Tokenverbrauch und Kosten

OpenClaw erfasst Tokens, nicht Zeichen. Tokens sind modellspezifisch, aber die meisten Modelle im OpenAI-Stil verwenden bei englischem Text durchschnittlich ~4 Zeichen pro Token.

So wird der System-Prompt erstellt

OpenClaw stellt bei jedem Lauf einen eigenen System-Prompt zusammen. Er enthält:

• Tool-Liste + Kurzbeschreibungen
• Skills-Liste (nur Metadaten; Anweisungen werden bei Bedarf mit read geladen). Native Codex-Turns erhalten den kompakten Skills-Block als auf den Turn beschränkte Entwickleranweisungen zur Zusammenarbeit; andere Harnesses erhalten ihn auf der normalen Prompt-Oberfläche. Begrenzt durch skills.limits.maxSkillsPromptChars, mit optionaler Überschreibung pro Agent unter agents.entries.*.skillsLimits.maxSkillsPromptChars.
• Anweisungen zur Selbstaktualisierung
• Workspace- + Bootstrap-Dateien (AGENTS.md, SOUL.md, TOOLS.md, IDENTITY.md, USER.md, HEARTBEAT.md, BOOTSTRAP.md bei neuen Workspaces sowie MEMORY.md, falls vorhanden). Große injizierte Dateien werden durch agents.defaults.bootstrapMaxChars gekürzt (Standard: 20000); die gesamte Bootstrap- Injektion wird durch agents.defaults.bootstrapTotalMaxChars begrenzt (Standard: 60000).
  • Native Codex-Turns fügen den unverarbeiteten Inhalt von MEMORY.md nicht ein, wenn für diesen Workspace Memory-Tools verfügbar sind; stattdessen erhalten sie in den auf den Turn beschränkten Entwickleranweisungen zur Zusammenarbeit einen kurzen Memory-Verweis und verwenden Memory-Tools bei Bedarf. Wenn Tools deaktiviert sind, die Memory-Suche nicht verfügbar ist oder sich der aktive Workspace vom Agent-Memory-Workspace unterscheidet, greift MEMORY.md auf den normalen begrenzten Turn-Kontextpfad zurück.
  • Die kleingeschriebene Stammdatei memory.md wird niemals injiziert. Sie dient als Legacy-Reparatureingabe für openclaw doctor --fix, das sie nach MEMORY.md migriert.
  • Tägliche memory/*.md-Dateien sind nicht Teil des normalen Bootstrap-Prompts; sie bleiben bei gewöhnlichen Turns über Memory-Tools bei Bedarf verfügbar. Modellläufe zum Zurücksetzen/Starten können für diesen ersten Turn einmalig einen Startkontextblock mit aktuellen täglichen Memory-Inhalten voranstellen, gesteuert durch agents.defaults.startupContext. Reine Chat-Befehle /new und /reset werden bestätigt, ohne das Modell aufzurufen.
  • Auszüge aus AGENTS.md nach der Compaction erfordern ein ausdrückliches Opt-in über agents.defaults.compaction.postCompactionSections; Plugins können über before_prompt_build weiteren Kontext hinzufügen.
• Zeit (UTC + Zeitzone des Benutzers)
• Antwort-Tags + Heartbeat-Verhalten
• Laufzeitmetadaten (Host/Betriebssystem/Modell/Thinking)

Eine vollständige Aufschlüsselung finden Sie unter System-Prompt.

Verwenden Sie bei der Dokumentation von Anmeldedaten oder Authentifizierungsausschnitten die Konventionen für Geheimnisplatzhalter, um Fehlalarme von Secret-Scannern bei reinen Dokumentationsänderungen zu vermeiden.

Was zum Kontextfenster zählt

Alles, was das Modell empfängt, wird auf das Kontextlimit angerechnet:

• System-Prompt (alle oben genannten Abschnitte)
• Konversationsverlauf (Nachrichten von Benutzer + Assistent)
• Tool-Aufrufe und Tool-Ergebnisse
• Anhänge/Transkripte (Bilder, Audio, Dateien)
• Compaction-Zusammenfassungen und Bereinigungsartefakte
• Provider-Wrapper oder Sicherheitsheader (nicht sichtbar, werden aber dennoch angerechnet)

Laufzeitintensive Oberflächen haben eigene explizite Grenzwerte unter agents.defaults.contextLimits (Überschreibungen pro Agent unter agents.entries.*.contextLimits):

Hierbei handelt es sich um begrenzte Laufzeitauszüge und injizierte laufzeiteigene Blöcke, die von Bootstrap-Limits, Startkontextlimits und Limits für Skills-Prompts getrennt sind.

