关键词：OpenClaw Token优化、AI Agent成本控制、Prompt Caching、上下文压缩、模型路由

---

前言：你付的钱比你以为的多得多

用 AI Agent 一段时间，很多人发现账单比预期高，却不知道钱花在哪。

本文基于 2026 年 3 月的实测数据，系统分析 OpenClaw 的 Token 消耗机制，给出完整的降本方案。

核心公式：Token 花费 = 上下文体积 × 对话轮数

实测结果：每轮固定开销从 ~11,500 token 降到 ~6,500 token，降幅 43%，折算年省约 $162（Claude Sonnet，每日 30 轮）。

---

一、Token 消耗模型

1.1 单次请求的完整成本构成

用户输入（你打的字）        ← 你以为这是全部，实际只占约 0.1%
├── 系统提示词（人格固件）  ← 每轮重复发送，10,000-50,000+ tokens
├── 对话历史（全量重发）    ← 随轮数线性增长，第30轮可超 200,000 tokens
├── 工作区文件注入         ← 核心配置文件，最高 35,600 tokens
├── 工具调用输出（永驻）   ← 读文件/搜索的结果，永久留在历史
└── 后台隐式任务           ← 标题生成、标签分类等，4-5 个不可见请求

1.2 对话轮数的雪球效应

实测数据（含工具调用膨胀）：

轮次	实测消耗
第 1 轮	~2,100 tokens
第 5 轮	~22,000 tokens
第 20 轮	~102,000 tokens
第 30 轮	~200,000+ tokens

第 30 轮的消耗是第 1 轮的 100 倍——这是最容易被忽视的成本来源。

1.3 七大吞金点

编号	消耗项	占比	特点
1	对话历史累积	~40-50%	随轮数增长，最大单项
2	系统提示词（SOUL/AGENTS/USER.md）	~15%	每轮固定重发
3	后台隐式任务（标题/标签/建议）	~10%	用户不可见
4	工具调用输出永驻	~10-20%	读文件后永久留存
5	工作区文件注入	~5-10%	每条消息都携带
6	心跳任务	可变	频率越高越贵
7	系统提示词重复 Bug	可变	某些版本会重复发送

---

二、实测优化方案（五台手术）

手术一：合并重复规则

坑：多个 Rule 文件内容高度重叠，每轮都被加载多次

为什么踩：分开写的时候觉得各有侧重，后来内容越来越重叠，也没有主动合并。

# 诊断：检查是否有重复的 Rule 文件
ls -la ~/.openclaw/workspace/

# 操作：合并内容相近的文件
cat ~/.openclaw/workspace/rule-a.md >> ~/.openclaw/workspace/SOUL.md
rm ~/.openclaw/workspace/rule-a.md

解决方案：检查 Rule 文件，找到高度重叠的，合并成一个，删掉冗余。

节省：~800 tokens/轮

---

手术二：Rules 降级为按需加载

坑：6 条规则全部 always-on，大多数时候用不上

为什么踩：想着「万一用到呢」，就全部设成常驻。但其中 3 条（企微通知、双写同步、产出归档）只在特定场景才需要。

// openclaw.json 配置示例
{
  "rules": [
    {
      "file": "SOUL.md",
      "load": "always"        // 核心规则，始终加载
    },
    {
      "file": "wechat-push.md",
      "load": "on_demand",    // 只在需要时加载
      "trigger": ["企微", "推送", "通知"]
    },
    {
      "file": "archive.md",
      "load": "on_demand",
      "trigger": ["归档", "保存", "存档"]
    }
  ]
}

