注意

使用Ollama时不要用 /v1 OpenAI兼容URL，会导致工具调用异常。让OpenClaw使用原生Ollama API即可自动发现模型。

服务器成本

相比API费用，服务器成本已经不是主要开销：

方案	月费	说明
阿里云轻量服务器	约¥6-9/月	新用户优惠，2vCPU+2GB即可运行
腾讯云Lighthouse	约¥8-12/月	类似方案，社区支持好
Fly.io	免费起步	有免费额度，适合轻度使用
本地电脑运行	¥0	利用现有设备，但需要保持开机

成本控制 ​

理解 Token ​

Token 换算 ​

费用结构 ​

实际花费举例 ​

为什么成本会失控 ​

Token 消耗的隐形杀手 ​

Token优化策略：Fallback链 ​

不同方案的成本对比 ​

预算限制设置 ​

本地模型：完全免费方案 ​

服务器成本 ​

成本优化推荐方案 ​

成本控制

理解 Token

Token 换算

费用结构

实际花费举例

为什么成本会失控

Token 消耗的隐形杀手

Token优化策略：Fallback链

不同方案的成本对比

预算限制设置

本地模型：完全免费方案

服务器成本

成本优化推荐方案