Hoppa till huvudinnehåll

​
Tokenanvändning och kostnader

OpenClaw spår tokens, inte tecken. Tokens är modellspecifika, men de flesta OpenAI-stil modeller genomsnitt ~4 tecken per token för engelsk text.

​
Hur systemprompten byggs

OpenClaw sammanställer sin egen systemprompt på varje körning. Den inkluderar:
  • Verktygslista + korta beskrivningar
  • Skills-lista (endast metadata; instruktioner laddas vid behov med read)
  • Självuppdateringsinstruktioner
  • Workspace- och bootstrap-filer (AGENTS.md, SOUL.md, TOOLS.md, IDENTITY.md, USER.md, HEARTBEAT.md, BOOTSTRAP.md när ny, samt MEMORY.md och/eller memory.md när de finns). Stora filer trunkeras av agents.defaults.bootstrapMaxChars (standard: 20000), och den totala bootstrap-injektionen begränsas av agents.defaults.bootstrapTotalMaxChars (standard: 24000). memory/*.md-filer laddas vid behov via minnesverktyg och injiceras inte automatiskt.
  • Tid (UTC + användarens tidszon)
  • Svarstaggar + heartbeat-beteende
  • Körtidsmetadata (värd/OS/modell/tänkande)
Se den fullständiga uppdelningen i System Prompt.

​
Vad som räknas i kontextfönstret

Allt som modellen tar emot räknas mot kontextgränsen:
  • Systemprompt (alla avsnitt listade ovan)
  • Konversationshistorik (användar- + assistentmeddelanden)
  • Verktygsanrop och verktygsresultat
  • Bilagor/transkript (bilder, ljud, filer)
  • Sammanfattningar från kompaktering och artefakter från rensning
  • Leverantörsomslag eller säkerhetsrubriker (inte synliga, men räknas ändå)
För en praktisk uppdelning (per injicerad fil, verktyg, färdigheter och systempromptstorlek), använd /context list eller /context detail. Se Context.

​
Hur du ser aktuell tokenanvändning

Använd dessa i chatten:
  • /status → emoji‑rik statuskort med sessionsmodell, kontextanvändning, senaste svarets in-/ut-token och uppskattad kostnad (endast API‑nyckel).
  • /usage off|tokens|full → lägger till en användningsfotnot per svar till varje svar.
    • Består per session (lagras som responseUsage).
    • OAuth‑autentisering döljer kostnad (endast tokens).
  • /usage cost → visar en lokal kostnadssammanfattning från OpenClaws sessionsloggar.
Andra gränssnitt:
  • TUI/Web TUI: /status + /usage stöds.
  • CLI: openclaw status --usage och openclaw channels list visar leverantörers kvotfönster (inte kostnader per svar).

​
Kostnadsuppskattning (när den visas)

Kostnader uppskattas från din modellprissättningskonfig: 
models.providers.<provider>.models[].cost
Dessa är USD per 1M tokens för input, output, cacheRead och cacheWrite. Om prissättningen saknas, visar OpenClaw endast tokens OAuth tokens visar aldrig dollarkostnaden.

​
Cache-TTL och påverkan av rensning

Leverantörsprompten om cachelagring gäller endast i cachens TTL-fönster. OpenClaw kan valfritt köra cache-ttl beskärning: det beskär sessionen när cachen TTL har löpt ut, återställer sedan cachefönstret så att efterföljande förfrågningar kan återanvända nyligen cachade sammanhang istället för att åter cacha hela historiken. Detta håller cache skriva kostnader lägre när en session går vilande förbi TTL. Konfigurera detta i Gateway-konfiguration och se beteendedetaljerna i Session pruning. Heartbeat kan hålla cachen varm över tomgångar. Om din modellcache TTL är 1h, sätt hjärtslagsintervallet precis under det (e. ., ‘55m’) kan undvika att cachelagrar om den fulla snabbheten, vilket minskar kostnaderna för cachelagring. För antropisk API-prissättning är cache-läsningar betydligt billigare än inmatning -tokens, medan cacheskrivningar faktureras med en högre multiplikator. Se Anthropic’s prompt caching prissättning för de senaste priserna och TTL-multiplikatorer: https://docs.anthropic.com/docs/build-with-claude/prompt-caching

​
Exempel: håll 1 h cache varm med heartbeat

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

​
Tips för att minska tokenbelastning

  • Använd /compact för att sammanfatta långa sessioner.
  • Trimma stora verktygsutdata i dina arbetsflöden.
  • Håll skill‑beskrivningar korta (skill‑listan injiceras i prompten).
  • Föredra mindre modeller för utforskande arbete med mycket text.
Se Skills för den exakta formeln för overhead från skill‑listan.