I Cut My OpenClaw Costs by 97%
摘要
OpenClaw 是一個可本地部署的 AI 個人助理平台，但其預設配置會造成嚴重的 token 浪費。作者透過四個優化步驟，將成本從每月 $70-90 降至 $3-5，並讓複雜的隔夜任務（14 個 sub-agent 跑 6 小時）只花 $6。核心觀點：AI agent 的預設配置優先考慮能力而非成本，使用者必須主動介入優化。
重點筆記
Part 1: Session Initialization — 停止每次載入 50KB 歷史
OpenClaw 的核心架構問題：每次訊息（包含心跳）都會載入全部 context files + session history。 隨著使用時間增長，context 從 50KB 膨脹到 75KB、100KB 甚至更大。作者透過 Slack 溝通時，發現系統把所有 Slack 歷史訊息（111KB 純文字）也一併送出。
解法：只在啟動時載入必要檔案，其餘按需載入。
具體策略：
- 啟動時只載入：
SOUL.md、USER.md、IDENTITY.md、memory/YYYY-MM-DD.md - 不自動載入：
MEMORY.md、Session history、Prior messages、Previous tool outputs - 需要歷史時用
memory_search()按需查詢 - 建立
new session指令清除 Slack session history，但保留重點到 memory
這一步就節省了 80% 的 context 開銷。
Part 2: Model Routing — 多模型分層路由
不要只用一個模型做所有事。 設定 config 讓不同複雜度的任務使用不同模型。
設定檔 ~/.openclaw/openclaw.json：
{
"agents": {
"defaults": {
"model": {
"primary": "anthropic/claude-haiku-4-5"
},
"models": {
"anthropic/claude-sonnet-4-5": {
"alias": "sonnet"
},
"anthropic/claude-haiku-4-5": {
"alias": "haiku"
}
}
}
}
}在 System Prompt 中加入路由規則：
MODEL SELECTION RULE:
Default: Always use Haiku
Switch to Sonnet ONLY when:
- Architecture decisions
- Production code review
- Security analysis
- Complex debugging/reasoning
- Strategic multi-project decisions
When in doubt: Try Haiku first.
路由結果的前後對比：
| 指標 | Before | After |
|---|---|---|
| 模型 | Sonnet for everything | Haiku by default |
| 每 1K tokens 成本 | $0.003 | $0.00025 |
| 月費 | $50-70 | $5-10 |
Part 3: Heartbeat to Ollama — 心跳改用免費本地 LLM
心跳只是檢查記憶體和任務狀態，不需要付費 API。 安裝 Ollama 並用 llama3.2:3b（2GB，輕量快速）處理心跳。
安裝：
# macOS / Linux
curl -fsSL https://ollama.ai/install.sh | sh
# 拉取輕量模型
ollama pull llama3.2:3bHeartbeat 設定：
{
"heartbeat": {
"every": "1h",
"model": "ollama/llama3.2:3b",
"session": "main",
"target": "slack",
"prompt": "Check: Any blockers, opportunities, or progress updates needed?"
}
}Part 4: Rate Limits & Budget Controls — 防止失控燒錢
在 System Prompt 中加入速率限制：
RATE LIMITS:
- 5 seconds minimum between API calls
- 10 seconds between web searches
- Max 5 searches per batch, then 2-minute break
- Batch similar work (one request for 10 leads, not 10 requests)
- If you hit 429 error: STOP, wait 5 minutes, retry
DAILY BUDGET: $5 (warning at 75%)
MONTHLY BUDGET: $200 (warning at 75%)
| Limit | 防止什麼 |
|---|---|
| 5s between API calls | 快速連續請求燒 token |
| 10s between searches | 昂貴的搜尋迴圈 |
| 5 searches max, then break | 失控的研究任務 |
| Batch similar work | 本來 1 次能做完的事做 10 次 |
Part 5: Workspace 檔案模板 — Keep It Lean
SOUL.md：定義 agent 核心原則和操作規則，包含 Model Selection 和 Rate Limits 摘要。
USER.md：提供使用者背景資訊和目標，包含 Success Metrics。
關鍵提醒：「Resist the urge to add everything to these files. Every line costs tokens on every request. Include only what the agent absolutely needs to make good decisions.」
整體成本影響
| 時間維度 | Before | After |
|---|---|---|
| Daily | $2-3 | $0.10 |
| Monthly | $70-90 | $3-5 |
| Yearly | $800+ | $40-60 |
實際應用案例
作者讓 OpenClaw 跑了一整夜的 B2B 業務開發任務：
- 14 個 sub-agent 同時運行
- Haiku：爬取網站、閱讀部落格、尋找目標企業
- Sonnet：撰寫 cold outreach 信件和 follow-up
- Ollama：整理檔案、組織 CSV
- 6 小時，$6（約 $1/小時）
- 同樣任務如果全用 Opus 大約要 $150
Token 審計與校準
- 在 Success Metrics 中加入「低 token 使用量」目標
- 每次任務前要求 AI 預估 token 消耗
- 任務完成後截圖 Anthropic dashboard 的實際用量餵回給 AI
- 做 3 次校準後達到 99% 預測準確度
- Caching 也很關鍵：有一次 95% 的 token 都是走 cached，大幅降低成本
我的想法
- 這個多模型路由的思路可以類推到 Claude Code 的使用：不需要每個任務都用 Opus，簡單任務用 Haiku 即可
- 「每次載入都有成本」的概念值得內化 — 適用於所有 context window 管理的場景
- Keep It Lean 原則很重要：context 檔案中的每一行在每次請求時都會消耗 token
- Token 審計 + 成本預測校準的循環方法論值得學習