OpenClaw leitet den aktuellen Grenzwert für Tool-Ergebnisse aus dem effektiven Modellkontextfenster ab: 16000 Zeichen bei weniger als 100K Tokens, 32000 Zeichen ab 100K Tokens, 64000 Zeichen ab 200K Tokens. Die Laufzeitbegrenzung für den Kontextanteil beschränkt außerdem ein einzelnes Tool-Ergebnis auf 30 % des Kontextfensters.

Große Provider-Fenster werden nicht automatisch aktiviert, wenn sie Kosten oder Latenz erheblich verändern. Beispielsweise veröffentlichen direkte OpenAI-Modelle GPT-5.5 und GPT-5.6 ein Gesamtfenster von 1050000 Tokens, OpenClaw begrenzt ihr aktives Laufzeitbudget jedoch standardmäßig auf 272000 Tokens. Das optionale Eingabebudget von 922000 reserviert das vollständige Ausgabelimit von 128000, und OpenAI berechnet für die gesamte Anfrage höhere Preise für langen Kontext, sobald die Eingabe 272000 Tokens überschreitet. Siehe OpenAI-Standardwerte für Kontextfenster.

Bei Bildern verkleinert OpenClaw Bildnutzlasten aus Transkripten/Tools vor Provider-Aufrufen. Passen Sie dies mit agents.defaults.imageMaxDimensionPx an (Standard: 1200):

• Niedrigere Werte reduzieren die Nutzung von Vision-Tokens und die Nutzlastgröße.
• Höhere Werte bewahren mehr visuelle Details für OCR-/UI-lastige Screenshots.

Für eine praktische Aufschlüsselung (nach injizierter Datei, Tools, Skills und Größe des System-Prompts) verwenden Sie /context list oder /context detail. Siehe Kontext.

So zeigen Sie die aktuelle Token-Nutzung an

Im Chat:

• /status -> Emoji-reiche Statuskarte mit dem Sitzungsmodell, der Kontextnutzung, den Eingabe-/Ausgabe-Tokens der letzten Antwort und den geschätzten Kosten, wenn lokale Preise für das aktive Modell konfiguriert sind.
• /usage off|tokens|full -> fügt jeder Antwort eine Nutzungsfußzeile pro Antwort hinzu. Bleibt sitzungsbezogen erhalten (gespeichert als responseUsage).
  • /usage reset (Aliase: inherit, clear, default) löscht die Sitzungsüberschreibung, sodass der konfigurierte Standard erneut übernommen wird.
  • /usage tokens zeigt Token-/Cache-Details des Turns.
  • /usage full zeigt kompakte Modell-/Kontext-/Kostendetails; geschätzte Kosten werden nur angezeigt, wenn OpenClaw über Nutzungsmetadaten und lokale Preise für das aktive Modell verfügt. Benutzerdefinierte messages.usageTemplate-Layouts können Token-/Cache-Felder enthalten.
• /usage cost -> lokale Kostenzusammenfassung aus OpenClaw-Sitzungsprotokollen.

Weitere Oberflächen:

• TUI/Web-TUI: /status und /usage werden unterstützt.
• CLI: openclaw status --usage und openclaw channels list zeigen normalisierte Provider-Kontingentfenster (X% left, keine Kosten pro Antwort). Aktuelle Provider für Nutzungsfenster: Claude (Anthropic), ClawRouter, Copilot (GitHub), DeepSeek, Gemini (Google Gemini CLI), MiniMax, OpenAI, Xiaomi, Xiaomi Token Plan und z.ai.

Nutzungsoberflächen normalisieren vor der Anzeige gängige Aliase nativer Provider-Felder. Für Responses-Datenverkehr der OpenAI-Familie umfasst dies sowohl input_tokens/output_tokens als auch prompt_tokens/completion_tokens, sodass transportspezifische Feldnamen /status, /usage oder Sitzungszusammenfassungen nicht verändern. Die Nutzung der Gemini CLI wird ebenfalls normalisiert: Der standardmäßige stream-json- Parser liest Assistentenereignisse vom Typ message, und stats.cached wird auf cacheRead abgebildet, wobei stats.input_tokens - stats.cached verwendet wird, wenn die CLI kein explizites Feld stats.input liefert. Legacy-JSON-Überschreibungen lesen den Antworttext weiterhin aus response.

