Magkano ang gastos ng OpenClaw bawat buwan? Isang budget sa tokens

Ang isang laging-naka-ong OpenClaw assistant ay nagkakahalaga ng kung magkano ang token nito: humigit-kumulang steps per day × tokens per step × 30 days, na pinresyo ng modelong pipiliin mo. Sa workload sa ibaba, ang isang buwan ay sampu-sampung milyong input token at ilang milyong output token lamang, kaya ang presyo ng modelo ang nagtatakda ng karamihan ng bayarin. Narito kung paano makuha ang sarili mong numero sa loob ng limang minuto.

Ise-set up mo ang assistant, sasagot ito sa iyong mga chat channel buong araw, at ang unang tanong ay palaging pareho: magkano ito sa katapusan ng buwan? Walang makapagbibigay sa iyo ng pangkalahatang numero, dahil sinisingil ka ng OpenClaw para sa anumang ipinapadala nito sa modelo, at nakadepende iyon sa iyong setup. Kaya't sukatin natin ang mga bahagi.

Ano ang ipinapadala ng OpenClaw sa bawat hakbang#

Sinasabi ng OpenClaw docs (token-use reference, sinuri noong 26 Oktubre 2026 laban sa bersyon 2026.9.3; walang petsa ng publikasyon ang pahina) na ang system prompt ay muling binubuo sa bawat run. Naglalaman ito ng listahan ng tool, metadata ng skills, workspace bootstrap files tulad ng AGENTS.md at MEMORY.md, ang kasalukuyang oras at runtime metadata. Ang mga injected file ay nililimitahan ng agents.defaults.bootstrapMaxChars at bootstrapTotalMaxChars.

Bukod dito, lahat ng natatanggap ng modelo ay binibilang sa context: history, tool calls at ang kanilang mga resulta, attachments at compaction summaries. Kaya ang isang hakbang ay hindi kailanman "isang maikling tanong". Ito ang buong prompt kasama ang buong usapan sa ngayon, at iyon ang dahilan kung bakit ang input tokens ay mas malaki kaysa sa output tokens. Kung bago sa iyo ang ideya ng muling pagpapadala ng history, ipinapaliwanag ito ng bakit mas mahal ang mahabang chat sa isang maliit na halimbawa.

Dalawang detalye mula sa parehong pahina ang mahalaga para sa budgeting. Ang mga DM ay nagbabahagi ng pangunahing session ng agent, habang ang bawat group chat ay may sariling session, kaya ang abalang grupo ay nagpapalaki ng sarili nitong history. At ang mga heartbeat turn ay maaaring panatilihing mainit ang provider cache sa mga idle gap, ngunit ang bawat heartbeat turn ay gumagastos pa rin ng tokens: ang isang idle assistant ay hindi libreng assistant.

Isang pang-araw-araw na workload na maaari mong baguhin#

Walang nasusukat na "karaniwang araw ng OpenClaw" na maaaring sipiin, kaya kumuha ng palagay at palitan ang mga numero ng sa iyo. Sabihin nating ang iyong assistant ay gumagawa ng 150 model calls sa isang araw (mga mensahe, tool steps, ilang naka-iskedyul na pagsusuri). Sabihin nating ang bawat call ay nagpapadala ng humigit-kumulang 12,000 input tokens (system prompt, history, tool output) at nakakakuha ng humigit-kumulang 600 output tokens.

• Bawat araw: 150 × 12,000 = 1,800,000 input tokens at 150 × 600 = 90,000 output tokens.
• Bawat buwan (30 araw): 1,800,000 × 30 = 54,000,000 input at 90,000 × 30 = 2,700,000 output.

Pansinin ang hugis: ang input ay dalawampung beses ng output. Iyon ang normal na hugis para sa isang agent, at iyon ang dahilan kung bakit ang input price ng isang modelo ay mas mahalaga dito kaysa sa isang chat kung saan nagta-type ka ng maiikling tanong at nagbabasa ng mahabang sagot. Para sa pagkakaiba ng dalawang panig, tingnan ang input vs output tokens.

Magkano ang buwang iyon sa tatlong modelo#

Narito ang parehong buwan, 54,000,000 input at 2,700,000 output tokens, na live na pinresyo para sa tatlong modelong maaari mong gamitin sa pamamagitan ng CheapTokens. Ang input at output ay binibilang nang magkasama, dahil ang isang request ay nagbabayad para sa pareho. Sa kabuuan, ang bawat isa sa kanila ay lumalabas na mas mura kaysa sa OpenRouter, at ipinapakita ng talahanayan ang dalawang column nang magkatabi.

Sa mga numero: ang DeepSeek-V4-Flash para sa buwan ay $1.08, ang GLM-5.3-Flash ay $1.19, at ang MiniMax-M2.7 ay $3.11. Ang mga presyong nasa likod nila ay nasa pricing page at nag-a-update kasama ng talahanayan.

