OpenClaw tốn bao nhiêu mỗi tháng? Một ngân sách tính bằng token

Một trợ lý OpenClaw hoạt động liên tục tốn bao nhiêu là do token của nó: khoảng steps per day × tokens per step × 30 days, tùy theo model bạn chọn. Với khối lượng công việc dưới đây, một tháng là hàng chục triệu token đầu vào và chỉ vài triệu token đầu ra, nên giá model quyết định phần lớn hóa đơn. Đây là cách tự tính con số của bạn trong năm phút.

Bạn thiết lập trợ lý, nó trả lời trong các kênh chat của bạn suốt ngày, và câu hỏi đầu tiên luôn là: cuối tháng sẽ tốn bao nhiêu? Không ai có thể đưa ra con số chung, vì OpenClaw tính phí bạn cho bất cứ thứ gì nó gửi đến model, và điều đó phụ thuộc vào thiết lập của bạn. Vậy hãy đo từng phần.

OpenClaw gửi gì trong mỗi bước#

Tài liệu OpenClaw (tham chiếu sử dụng token, kiểm tra ngày 26 tháng 10 năm 2026 với phiên bản 2026.9.3; trang không ghi ngày xuất bản) cho biết system prompt được tạo lại trong mỗi lần chạy. Nó chứa danh sách công cụ, metadata kỹ năng, các tệp khởi tạo workspace như AGENTS.md và MEMORY.md, thời gian hiện tại và metadata runtime. Các tệp được chèn bị giới hạn bởi agents.defaults.bootstrapMaxChars và bootstrapTotalMaxChars.

Thêm vào đó, mọi thứ model nhận được đều tính vào context: lịch sử, các lệnh gọi công cụ và kết quả của chúng, tệp đính kèm và tóm tắt nén. Vì vậy một bước không bao giờ là "một câu hỏi ngắn". Đó là toàn bộ prompt cộng với toàn bộ cuộc hội thoại từ trước đến nay, và đó là lý do token đầu vào lớn hơn hẳn token đầu ra. Nếu ý tưởng gửi lại lịch sử còn mới với bạn, vì sao một cuộc chat dài tốn hơn giải thích bằng một ví dụ nhỏ.

Hai chi tiết từ cùng trang đó quan trọng cho việc lập ngân sách. Tin nhắn riêng chia sẻ phiên chính của agent, trong khi mỗi chat nhóm có phiên riêng, nên một nhóm bận rộn sẽ tự tích lũy lịch sử. Và các lượt heartbeat có thể giữ cache của nhà cung cấp ấm qua các khoảng nghỉ, nhưng mỗi lượt heartbeat vẫn tốn token: một trợ lý nhàn rỗi không phải là trợ lý miễn phí.

Một khối lượng công việc hàng ngày bạn có thể thay đổi#

Không có "một ngày OpenClaw điển hình" nào được đo để trích dẫn, nên hãy lấy một giả định và thay số bằng số của bạn. Giả sử trợ lý của bạn thực hiện 150 lệnh gọi model mỗi ngày (tin nhắn, bước công cụ, vài lần kiểm tra theo lịch). Giả sử mỗi lệnh gọi gửi khoảng 12.000 token đầu vào (system prompt, lịch sử, đầu ra công cụ) và nhận về khoảng 600 token đầu ra.

• Mỗi ngày: 150 × 12.000 = 1.800.000 token đầu vào và 150 × 600 = 90.000 token đầu ra.
• Mỗi tháng (30 ngày): 1.800.000 × 30 = 54.000.000 đầu vào và 90.000 × 30 = 2.700.000 đầu ra.

Hãy để ý hình dạng: đầu vào gấp hai mươi lần đầu ra. Đó là hình dạng bình thường của một agent, và là lý do giá đầu vào của model ở đây quan trọng hơn so với trong một cuộc chat nơi bạn gõ câu hỏi ngắn và đọc câu trả lời dài. Về sự khác biệt giữa hai phía, xem token đầu vào so với đầu ra.

Tháng đó tốn bao nhiêu trên ba model#

Đây là cùng một tháng, 54.000.000 token đầu vào và 2.700.000 token đầu ra, được định giá trực tiếp cho ba model bạn có thể dùng qua CheapTokens. Đầu vào và đầu ra được tính cùng nhau, vì một yêu cầu trả tiền cho cả hai. Tổng cộng, mỗi model đều rẻ hơn OpenRouter, và bảng hiển thị cả hai cột cạnh nhau.

