Wie viel kostet OpenClaw pro Monat? Ein Budget in Tokens

Ein rund um die Uhr laufender OpenClaw-Assistent kostet so viel wie seine Tokens kosten: ungefähr steps per day × tokens per step × 30 days, je nach gewähltem Modell. Bei der unten beschriebenen Arbeitslast sind es pro Monat zig Millionen Input-Tokens und nur wenige Millionen Output-Tokens, also entscheidet der Modellpreis über den größten Teil der Rechnung. So bekommst du deine eigene Zahl in fünf Minuten.

Du richtest den Assistenten ein, er antwortet den ganzen Tag in deinen Chat-Kanälen, und die erste Frage ist immer dieselbe: Was kostet das am Monatsende? Niemand kann dir eine allgemeingültige Zahl nennen, denn OpenClaw berechnet dir alles, was es an das Modell sendet, und das hängt von deinem Setup ab. Also messen wir die Bestandteile.

Was OpenClaw bei jedem Schritt sendet#

Die OpenClaw-Dokumentation (Token-Use-Referenz, geprüft am 26. Oktober 2026 gegen Version 2026.9.3; die Seite trägt kein Veröffentlichungsdatum) besagt, dass der System-Prompt bei jedem Lauf neu erstellt wird. Er enthält die Tool-Liste, Skill-Metadaten, Workspace-Bootstrap-Dateien wie AGENTS.md und MEMORY.md, die aktuelle Zeit und Laufzeit-Metadaten. Injizierte Dateien sind durch agents.defaults.bootstrapMaxChars und bootstrapTotalMaxChars begrenzt.

Darüber hinaus zählt alles, was das Modell empfängt, zum Kontext: Verlauf, Tool-Aufrufe und ihre Ergebnisse, Anhänge und Kompaktierungs-Zusammenfassungen. Ein Schritt ist also nie „eine kurze Frage“. Es ist der gesamte Prompt plus die gesamte bisherige Konversation, und deshalb übersteigen die Input-Tokens die Output-Tokens bei Weitem. Falls die Idee, den Verlauf erneut zu senden, neu für dich ist, erklärt warum ein langer Chat mehr kostet es an einem kleinen Beispiel.

Zwei Details von derselben Seite sind für die Budgetierung wichtig. DMs teilen sich die Haupt-Session des Agenten, während jeder Gruppenchat seine eigene Session bekommt, sodass eine viel genutzte Gruppe ihren eigenen Verlauf aufbaut. Und Heartbeat-Turns können den Provider-Cache über Leerlaufphasen hinweg warm halten, aber jeder Heartbeat-Turn kostet trotzdem Tokens: Ein untätiger Assistent ist kein kostenloser Assistent.

Eine tägliche Arbeitslast, die du ändern kannst#

Es gibt keinen gemessenen „typischen OpenClaw-Tag“, den man zitieren könnte, also nimm eine Annahme und ersetze die Zahlen durch deine. Angenommen, dein Assistent macht 150 Modellaufrufe pro Tag (Nachrichten, Tool-Schritte, ein paar geplante Prüfungen). Angenommen, jeder Aufruf sendet etwa 12.000 Input-Tokens (System-Prompt, Verlauf, Tool-Ausgabe) und erhält etwa 600 Output-Tokens zurück.

• Pro Tag: 150 × 12.000 = 1.800.000 Input-Tokens und 150 × 600 = 90.000 Output-Tokens.
• Pro Monat (30 Tage): 1.800.000 × 30 = 54.000.000 Input und 90.000 × 30 = 2.700.000 Output.

Beachte die Form: Input ist zwanzigmal so viel wie Output. Das ist die normale Form für einen Agenten, und deshalb ist der Input-Preis eines Modells hier wichtiger als in einem Chat, in dem du kurze Fragen tippst und lange Antworten liest. Zum Unterschied zwischen den beiden Seiten siehe Input vs. Output Tokens.

Was dieser Monat auf drei Modellen kostet#

Hier ist derselbe Monat, 54.000.000 Input- und 2.700.000 Output-Tokens, live bepreist für die drei Modelle, die du über CheapTokens nutzen kannst. Input und Output werden zusammen gezählt, weil eine Anfrage für beides bezahlt. Insgesamt ist jedes von ihnen günstiger als OpenRouter, und die Tabelle zeigt beide Spalten nebeneinander.

In Zahlen: DeepSeek-V4-Flash kostet für den Monat $1.08, GLM-5.3-Flash $1.19 und MiniMax-M2.7 $3.11. Die dahinterstehenden Preise findest du auf der Preisseite und sie aktualisieren sich mit der Tabelle.

