跳转到主要内容

​
Token 用量与成本

OpenClaw 统计 tokens，而不是字符。token 与模型相关，但多数 OpenAI 风格模型对英文平均约 4 个字符/ token。

​
System prompt 如何构建

OpenClaw 每次运行都会组装自己的 system prompt，包含：
  • 工具列表 + 简短描述
  • Skills 列表（仅元数据；说明按需通过 read 加载）
  • 自更新指令
  • 工作区 + bootstrap 文件（AGENTS.md、SOUL.md、TOOLS.md、IDENTITY.md、USER.md、HEARTBEAT.md、新建时的 BOOTSTRAP.md）。大文件按 agents.defaults.bootstrapMaxChars 截断（默认：20000）。
  • 时间（UTC + 用户时区）
  • 回复标签 + heartbeat 行为
  • 运行时元数据（主机/OS/模型/思考模式）
完整拆解参见 System Prompt。

​
什么会计入上下文窗口

模型收到的所有内容都会计入上下文限制：
  • system prompt（上述所有部分）
  • 对话历史（用户 + 助手消息）
  • 工具调用与工具结果
  • 附件/转录（图片、音频、文件）
  • 压缩摘要与修剪产物
  • provider 包装或安全头（不可见，但仍计入）
要查看注入文件/工具/skills/system prompt 的实际构成，使用 /context list 或 /context detail。参见 Context。

​
如何查看当前 token 用量

在聊天中使用：
  • /status → 带 emoji 的状态卡，显示会话模型、上下文用量、最后一次回复输入/输出 token，以及 预估成本（仅 API key）。
  • /usage off|tokens|full → 每条回复附加 单次回复用量脚注。
    • 按会话持久化（存为 responseUsage）。
    • OAuth 认证 隐藏成本（仅 tokens）。
  • /usage cost → 从 OpenClaw 会话日志显示本地成本汇总。
其他入口：
  • TUI/Web TUI： 支持 /status + /usage。
  • CLI： openclaw status --usage 与 openclaw channels list 显示 provider 配额窗口（非逐条成本）。

​
成本估算（显示时）

成本按你的模型定价配置估算： 
models.providers.<provider>.models[].cost
这些是 input、output、cacheRead、cacheWrite 的 每 1M tokens USD 价格。若缺少定价，OpenClaw 仅显示 tokens。OAuth token 永不显示美元成本。

​
Cache TTL 与修剪影响

Provider 提示缓存只在 cache TTL 窗口内生效。OpenClaw 可选运行 cache-ttl 修剪：当 cache TTL 过期时修剪会话，然后重置缓存窗口，使后续请求复用新的缓存上下文而不是重写整个历史。这在会话超时闲置后可降低 cache 写入成本。 在 Gateway configuration 中配置，行为细节参见 Session pruning。 Heartbeat 可以在空闲间隔内保持缓存 温热。若模型 cache TTL 为 1h，将 heartbeat 间隔设置略小于该值（如 55m）可避免重新缓存完整 prompt，从而降低 cache 写入成本。 对于 Anthropic API 定价，cache 读取明显便宜于 input tokens，而 cache 写入按更高倍数计费。最新费率与 TTL 倍数请参考 Anthropic 的 prompt caching 定价： https://docs.anthropic.com/docs/build-with-claude/prompt-caching

​
示例：用 heartbeat 保持 1h 缓存

agents:
  defaults:
    model:
      primary: "anthropic/claude-opus-4-5"
    models:
      "anthropic/claude-opus-4-5":
        params:
          cacheControlTtl: "1h"
    heartbeat:
      every: "55m"

​
降低 token 压力的小技巧

  • 使用 /compact 总结长会话。
  • 在工作流中裁剪过大的工具输出。
  • 保持 skill 描述简短（skill 列表会注入 prompt）。
  • 在探索性、冗长工作中优先使用更小的模型。
技能列表开销的精确公式参见 Skills。