Für nativen Responses-Datenverkehr der OpenAI-Familie werden WebSocket-/SSE-Nutzungsaliase auf dieselbe Weise normalisiert, und Gesamtwerte greifen auf normalisierte Eingabe + Ausgabe zurück, wenn total_tokens fehlt oder 0 ist.

Wenn der aktuelle Sitzungssnapshot nur wenige Daten enthält, können /status und session_status Token-/Cache-Zähler sowie die Bezeichnung des aktiven Laufzeitmodells aus dem neuesten Transkript-Nutzungsprotokoll wiederherstellen. Vorhandene von null verschiedene Live-Werte haben weiterhin Vorrang vor Transkript-Fallback-Werten, und größere promptorientierte Transkript-Gesamtwerte können Vorrang erhalten, wenn gespeicherte Gesamtwerte fehlen oder kleiner sind.

Die Nutzungsauthentifizierung für Provider-Kontingentfenster stammt zuerst aus Provider-spezifischen Hooks; wenn ein Provider keinen Hook besitzt (oder der Hook kein Token auflöst), greift OpenClaw auf passende OAuth-/API-Schlüssel-Anmeldedaten aus Authentifizierungsprofilen, Umgebungsvariablen oder der Konfiguration zurück.

Assistententranskripteinträge speichern dieselbe normalisierte Nutzungsstruktur, einschließlich usage.cost, wenn für das aktive Modell Preise konfiguriert sind und der Provider Nutzungsmetadaten zurückgibt. Dadurch erhalten /usage cost und der transkriptgestützte Sitzungsstatus selbst dann eine stabile Quelle, wenn der aktive Laufzeitzustand nicht mehr vorhanden ist.

OpenClaw hält die Provider-Nutzungsabrechnung vom aktuellen Kontextsnapshot getrennt. Provider-usage.total kann zwischengespeicherte Eingaben, Ausgaben und mehrere Modellaufrufe in Tool-Schleifen enthalten. Daher eignet es sich für Kosten und Telemetrie, kann aber das aktuelle Kontextfenster überhöht darstellen. Kontextanzeigen und Diagnosen verwenden für context.used den neuesten Prompt-Snapshot (promptTokens oder den letzten Modellaufruf, wenn kein Prompt-Snapshot verfügbar ist).

Kostenschätzung (falls angezeigt)

Die Kosten werden anhand Ihrer Modellpreiskonfiguration geschätzt:

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

Dies sind USD pro 1M Tokens für input, output, cacheRead und cacheWrite. Wenn Preisangaben fehlen, lässt /usage full die Kosten weg; verwenden Sie /usage tokens oder ein benutzerdefiniertes messages.usageTemplate, wenn Sie Token-/Cache-Details in jeder Antwort benötigen. Die Kostenanzeige ist nicht auf die Authentifizierung per API-Schlüssel beschränkt: Provider ohne API-Schlüssel wie aws-sdk können geschätzte Kosten anzeigen, wenn ihr konfigurierter Modelleintrag lokale Preise enthält und der Provider Nutzungsmetadaten zurückgibt.

Nachdem Sidecars und Kanäle den Bereitschaftspfad des Gateways erreicht haben, startet OpenClaw optional im Hintergrund einen Preis-Bootstrap für konfigurierte Modellreferenzen, für die noch keine lokalen Preise vorliegen. Dieser Bootstrap ruft entfernte Preiskataloge von OpenRouter und LiteLLM ab. Setzen Sie models.pricing.enabled: false, um diese Katalogabrufe in Offline- oder eingeschränkten Netzwerken zu überspringen; explizite models.providers.*.models[].cost-Einträge steuern weiterhin lokale Kostenschätzungen.

Auswirkungen von Cache-TTL und Bereinigung

Das Provider-Prompt-Caching gilt nur innerhalb des Cache-TTL-Fensters. OpenClaw kann optional eine Cache-TTL-Bereinigung ausführen: Die Sitzung wird bereinigt, sobald die Cache-TTL abgelaufen ist; anschließend wird das Cache-Fenster zurückgesetzt, sodass nachfolgende Anfragen den neu zwischengespeicherten Kontext wiederverwenden, anstatt den gesamten Verlauf erneut zwischenzuspeichern. Dadurch bleiben die Cache-Schreibkosten niedriger, wenn eine Sitzung länger als die TTL inaktiv ist.

