Token 使用与成本

OpenClaw 跟踪的是 token，而不是字符。Token 是模型特定的，但大多数 OpenAI 风格的模型对于英文文本平均约 4 个字符为一个 token。

系统提示词如何构建

OpenClaw 每次运行都会组装自己的系统提示词。它包括：

• 工具列表 + 简短描述
• Skills 列表（只有元数据；指令按需通过 read 加载）
• 自更新指令
• 工作区 + 启动文件（AGENTS.md、SOUL.md、TOOLS.md、IDENTITY.md、USER.md、HEARTBEAT.md、BOOTSTRAP.md（新建时），以及存在时的 MEMORY.md 和/或 memory.md）。大文件会被 agents.defaults.bootstrapMaxChars（默认：20000）截断，总启动注入也会被 agents.defaults.bootstrapTotalMaxChars（默认：150000）封顶。memory/*.md 文件通过记忆工具按需加载，不会自动注入。
• 时间（UTC + 用户时区）
• 回复标签 + 心跳行为
• 运行时元数据（主机/系统/模型/thinking）

完整分解参见系统提示词。

上下文窗口里算什么

模型接收到的一切都会计入上下文限制：

• 系统提示词（以上列出的所有部分）
• 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
• 提供商包装层或安全头（不可见，但仍计入）

有关实际分解（每个注入文件、工具、Skills 和系统提示词大小），使用 /context list 或 /context detail。参见上下文。

如何查看当前 token 使用

在聊天中使用：

• /status → emoji 丰富的状态卡片，展示会话模型、上下文使用情况、上一条回复的输入/输出 token，以及（仅 API key）预估成本。
• /usage off|tokens|full → 给每条回复追加逐回复 usage 页脚。
  • 按会话持久化（存储为 responseUsage）。
  • OAuth 授权隐藏费用（只显示 tokens）。
• /usage cost → 从 OpenClaw 会话日志中展示本地费用汇总。

其它入口：

• **TUI/Web TUI：**支持 /status + /usage。
• CLI：openclaw status --usage 和 openclaw channels list 显示提供商用量窗口（配额快照，不是逐消息费用）。

成本估算（显示时）

费用根据你的模型定价配置估算：

models.providers.<provider>.models[].cost

这些是 input、output、cacheRead、cacheWrite 的每 100 万 tokens 的 USD。如果缺少定价，OpenClaw 只显示 tokens。OAuth 令牌从不显示美元费用。

Cache TTL 与修剪影响

提供商提示词缓存只在 cache TTL 窗口内生效。OpenClaw 可选运行 cache-ttl 修剪：当 cache TTL 到期后，它会修剪会话，然后重置 cache 窗口，使后续请求可以复用新鲜缓存的上下文，而不是对完整历史重新缓存。这能在会话闲置超过 TTL 时降低 cache 写入成本。

在 Gateway 网关配置 中配置它，并在 会话修剪 中查看行为详情。

心跳可以在闲置间隙让缓存保持温热。如果你的模型 cache TTL 是 1h，将心跳间隔设置得略低于 TTL（例如 55m）可以避免对完整提示词重新缓存，从而减少 cache 写入成本。

对于 Anthropic API 定价，cache reads 通常比 input tokens 便宜得多，而 cache writes 会以更高的倍率计费。关于最新费率、TTL 和倍率，请参阅 Anthropic 的 prompt caching 定价： https://docs.anthropic.com/docs/build-with-claude/prompt-caching

示例：用心跳保持 1 小时缓存温热

agents:
  defaults:
    model:
      primary: "anthropic/claude-opus-4-6"
    models:
      "anthropic/claude-opus-4-6":
        params:
          cacheRetention: "long"
    heartbeat:
      every: "55m"

降低 token 压力的小技巧

• 使用 /compact 总结长会话。
• 在你的工作流里裁剪过大的工具输出。
• 保持 skill 描述短小（skill 列表会注入提示词）。
• 做探索性、冗长任务时优先用小模型。

精确的 skill 列表开销公式参见 Skills。