## API 使用成本概述
使用 OpenClaw 连接云端 AI 模型时，每次对话都会产生 API 调用费用。不同模型的价格差异巨大——选对模型可以节省 90% 以上的成本。
### 主流模型价格对比
以下是 2025 年主流模型的大致价格（每百万 Token）：
| 模型 | 输入价格 | 输出价格 | 综合评价 |
|------|---------|---------|---------|
| GPT-4o | $2.50 | $10.00 | 能力强，价格中等 |
| GPT-4o-mini | $0.15 | $0.60 | 性价比极高 |
| Claude 3.5 Sonnet | $3.00 | $15.00 | 能力强，价格较高 |
| Claude 3.5 Haiku | $0.80 | $4.00 | 快速且便宜 |
| DeepSeek V3 | ¥1.00 | ¥2.00 | 国内首选，极便宜 |
| 通义千问 Plus | ¥0.80 | ¥2.00 | 国内可用，便宜 |
| Ollama 本地模型 | 免费 | 免费 | 零成本，需要硬件 |
> 💡 价格会随时变化，以各提供商官网为准。这里只是给你一个量级感受。
### 一次对话花多少钱？
假设一次普通对话：
- 系统提示词（SOUL.md + Skills 等）：约 2000 Token
- 对话历史：约 3000 Token
- 你的消息：约 200 Token
- AI 回复：约 500 Token
**总计约 5700 Token**
| 模型 | 这次对话的成本 |
|------|--------------|
| GPT-4o | 约 $0.018（约 ¥0.13） |
| GPT-4o-mini | 约 $0.001（约 ¥0.007） |
| DeepSeek V3 | 约 ¥0.007 |
| Ollama 本地 | ¥0 |
看起来单次很便宜，但如果每天对话 100 次，一个月下来：
| 模型 | 月成本估算 |
|------|-----------|
| GPT-4o | 约 ¥390/月 |
| GPT-4o-mini | 约 ¥21/月 |
| DeepSeek V3 | 约 ¥21/月 |
| Ollama 本地 | ¥0/月（电费另算） |
## Token 计算方式
### 什么是 Token
Token 是 AI 模型处理文本的基本单位。它不等于字数：
- 英文：1 个单词 ≈ 1-2 个 Token
- 中文：1 个汉字 ≈ 1-2 个 Token
- 代码：变化较大，符号和关键字各占 1 个 Token
### 输入 Token vs 输出 Token
每次 API 调用的 Token 消耗分两部分：
```
输入 Token（你发给模型的）：
├── 系统提示词（SOUL.md、AGENTS.md、Skills 等）
├── 对话历史（之前的消息和回复）
└── 你的新消息
输出 Token（模型回复的）：
└── AI 生成的回复文本
```
**输出 Token 通常比输入 Token 贵 2-5 倍**，因为生成文本比理解文本消耗更多算力。
### 隐藏的 Token 消耗
除了你看到的对话内容，还有一些"隐藏"的 Token 消耗：
| 来源 | 大约 Token 数 | 说明 |
|------|-------------|------|
| SOUL.md | 100-500 | 取决于人设文件长度 |
| AGENTS.md | 200-1000 | 取决于项目说明长度 |
| 每个 Skill | 24+ | 每个技能的描述 |
| MEMORY.md | 100-500 | 长期记忆内容 |
| 工具定义 | 50-200 | 可用工具的描述 |
| 工具调用结果 | 变化大 | 搜索结果、文件内容等 |
安装 20 个 Skill，仅 Skill 描述就占用约 500 Token。
## 使用量追踪
### 查看使用量
OpenClaw 内置了使用量追踪功能：
```bash
# 查看使用量统计
openclaw status
```
输出示例：
```
Token Usage (Today):
Input: 45,230 tokens
Output: 12,450 tokens
Total: 57,680 tokens
Token Usage (This Month):
Input: 1,234,567 tokens
Output: 345,678 tokens
Total: 1,580,245 tokens
```
### 配置使用量追踪
在 `openclaw.json` 中启用详细追踪：
```json
{
"usageTracking": {
"enabled": true,
"logLevel": "detailed"
}
}
```
| 日志级别 | 记录内容 |
|----------|---------|
| `basic` | 每日总量 |
| `detailed` | 每次请求的 Token 数 |
| `verbose` | 包含模型、耗时等详细信息 |
### 设置使用量告警
```json
{
"usageTracking": {
"enabled": true,
"alerts": {
"dailyLimit": 100000,
"monthlyLimit": 3000000
}
}
}
```
当使用量接近限制时，OpenClaw 会发出警告。
## Prompt 缓存
Prompt 缓存（Prompt Caching）是一种节省成本的技术——当多次请求包含相同的前缀内容时，模型提供商可以缓存这部分内容，后续请求只需要处理变化的部分。
### 工作原理
```
第一次请求：
[系统提示词 2000 Token] + [对话历史 3000 Token] + [新消息 200 Token]
→ 全部计费：5200 Token
第二次请求（系统提示词相同）：