Theo con số: DeepSeek-V4-Flash cho tháng là $1.08, GLM-5.3-Flash là $1.19, và MiniMax-M2.7 là $3.11. Các mức giá đằng sau chúng nằm trên trang giá và cập nhật cùng bảng.

Chọn cái nào? DeepSeek-V4-Flash cho bạn cửa sổ context 380K và tối đa 32.768 token đầu ra mỗi câu trả lời với một mức giá suốt ngày, phù hợp với các phiên agent dài. GLM-5.3-Flash có context 390K và tối đa 8.192 token đầu ra, phù hợp cho các bước thường ngày và khám phá. MiniMax-M2.7 có context 180K và tối đa 8.192 token đầu ra. So sánh đầy đủ theo tác vụ nằm trong model rẻ nhất cho OpenClaw, nên tôi không nhắc lại ở đây.

Theo dõi hóa đơn từ bên trong OpenClaw#

OpenClaw có thể cho bạn thấy bạn chi bao nhiêu trong lúc đang chi. Theo tài liệu, /status hiển thị model của phiên, mức sử dụng context, token đầu vào và đầu ra của phản hồi cuối cùng và chi phí ước tính. /usage off|tokens|full thêm chân trang vào mọi phản hồi, và /usage cost tóm tắt chi phí từ nhật ký phiên.

Một thói quen nhỏ hiệu quả: chạy /usage tokens trong một ngày. Sau vài chục phản hồi, bạn sẽ thấy lượng đầu vào thực tế mỗi bước, và bạn có thể đưa nó vào công thức trên thay cho con số 12.000 của tôi.

Một lưu ý từ tài liệu. Ước tính chi phí đến từ các giá trị cost bạn đặt cho mỗi model trong models.providers.<provider>.models[] (USD trên 1M token: đầu vào, đầu ra, đọc cache, ghi cache). Nếu bạn bỏ qua chúng hoặc sao chép số cũ, ước tính sẽ sai, trong khi số tiền nhà cung cấp tính phí sẽ được ưu tiên hơn ước tính từ danh mục. Hãy đặt chúng từ bảng hiện tại, rồi so sánh /status với số dư của bạn sau một ngày.

Bốn thói quen giúp giảm chi phí tháng#

Tài liệu liệt kê các cách giảm áp lực lên context. Đây là chúng cùng với tác động đến phép tính.

1. Chạy /compact trên các phiên dài. Nó tóm tắt lịch sử, nên các bước tiếp theo gửi lại một bản tóm tắt thay vì mọi thứ. Giả sử nó đưa lượng đầu vào trung bình mỗi bước từ 12.000 xuống 8.000.
2. Cắt bớt đầu ra công cụ lớn. Một công cụ trả về cả tệp hoặc một trang log sẽ được gửi lại trong mọi bước tiếp theo. Hãy cắt nó trước khi nó vào phiên.
3. Thu nhỏ hình ảnh. Với các phiên nhiều ảnh chụp màn hình, hãy giảm imageMaxDimensionPx.
4. Giữ mô tả kỹ năng ngắn gọn và dùng model nhỏ hơn cho việc khám phá dài dòng.

Đây là điều thói quen 1 làm với cùng trợ lý đó. Với 8.000 token đầu vào mỗi bước, một tháng là 150 × 8.000 × 30 = 36.000.000 đầu vào và vẫn 2.700.000 đầu ra. Trên DeepSeek-V4-Flash, đó là $0.81 thay vì $1.08. Câu trả lời có cùng độ dài, nên khoản tiết kiệm hoàn toàn đến từ phía đầu vào.

Đặt ngân sách bạn không thể vượt#

Hãy tính ngược. Quyết định số tiền bạn sẵn sàng chi, nạp số dư đúng bằng đó, và coi số dư trả trước là mức trần: khi nó hết, các yêu cầu dừng lại. Sau đó kiểm tra mức sử dụng thực tế sau ngày đầu tiên bằng /status, nhân với 30, và so với bảng trên.

Một quy trình đơn giản:

1. Chọn model từ bảng phù hợp với tác vụ của bạn.
2. Chạy một ngày bình thường với /usage tokens bật.
3. Thay 150 và 12.000 trong công thức bằng những gì bạn thấy.
4. Đọc lại bảng ::cost với các con số của bạn và nạp tiền cho phù hợp.

Nếu bạn chưa kết nối OpenClaw, cách kết nối OpenClaw với CheapTokens hướng dẫn cấu hình trong ~/.openclaw/openclaw.json, và tài liệu có địa chỉ API và các model id. Để có cái nhìn rộng hơn về ngân sách agent, xem cách ước tính chi phí của một AI agent.