Welches solltest du wählen? DeepSeek-V4-Flash bietet ein 380K-Kontextfenster und bis zu 32.768 Output-Tokens pro Antwort zu einem rund um die Uhr gleichbleibenden Preis, was für lange Agenten-Sessions geeignet ist. GLM-5.3-Flash hat 390K Kontext und bis zu 8.192 Output-Tokens, gut geeignet für Routine- und explorative Schritte. MiniMax-M2.7 hat 180K Kontext und bis zu 8.192 Output-Tokens. Ein vollständiger Vergleich nach Aufgabe steht in das günstigste Modell für OpenClaw, also wiederhole ich es hier nicht.

Beobachte die Rechnung von OpenClaw aus#

OpenClaw kann dir zeigen, was du ausgibst, während du es ausgibst. Laut Dokumentation zeigt /status das Session-Modell, die Kontextnutzung, die Input- und Output-Tokens der letzten Antwort und geschätzte Kosten. /usage off|tokens|full fügt jeder Antwort eine Fußzeile hinzu, und /usage cost fasst die Kosten aus den Session-Logs zusammen.

Eine kleine Angewohnheit, die funktioniert: Führe einen Tag lang /usage tokens aus. Nach ein paar Dutzend Antworten siehst du deinen echten Input pro Schritt, und du kannst ihn in die obige Formel einsetzen statt meiner 12.000.

Ein Vorbehalt aus der Dokumentation. Die Kostenschätzung stammt aus den cost-Werten, die du pro Modell in models.providers.<provider>.models[] festlegst (USD pro 1M Tokens: Input, Output, Cache-Lesen, Cache-Schreiben). Wenn du sie weglässt oder alte Zahlen kopierst, ist die Schätzung falsch, während vom Anbieter in Rechnung gestellte Beträge Vorrang vor der Katalogschätzung haben. Setze sie aus der aktuellen Tabelle und vergleiche dann /status mit deinem Guthaben nach einem Tag.

Vier Gewohnheiten, die den Monat schrumpfen lassen#

Die Dokumentation listet die Möglichkeiten auf, den Druck auf den Kontext zu verringern. Hier sind sie mit dem, was sie mit der Arithmetik machen.

1. Führe /compact bei langen Sessions aus. Es fasst den Verlauf zusammen, sodass die nächsten Schritte eine Zusammenfassung erneut senden statt alles. Angenommen, es senkt den durchschnittlichen Input pro Schritt von 12.000 auf 8.000.
2. Kürze große Tool-Ausgaben. Ein Tool, das eine ganze Datei oder eine Seite Logs zurückgibt, wird bei jedem folgenden Schritt erneut gesendet. Kürze es, bevor es in die Session gelangt.
3. Verkleinere Bilder. Bei screenshot-lastigen Sessions verringere imageMaxDimensionPx.
4. Halte Skill-Beschreibungen kurz und nutze ein kleineres Modell für ausführliche Exploration.

Hier ist, was Gewohnheit 1 mit demselben Assistenten macht. Mit 8.000 Input-Tokens pro Schritt sind es pro Monat 150 × 8.000 × 30 = 36.000.000 Input und weiterhin 2.700.000 Output. Auf DeepSeek-V4-Flash sind das $0.81 statt $1.08. Die Antworten sind gleich lang, also kommt die Ersparnis vollständig von der Input-Seite.

Setze ein Budget, das du nicht überschreiten kannst#

Arbeite rückwärts. Entscheide, was du auszugeben bereit bist, lade das Guthaben um diesen Betrag auf und behandle das vorausbezahlte Guthaben als Obergrenze: Wenn es aufgebraucht ist, stoppen die Anfragen. Prüfe dann deine tatsächliche Nutzung nach dem ersten Tag mit /status, multipliziere mit 30 und vergleiche mit der obigen Tabelle.

Eine einfache Routine:

1. Wähle das Modell aus der Tabelle, das zu deiner Aufgabe passt.
2. Führe einen normalen Tag mit aktiviertem /usage tokens durch.
3. Ersetze 150 und 12.000 in der Formel durch das, was du gesehen hast.
4. Lies die ::cost-Tabelle mit deinen Zahlen erneut und lade entsprechend auf.

Wenn du OpenClaw noch nicht verbunden hast, führt wie man OpenClaw mit CheapTokens verbindet durch die Konfiguration in ~/.openclaw/openclaw.json, und die Dokumentation enthält die API-Adresse und die Modell-IDs. Für einen breiteren Blick auf Agenten-Budgets siehe wie man die Kosten eines KI-Agenten schätzt.