解决方案：核心规则 always-on，其余改为按需加载，靠关键词触发。出门不需要同时带护照驾照身份证，日常只带身份证就够了。

节省：~1,200 tokens/轮

---

手术三：Memory 瘦身

坑：20+ 条记忆，一半已过时还每轮都在加载

为什么踩：每次添加记忆，但很少清理。记忆越堆越多，过时的信息一直在跑。

# 查看当前记忆条目数量
grep "^- " ~/.openclaw/workspace/MEMORY.md | wc -l

# 删除标准：
# 1. 超过 30 天未被引用的信息
# 2. 与当前项目无关的历史信息
# 3. 已经写入专项文件的重复信息
# 4. 已经过时的规则或结论

解决方案：从 20+ 条精简到 13 条，定期维护，不让记忆无限膨胀。

节省：~1,500 tokens/轮

---

手术四：知识地图两级架构

坑：863 行的知识索引文件每次全量加载

为什么踩：一个文件装所有知识，「以防万一」每次都全量带上。

<!-- 优化前：KNOWLEDGE-MAP.md 863 行，全量加载 -->

<!-- 优化后：分为两层 -->

<!-- L1：精简路由表（~200 行，始终加载） -->
# Knowledge Map

## 快速索引
- AI Agent 相关 → ./knowledge/ai-agent/README.md
- 产品设计相关 → ./knowledge/product/README.md
- 技术实现相关 → ./knowledge/tech/README.md

<!-- L2：各域详细内容（仅在需要时读取） -->

解决方案：拆成路由表 + 域文件。不需要把整本黄页带在身上，带个索引页，用到哪页再翻。

节省：~1,500 tokens/轮

---

手术五：Rules 内容精简

坑：always-on 的规则文件本身也有赘肉

为什么踩：写规则的时候追求表达完整，用了很多说明性文字，实际很多是冗余的。

<!-- 优化前（冗长版本，约 50 字） -->
## 输出格式规则
当用户要求输出内容时，你需要确保输出的内容格式清晰、
结构合理、层次分明，并且符合相应场景的要求。
在技术文档场景下，应该使用 Markdown 格式...

<!-- 优化后（精简版本，约 15 字） -->
## 输出格式
- 技术文档：Markdown
- 分析报告：结论先行，数据支撑
- 代码：带注释，语言标注

解决方案：346 行 → 261 行，把废话删掉，只保留指令本体。

节省：~600 tokens/轮

---

优化汇总

优化项目              | 节省 (token/轮)
---------------------|----------------
合并重复规则          | ~800
Rules 降级按需        | ~1,200
Memory 瘦身           | ~1,500
知识地图两级架构      | ~1,500
Rules 内容精简        | ~600
---------------------|----------------
合计                  | ~5,600

优化前: ~11,500 tokens/轮
优化后: ~6,500 tokens/轮
降幅: 43%

---

三、六大通用省钱技巧

技巧一：/compact 上下文压缩

# 在对话中输入
/compact 保留关于数据库设计的讨论

# 效果：对话历史从完整内容压缩为摘要
# 节省：30-50%
# 最佳时机：对话超过10轮，或准备切换到新话题

技巧二：任务分解

# 错误示范：在一个对话里完成所有事
# "帮我做一个完整的用户认证系统"
# → 50轮对话 → ~300万 token

# 正确示范：拆成独立对话
subtasks = [
    "实现用户注册接口",           # ~10轮 → ~15万 token
    "实现用户登录和 JWT",         # ~8轮  → ~12万 token
    "实现密码重置流程",           # ~8轮  → ~12万 token
    "集成 OAuth2.0 第三方登录",   # ~12轮 → ~20万 token
]
# 合计：~59万 token，节省 80%