[缓存命中 2000 Token] + [对话历史 3200 Token] + [新消息 150 Token]
→ 缓存部分半价或免费，实际计费减少
```
### 哪些提供商支持
| 提供商 | 缓存支持 | 折扣 |
|--------|---------|------|
| Anthropic | ✅ | 缓存命中部分 90% 折扣 |
| OpenAI | ✅ | 缓存命中部分 50% 折扣 |
| DeepSeek | ✅ | 缓存命中部分有折扣 |
| Ollama | — | 本地模型无需缓存 |
### 如何利用缓存
缓存对你来说是**自动的**——只要你的系统提示词（SOUL.md、AGENTS.md 等）保持不变，提供商会自动缓存这部分内容。
优化建议：
- 保持系统提示词稳定，不要频繁修改
- 把不常变的内容放在提示词前面
- 长对话比短对话更能受益于缓存
## 模型选择对成本的影响
选择合适的模型是成本优化的最大杠杆。
### 按场景选模型
| 场景 | 推荐模型 | 原因 |
|------|---------|------|
| 日常闲聊 | GPT-4o-mini / DeepSeek | 便宜够用 |
| 代码编写 | GPT-4o / Claude 3.5 Sonnet | 需要强推理能力 |
| 简单问答 | DeepSeek / 通义千问 | 极便宜 |
| 数据分析 | GPT-4o | 需要准确的数学能力 |
| 翻译 | DeepSeek / GPT-4o-mini | 翻译不需要最强模型 |
| 隐私敏感 | Ollama 本地模型 | 数据不出本地 |
### 混合模型策略
使用故障转移机制实现"智能选模型"：
```json
{
"model": {
"provider": "deepseek",
"model": "deepseek-chat",
"fallback": [
{
"provider": "openai",
"model": "gpt-4o-mini"
}
]
}
}
```
日常用 DeepSeek（便宜），DeepSeek 不可用时自动切换到 GPT-4o-mini。
## 成本优化建议
### 1. 选择合适的模型
这是最有效的优化手段。GPT-4o 和 GPT-4o-mini 的能力差距在大多数日常场景中感知不大，但价格差 15 倍以上。
### 2. 控制上下文长度
- 及时开始新会话（`/new`），避免单个会话积累过多历史
- 长对话会导致每次请求都携带大量历史 Token
### 3. 使用对话压缩
确保 compaction 开启，用便宜模型做摘要：
```json
{
"compaction": {
"enabled": true,
"model": "gpt-4o-mini"
}
}
```
### 4. 精简 Skills
每个 Skill 约占 24+ Token。如果你安装了 30 个 Skill 但只常用 5 个：
```bash
# 查看已安装技能
clawhub list
# 卸载不用的
clawhub uninstall rarely-used-skill
```
### 5. 精简系统提示词
SOUL.md 和 AGENTS.md 越长，每次请求的固定开销越大。建议：
- SOUL.md 控制在 200-500 字
- AGENTS.md 只保留必要的项目信息
- 不要在提示词中放大段示例代码
### 6. 使用本地模型
Ollama 运行本地模型，**零 API 成本**：
```bash
# 安装 Ollama
curl -fsSL https://ollama.com/install.sh | sh
# 下载模型
ollama pull qwen2.5:7b
# 配置 OpenClaw 使用 Ollama
```
```json
{
"model": {
"provider": "ollama",
"model": "qwen2.5:7b"
}
}
```
本地模型的代价是需要 GPU 或较强的 CPU，且能力通常不如云端大模型。
### 7. 压缩模型用便宜的
对话压缩（compaction）会额外调用一次模型来生成摘要。用便宜模型做压缩：
```json
{
"compaction": {
"model": "deepseek-chat"
}
}
```
## 成本计算器
快速估算月成本的公式：
```
月成本 = 每次对话 Token 数 × 每日对话次数 × 30 × 单价
示例（DeepSeek，每天 50 次对话）：
= 5700 Token × 50 × 30 × ¥0.002/千Token
= 8,550,000 Token × ¥0.002/千Token
= ¥17.1/月
```
## 常见问题
### 为什么我的 Token 消耗比预期高？
常见原因：
1. 工具调用返回了大量数据（如搜索结果、文件内容）
2. 安装了太多 Skill
3. 对话历史太长没有及时开新会话
4. AGENTS.md 或 SOUL.md 内容过长
### 本地模型真的免费吗？
API 调用免费，但需要考虑：
- 硬件成本（GPU 或高性能 CPU）
- 电费
- 推理速度较慢
对于个人用户，一台带 8GB 显存的 GPU 就能流畅运行 7B 参数的模型。
### 如何在不降低质量的前提下省钱？
最佳策略是**分场景用不同模型**：
- 简单任务用便宜模型（DeepSeek、GPT-4o-mini）
- 复杂任务用强模型（GPT-4o、Claude 3.5 Sonnet）
- 通过故障转移配置自动切换
## 小结
- 不同模型价格差异巨大，选对模型是最大的优化杠杆
- Token 分输入和输出，输出通常更贵
- Prompt 缓存可以自动节省重复内容的费用
- 控制上下文长度、精简 Skills 和提示词能有效降低成本
- 本地模型（Ollama）是零 API 成本的终极方案
#API成本管理 #Token计算 #使用量追踪 #成本优化 #龙虾技能库