Naar hoofdinhoud gaan

​
Tokengebruik & kosten

OpenClaw houdt tokens bij, geen tekens. Tokens zijn modelspecifiek, maar de meeste OpenAI-achtige modellen komen gemiddeld uit op ~4 tekens per token voor Engelse tekst.

​
Hoe de system prompt wordt opgebouwd

OpenClaw stelt bij elke run zijn eigen system prompt samen. Deze bevat:
  • Toollijst + korte beschrijvingen
  • Skills-lijst (alleen metadata; instructies worden on demand geladen met read)
  • Zelfupdate-instructies
  • Werkruimte + bootstrapbestanden (AGENTS.md, SOUL.md, TOOLS.md, IDENTITY.md, USER.md, HEARTBEAT.md, BOOTSTRAP.md wanneer nieuw). Grote bestanden worden afgekapt door agents.defaults.bootstrapMaxChars (standaard: 20000). memory/*.md-bestanden zijn op aanvraag beschikbaar via memory tools en worden niet automatisch geïnjecteerd.
  • Tijd (UTC + tijdzone van de gebruiker)
  • Antwoordtags + heartbeat-gedrag
  • Runtime-metadata (host/OS/model/thinking)
Bekijk de volledige uitsplitsing in System Prompt.

​
Wat meetelt in het contextvenster

Alles wat het model ontvangt telt mee voor de contextlimiet:
  • System prompt (alle hierboven vermelde secties)
  • Gespreksgeschiedenis (berichten van gebruiker + assistent)
  • Tool-aanroepen en toolresultaten
  • Bijlagen/transcripten (afbeeldingen, audio, bestanden)
  • Compactiesamenvattingen en pruning-artefacten
  • Provider-wrappers of veiligheidsheaders (niet zichtbaar, maar wel meegeteld)
Voor een praktische uitsplitsing (per geïnjecteerd bestand, tools, skills en grootte van de system prompt) gebruik je /context list of /context detail. Zie Context.

​
Hoe je het huidige tokengebruik ziet

Gebruik deze in de chat:
  • /status → emoji‑rijke statuskaart met het sessiemodel, contextgebruik, input-/outputtokens van het laatste antwoord en geschatte kosten (alleen API-sleutel).
  • /usage off|tokens|full → voegt een per-antwoord gebruiksfooter toe aan elk antwoord.
    • Blijft per sessie behouden (opgeslagen als responseUsage).
    • OAuth-authenticatie verbergt kosten (alleen tokens).
  • /usage cost → toont een lokaal kostenoverzicht uit OpenClaw-sessielogs.
Andere oppervlakken:
  • TUI/Web TUI: /status + /usage worden ondersteund.
  • CLI: openclaw status --usage en openclaw channels list tonen provider-quotavensters (geen kosten per antwoord).

​
Kostenraming (wanneer getoond)

Kosten worden geschat op basis van je modelprijsconfiguratie: 
models.providers.<provider>.models[].cost
Dit zijn USD per 1M tokens voor input, output, cacheRead en cacheWrite. Als prijzen ontbreken, toont OpenClaw alleen tokens. OAuth-tokens tonen nooit dollarkosten.

​
Cache-TTL en impact van pruning

Provider-promptcaching is alleen van toepassing binnen het cache-TTL-venster. OpenClaw kan optioneel cache-ttl-pruning uitvoeren: het prunt de sessie zodra de cache-TTL is verlopen en reset daarna het cachevenster zodat volgende verzoeken de vers gecachte context opnieuw kunnen gebruiken in plaats van de volledige geschiedenis opnieuw te cachen. Dit houdt cache-schrijvingskosten lager wanneer een sessie langer dan de TTL inactief is. Configureer dit in Gateway configuration en bekijk de gedragsdetails in Session pruning. Heartbeat kan de cache warm houden over inactieve perioden heen. Als de cache-TTL van je model 1h is, kan het instellen van het heartbeat-interval net daaronder (bijv. 55m) voorkomen dat de volledige prompt opnieuw moet worden gecachet, wat cache-schrijvingskosten vermindert. Voor Anthropic API-prijzen zijn cachereads aanzienlijk goedkoper dan inputtokens, terwijl cachewrites tegen een hogere vermenigvuldiger worden gefactureerd. Zie Anthropic’s promptcaching-prijzen voor de nieuwste tarieven en TTL-vermenigvuldigers: https://docs.anthropic.com/docs/build-with-claude/prompt-caching

​
Voorbeeld: 1u cache warm houden met heartbeat

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

​
Tips om tokendruk te verminderen

  • Gebruik /compact om lange sessies samen te vatten.
  • Trim grote tooluitvoer in je workflows.
  • Houd skillbeschrijvingen kort (de skills-lijst wordt in de prompt geïnjecteerd).
  • Geef de voorkeur aan kleinere modellen voor uitgebreide, verkennende werkzaamheden.
Zie Skills voor de exacte formule van de skilllijst-overhead.