技巧三：精准提问模板

## 低效提问（~300 tokens）
"我在做一个 React TypeScript 项目，
 有个组件叫 UserProfile，里面有个 bug，
 就是头像那里，加载失败的时候会白屏，
 你能帮我看看是什么问题吗？"

## 高效提问（~50 tokens）
"修复 src/components/UserProfile.tsx 中：
 头像加载失败时显示白屏（应显示默认头像）"

精准提问三原则：

1. 先说文件路径
2. 先说结论（问题是什么），再说背景
3. 一次只问一件事

技巧四：LSP 集成

# VSCode 安装 LSP 插件示例
# Python:
code --install-extension ms-python.python

# Go:
code --install-extension golang.go

# 效果对比
# 无 LSP：搜索函数定义 → 读取多个文件 → ~15,000 tokens
# 有 LSP：精确跳转到定义 → ~500 tokens
# 节省：30-40%（被动优化，无需任何操作）

技巧五：Prompt Caching 配置

# Anthropic SDK 手动配置缓存（如果需要精细控制）
import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=1024,
    system=[
        {
            "type": "text",
            "text": "你的系统提示词...",
            "cache_control": {"type": "ephemeral"}  # 启用缓存
        }
    ],
    messages=[{"role": "user", "content": "用户输入"}]
)

# 查看缓存命中情况
print(response.usage.cache_read_input_tokens)     # 命中缓存的 tokens
print(response.usage.cache_creation_input_tokens) # 创建缓存的 tokens

各平台折扣率：

平台	缓存命中价格	正常价格	折扣
Claude	$0.30/M	$3.00/M	90% off
OpenAI	$0.75/M	$1.50/M	50% off
DeepSeek	$0.035/M	$0.14/M	75% off

技巧六：模型路由策略

# 根据任务类型选择模型的决策逻辑
def select_model(task_type: str) -> str:
    routing = {
        "architecture_design": "claude-opus-4-5",   # $15/M tokens
        "complex_coding": "claude-sonnet-4-5",       # $3/M tokens
        "simple_coding": "claude-haiku-3-5",         # $0.25/M tokens
        "text_formatting": "claude-haiku-3-5",       # $0.25/M tokens
        "data_processing": "deepseek-chat",          # ¥1/M tokens
    }
    return routing.get(task_type, "claude-sonnet-4-5")

# 价格对比（100万 tokens）
# Claude Opus:   $15.00
# Claude Sonnet: $3.00
# Claude Haiku:  $0.25
# DeepSeek V3:   ¥1.33 (~$0.18)

---

四、监控与预算设置

设置每日 Token 预算

// ~/.openclaw/openclaw.json
{
  "budget": {
    "daily_token_limit": 500000,
    "alert_threshold": 0.8,
    "hard_stop": true
  }
}

Token 使用监控

# 查看今日消耗
openclaw stats --today

# 查看各对话消耗排名
openclaw stats --top-conversations --limit 10

# 查看按模型分类的消耗
openclaw stats --by-model --since "7 days ago"

---

五、优化效果参考

优化措施	节省比例	实现难度	建议优先级
模型路由	50-80%	⭐	最高
/compact 习惯	30-50%	⭐	高
任务分解	40-60%	⭐⭐	高
Prompt Caching	60-90%	⭐ (自动)	高
精准提问	20-30%	⭐⭐	中
LSP 集成	30-40%	⭐ (被动)	中
Memory 瘦身	10-20%	⭐⭐⭐	中
Rules 按需加载	10-15%	⭐⭐⭐	低

---

常见问题 Q&A

Q：这些优化都做完需要多久？

A：六大技巧（/compact、任务拆分、精准提问、LSP、Caching、模型路由）今天就能用，不需要任何配置。五台手术（合并规则、按需加载、Memory 瘦身、知识地图拆分、内容精简）一次性做完约 1-2 小时，之后维护成本很低。

Q：Memory 清理会不会把重要信息删掉？

A：清理之前先做备份。清理标准：超过 30 天未被引用、与当前项目无关、已经写入专项文件的重复信息。保守一点，只删明显过时的，其余保留。

Q：心跳频率怎么设置比较合理？

A：30 分钟到 60 分钟一次是比较常见的配置。如果不需要实时监控，60 分钟比 30 分钟能省约一半的心跳开销。

---

更多内容请关注公众号【一深思AI】