Alin ang pipiliin? Ang DeepSeek-V4-Flash ay nagbibigay sa iyo ng 380K context window at hanggang 32,768 output tokens bawat sagot sa isang presyo sa buong araw, na angkop para sa mahabang agent sessions. Ang GLM-5.3-Flash ay may 390K context at hanggang 8,192 output tokens, mainam para sa routine at exploratory steps. Ang MiniMax-M2.7 ay may 180K context at hanggang 8,192 output tokens. Ang buong paghahambing ayon sa gawain ay nasa ang pinakamurang modelo para sa OpenClaw, kaya hindi ko na ito uulitin dito.

Panoorin ang bayarin mula sa loob ng OpenClaw#

Maaaring ipakita sa iyo ng OpenClaw ang iyong ginagastos habang ginagastos mo ito. Ayon sa docs, ipinapakita ng /status ang session model, context usage, ang input at output tokens ng huling tugon at isang tinatayang gastos. Ang /usage off|tokens|full ay nagdaragdag ng footer sa bawat tugon, at ang /usage cost ay nagbubuod ng gastos mula sa session logs.

Isang maliit na gawi na gumagana: patakbuhin ang /usage tokens sa loob ng isang araw. Pagkatapos ng ilang dosenang tugon, makikita mo ang iyong tunay na input bawat hakbang, at maaari mo itong ilagay sa formula sa itaas sa halip na ang aking 12,000.

Isang caveat mula sa docs. Ang cost estimate ay nagmumula sa mga halagang cost na itinakda mo bawat modelo sa models.providers.<provider>.models[] (USD per 1M tokens: input, output, cache read, cache write). Kung iiwan mo ang mga ito o kokopyahin ang lumang mga numero, mali ang estimate, habang ang mga halagang sinisingil ng provider ay nangingibabaw sa catalog estimate. Itakda ang mga ito mula sa kasalukuyang talahanayan, pagkatapos ay ihambing ang /status sa iyong balanse pagkatapos ng isang araw.

Apat na gawi na nagpapaliit sa buwan#

Inililista ng docs ang mga paraan upang bawasan ang pressure sa context. Narito ang mga ito kasama ang ginagawa nila sa arithmetic.

1. Patakbuhin ang /compact sa mahabang sessions. Binubuod nito ang history, kaya ang mga susunod na hakbang ay muling nagpapadala ng summary sa halip na lahat. Sabihin nating binabawasan nito ang average na input bawat hakbang mula 12,000 hanggang 8,000.
2. Bawasan ang malalaking tool outputs. Ang isang tool na nagbabalik ng buong file o isang pahina ng logs ay muling ipinapadala sa bawat sumusunod na hakbang. Putulin ito bago ito pumasok sa session.
3. Paliitin ang mga larawan. Para sa mga session na puno ng screenshot, babaan ang imageMaxDimensionPx.
4. Panatilihing maikli ang mga deskripsyon ng skill at gumamit ng mas maliit na modelo para sa verbose exploration.

Narito ang ginagawa ng gawi 1 sa parehong assistant. Sa 8,000 input tokens bawat hakbang, ang isang buwan ay 150 × 8,000 × 30 = 36,000,000 input at 2,700,000 pa rin output. Sa DeepSeek-V4-Flash iyon ay $0.81 sa halip na $1.08. Pareho ang haba ng mga sagot, kaya ang natipid ay nagmumula nang buo sa input side.

Magtakda ng budget na hindi mo malalampasan#

Magtrabaho pabalik. Magpasya kung magkano ang handa mong gastusin, dagdagan ang balanse ng ganoong halaga, at ituring ang prepaid balance bilang kisame: kapag naubos ito, hihinto ang mga request. Pagkatapos ay suriin ang iyong tunay na usage pagkatapos ng unang araw gamit ang /status, i-multiply sa 30, at ihambing sa talahanayan sa itaas.

Isang simpleng routine:

1. Piliin ang modelo mula sa talahanayan na angkop sa iyong gawain.
2. Magpatakbo ng normal na araw na may /usage tokens na naka-on.
3. Palitan ang 150 at 12,000 sa formula ng nakita mo.
4. Muling basahin ang talahanayan ng ::cost gamit ang iyong mga numero at dagdagan ang balanse nang naaayon.

Kung hindi mo pa nakakonekta ang OpenClaw, ang paano ikonekta ang OpenClaw sa CheapTokens ay dumadaan sa config sa ~/.openclaw/openclaw.json, at ang docs ay may API address at model ids. Para sa mas malawak na pagtingin sa mga budget ng agent, tingnan ang paano tantiyahin ang gastos ng isang AI agent.