什么值得买App下载 App ›
连续签到专享现金活动

用了这个AI工具,账单疯涨!5个技巧实测能省96%

用 OpenClaw 的用户有个共同感受:同样一个问题,ChatGPT 可能几十个 token 就回了,OpenClaw 动不动几百上千,有时候一句话还没答完,账单先涨了一大截。这不是 OpenClaw 故意费钱,而是它的设计逻辑和普通聊天工具完全不同——它是"执行型 AI",要动手干活,不是动嘴回答。理解这一点,才能找到省钱的门道。1
一个"hi"消耗 16k token,钱烧在哪了?
OpenClaw 每次发请求,系统要往模型里塞一整套"工作环境"。有用户实测发现,一句简单的"hi"就占用了约 34,000 个字符,换算成 token 约 16k 到 20k。这 16k token 的固定"入场费"包括:身份定义、工具清单(30 多种工具的详细说明)、行为规范、记忆系统说明、平台格式适配规则等。这些内容几乎每轮请求都会重复发送,属于无法避免的基础消耗。2
真正烧钱的大头是上下文累积。 OpenClaw 依赖长上下文记忆实现连续任务,每一轮思考、工具调用、返回结果,全部历史对话与操作记录都会完整保留在上下文窗口,并在下一次请求中全部重新提交。会话时间越长,token 消耗呈指数级上升。5 轮对话的 token 消耗是单轮的 13 倍,20 轮时单轮成本已是第 1 轮的 100 倍。3
还有一个隐藏成本容易被忽视:工具调用的输出。你以为模型只是"调用一下工具",实际上工具输入加输出会全部重新塞回上下文。一次搜索结果可能几千字,读几个文件下来,上下文很快就撑大了,但用户感觉自己好像没说多少话。高清截图更夸张——分辨率越高,视觉 token 指数增长,一张高清长截图可能比连续聊半小时还烧钱。45
三板斧:/compact、换模型、关思考模式
最立竿见影的优化是定期压缩会话。 OpenClaw 自带 /compact 命令,可以把长对话压缩成一段摘要。实测压缩后上下文从 31k 直接降到 36,占用从 12% 变成 0%,每轮消耗重新开始计算。简单理解就是:对话越长历史负担越大,定期压缩能避免 token 像滚雪球一样越滚越大。什么时候该发?超过 50% 就可以动手,不用等系统提示快满了再用。6
第二个大招是按任务选模型。 不同模型的单价差异巨大——Claude Opus 4.5 输入 $15/M tokens,而 Gemini 3.0 Flash 只要 $0.075/M tokens,差了 200 倍。简单任务用 Haiku 价格大约是 Sonnet 的 1/5、Opus 的 1/25,查个基础信息用 Opus 相当于花请外科医生的钱来贴创可贴。整理文档、搜资料这些上便宜模型就行,只有写复杂代码、深度分析时才需要高端模型。37
第三个关键操作是关闭 Thinking/Reasoning 模式。 这个模式会让 token 消耗暴增 10 到 50 倍,因为模型会在内部进行一长串推理思考,这些思考过程本身是 token,而且按输出 token 计价。你看到的回复可能只有 500 个 token,但模型在背后已经消耗了 2000 甚至 5000 个 token 用于推理,这些隐藏 token 看不见,但账单上看得见。78
心跳配置和截图分辨率,也是省钱细节
OpenClaw 的心跳机制会定期检查邮件、日历、天气,默认每 30 分钟一次,每次触发都是一次携带完整上下文的 API 调用。有用户算过一笔账:如果心跳设置每 5 分钟一次,光 Heartbeat 一个月就能消耗 200 万 token,价值约 80 元。更高效的方案是改成 IMAP IDLE 实时监听,或者把心跳间隔设为 55 分钟,刚好赶在 1 小时缓存 TTL 过期前保热,避免重复写入整个提示缓存。79
截图密集型任务要注意分辨率设置。OpenClaw 默认的 imageMaxDimensionPx 是 1200,高清图片会直接拉高视觉 token 消耗。调到 800 或更低,视觉 token 消耗能砍半甚至更多,同时基本不影响正常使用体验。另外,读文件时只取需要的部分,不要一上来就读整个项目——"读取 src/auth.ts 第 20-80 行"比"读取整个项目"省得多。5
关于优化效果,不同用户的实测数据差距很大。有人通过模型分层把月成本从 500 元压到 20 元,降幅达 96%;有人综合配置后整体消耗降低 82%;还有人说三板斧(/compact、加便宜模型、关思考模式)基本不影响体验但能把账单砍掉大半。实际能省多少,取决于你的使用场景和任务类型——重度自动化用户和轻度尝鲜用户的优化空间不一样,先学会用 /status 看看钱花在哪,再针对性优化才高效。9107
优化手段预计节省幅度操作难度
定期 /compact 压缩会话30-50%零门槛,聊天框直接发命令
简单任务换便宜模型70-90%改配置文件或设置模型路由
关闭 Thinking 模式50-80%改配置文件
调整心跳间隔20-40%改配置或换监听模式
降低截图分辨率30-50%改一行参数
全网评论精华来自全网118条真实评论总结
观点1
本地部署硬件要求高

理由:多数用户反馈本地部署大模型需高性能GPU、大显存,甚至需多卡堆叠,普通硬件难以满足需求,如8G显存仅能跑小模型且速度慢,万元以下主机不建议本地部署

占比25%
观点2
云端使用更便捷经济

理由:不少用户认为云端部署无需高配置硬件,部分云端服务(如coding plan)价格低、使用方便,适合普通用户,直接调用云端即可满足需求

占比20%
观点3
本地部署速度慢

理由:大量用户反馈本地部署大模型运行速度慢,如旧电脑部署千问3-4B模型时误以为未连通,小模型在低配置硬件上运行仍存在速度问题

占比18%
观点4
模型部署有技术门槛

理由:用户反馈本地部署需掌握模型量化、显存优化、工具配置等技术,如需调整量化参数、使用特定工具(如ollama、vllm),普通用户难以快速上手

占比15%
观点5
多模型协同待优化

理由:部分用户反馈多模型协同运行存在问题,如本地模型与云端模型配合时出现延迟、资源占用异常,工具调用和任务调度需进一步优化

占比12%
观点6
coding plan性价比高

理由:不少用户认为coding plan类服务价格低、额度充足,足够普通用户日常使用,无需购买硬件部署本地模型

占比10%

评论

评论区空态插画

当前文章无评论,是时候发表评论了