AI Agent 的成本優化策略
AI Agent 平台（如 OpenClaw）的預設配置優先考慮能力而非成本效率，導致大量 token 浪費在非必要操作上。優化成本的核心策略有四個層次：
- Context 瘦身：不要每次請求都載入所有檔案和歷史訊息，只載入必要的 context，其餘按需查詢。這一步通常能節省最多（可達 80%）。
- 多模型路由：依任務複雜度分配不同模型（Haiku 處理簡單任務、Sonnet 處理中等任務、Opus 只用於最複雜的推理），而非所有任務都用最貴的模型。
- 本地 LLM 處理低價值操作：心跳檢查、檔案整理等「無腦任務」用免費的本地模型（如 Ollama）處理，閒置成本降為零。
- 免費模型選項：Kimi K2.5 可透過 Ollama cloud model 方式免費運行，擅長 coding（特別是 UI 開發），適合作為 coding sub-agent；Minimax 2.1 支援 OAuth 登入（免手動設定 API key），提供 7 天免費使用期。兩者可搭配使用——token 用完時互相切換。
- 速率限制與預算控制：設定 API 呼叫間隔、每日/月預算上限，防止失控燒錢。
這四個策略是獨立且可疊加的，各自針對不同的成本驅動因素。
成本失控的反面案例：$120 過夜災難
一個用戶設定 agent 安裝 Python 套件，一個 pip install 失敗後，agent 連續重試 6 小時（用戶在睡覺），沒有 max retry 也沒有 timeout。隔天起床發現 $120 帳單——全部花在一個永遠不會成功的錯誤上。
防止失控的三條規則：
- 失敗 3 次後停止 — 防無限重試迴圈
- 設定最大執行時間 — 任務不能無限跑
- 睡前檢查 dashboard — 確認沒有卡住的任務
為什麼重要
AI Agent 的價值在於自動化和持續運行，但如果每小時成本過高，就會限制它的實用性。從每月 $70-90 降到 $3-5 的差距，決定了你能否真正讓 agent 長期運行。成本優化不是犧牲能力，而是把正確的能力放在正確的任務上。