Konfigurieren Sie dies in der Gateway-Konfiguration und lesen Sie die Verhaltensdetails unter Sitzungsbereinigung.

Heartbeat kann den Cache über inaktive Zeiträume hinweg warm halten. Wenn die Cache- TTL Ihres Modells 1h beträgt, kann ein Heartbeat-Intervall knapp darunter (z. B. 55m) verhindern, dass der gesamte Prompt erneut zwischengespeichert wird, und so die Cache-Schreibkosten senken.

In Multi-Agent-Konfigurationen können Sie eine gemeinsame Modellkonfiguration verwenden und das Cache- Verhalten mit agents.entries.*.params.cacheRetention pro Agent anpassen.

Eine vollständige Anleitung zu sämtlichen Einstellungen finden Sie unter Prompt-Caching.

Bei der Preisgestaltung der Anthropic-API sind Cache-Lesevorgänge erheblich günstiger als Eingabe- Tokens, während Cache-Schreibvorgänge mit einem höheren Multiplikator abgerechnet werden. Die aktuellen Preise und TTL-Multiplikatoren für Anthropic-Prompt-Caching finden Sie unter: https://docs.anthropic.com/docs/build-with-claude/prompt-caching

Beispiel: 1h-Cache mit Heartbeat warm halten

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

Beispiel: Gemischter Datenverkehr mit Cache-Strategie pro Agent

agents:  defaults:    model:      primary: "anthropic/claude-opus-4-6"    models:      "anthropic/claude-opus-4-6":        params:          cacheRetention: "long" # Standardbasiswert für die meisten Agenten  list:    - id: "research"      default: true      heartbeat:        every: "55m" # langen Cache für intensive Sitzungen aktiv halten    - id: "alerts"      params:        cacheRetention: "none" # Cache-Schreibvorgänge für stoßweise Benachrichtigungen vermeiden

agents.entries.*.params wird über den params des ausgewählten Modells zusammengeführt, sodass Sie nur cacheRetention überschreiben und andere Modellstandardwerte unverändert übernehmen können.

Anthropic-Kontext mit 1M

OpenClaw dimensioniert allgemein verfügbare Claude-4.x-Modelle wie Opus 4.8, Opus 4.7, Opus 4.6 und Sonnet 4.6 mit dem 1M-Kontextfenster von Anthropic. Sie benötigen params.context1m: true für diese Modelle nicht.

agents:  defaults:    models:      "anthropic/claude-opus-4-6":        alias: opus

Ältere Konfigurationen können context1m: true beibehalten, aber OpenClaw sendet den eingestellten Anthropic-Beta-Header context-1m-2025-08-07 für diese Einstellung nicht mehr und erweitert nicht unterstützte ältere Claude-Modelle nicht auf 1M.

Voraussetzung: Die Anmeldedaten müssen für die Nutzung langer Kontexte berechtigt sein. Andernfalls antwortet Anthropic für diese Anfrage mit einem Provider-seitigen Ratenbegrenzungsfehler.

Wenn Sie sich bei Anthropic mit OAuth-/Abonnement-Tokens (sk-ant-oat-*) authentifizieren, behält OpenClaw die für OAuth erforderlichen Anthropic-Beta- Header bei und entfernt gleichzeitig den eingestellten Beta-Wert context-1m-*, falls er noch in einer älteren Konfiguration vorhanden ist.

Tipps zur Verringerung des Token-Drucks

• Verwenden Sie /compact, um lange Sitzungen zusammenzufassen.
• Kürzen Sie umfangreiche Tool-Ausgaben in Ihren Workflows.
• Reduzieren Sie agents.defaults.imageMaxDimensionPx für Sitzungen mit vielen Screenshots.
• Halten Sie Skill-Beschreibungen kurz (die Skill-Liste wird in den Prompt eingefügt).
• Bevorzugen Sie kleinere Modelle für ausführliche, explorative Arbeiten.

Die genaue Formel für den Overhead der Skill-Liste finden Sie unter Skills.

Verwandte Themen

• API-Nutzung und Kosten
• Prompt-Caching
• Nutzungsverfolgung