很多人刚把 OpenClaw 跑起来的时候，关注点都在“能不能用”。等真正开始高频使用，第二个问题马上就会冒出来：

怎么省 token，怎么省钱。

这不是抠门，而是现实。尤其你一旦开始接 Telegram、开多 agent、装 skills、做网页搜索，模型调用频率会明显上升。OpenClaw 本身很强，但强也意味着你更需要会做分层配置。

我自己的核心思路就一句话：

别让最贵的模型去干最便宜的活。

OpenClaw 在这方面其实挺有优势，因为它不是只绑定一个模型。它本来就是一个面向多 provider、多 agent、多工具协作的框架。只要你思路理顺，完全可以把“不同任务交给不同模型”这件事做得很自然。

一、先接受一个现实：不是所有问题都需要最强模型

有些任务，真的不值得上旗舰模型。

比如：

  • 把一句话润色一下
  • 提取一个列表
  • 总结 200 字短文本
  • 改一个标题
  • 判断这是不是待办事项

这些任务对推理深度要求不高，用便宜模型通常就够。

真正该上强模型的，通常是：

  • 多步骤复杂推理
  • 长上下文整合
  • 需要谨慎判断的写作或方案设计
  • 多 agent 最终汇总
  • 高风险内容审核

这一点，和 OpenClaw 的官方 sub-agents 文档思路也是一致的：重任务和重复任务，子 agent 可以用更便宜的模型，主 agent 保持更高质量的模型。

二、OpenClaw 为什么天然适合做模型分层

1）它有多 provider 思路

OpenClaw 的插件体系里，官方列出的模型 provider 很多，包括 OpenAI、Anthropic、Google、OpenRouter、Mistral 等等。也就是说，从架构上它就不是单模型思维。

2）它有多 agent 思路

你完全可以让：

  • 主 agent：用强模型
  • 子 agent：用便宜模型
  • 某些特殊任务：临时覆盖模型

这种分层在 OpenClaw 里很顺，不是硬拗出来的。

3）skills 和工具也会影响 token

官方 skills 文档专门提到 skills 列表本身就会有 token 影响。换句话说，省 token 不只是“换便宜模型”，还包括：

  • 少装没必要的 skill
  • 少给没必要的工具
  • 少让大模型背过多说明

这点很多人容易忽略。

三、我建议的新手模型分工法

为了方便理解，你可以把模型分成三档。

第一档：便宜模型

适合做：

  • 分类
  • 提取
  • 改写
  • 短内容总结
  • 子任务初稿

特点：

  • 便宜
  • 快
  • 稳定性通常够用
  • 出错了也容易复核

第二档：中档模型

适合做：

  • 一般写作
  • 普通分析
  • 多段资料整合
  • 技术问答

特点：

  • 成本可控
  • 能力均衡
  • 适合当默认主力

第三档：强模型

适合做：

  • 最终决策
  • 高质量成文
  • 复杂推理
  • 多 agent 汇总
  • 高风险审核

特点：

  • 贵
  • 慢一点
  • 但在关键步骤值这个价

这三层不是死规则，但足够你把 80% 的成本浪费砍掉。

四、一个很实用的分配案例

假设你要让 OpenClaw 帮你完成“写一篇技术博客”的任务。

便宜模型负责：

  • 搜索结果去重
  • 提炼提纲
  • 把零散资料改成 bullet points

中档模型负责：

  • 根据提纲写出初稿
  • 把段落扩展成完整表达
  • 调整语言风格

强模型负责：

  • 审核事实有没有问题
  • 看结构是不是清楚
  • 输出最终版本

这样做的效果通常比“全程一个最强模型硬打”更划算，而且不一定更差。

因为强模型最值钱的地方，不在重复劳动，而在关键判断。

五、怎么在 OpenClaw 里落地这种思路

方法 1：主 agent 和 sub-agent 分模型

这是最推荐的。

官方文档明确提到，sub-agent 可以单独设置 model，甚至可以作为默认策略配置。换句话说，你完全可以让主 agent 保持高质量模型，而让后台研究和整理型子 agent 跑便宜模型。

这在实战里非常省。

方法 2：按 agent 角色分模型

如果你本来就用了多 agent 架构，那更简单：

  • 研究员 agent：便宜模型
  • 写手 agent：中档模型
  • 审核 agent：强模型

角色越清晰，模型分配越自然。

方法 3：减少无意义技能和上下文

这点虽然不像“换模型”那么显眼，但很关键。

如果你装了一堆当前根本不用的 skills，它们会进入系统提示或候选环境，长期下来就是隐形成本。

我现在的习惯是：

  • 当前不用的 skill 先关掉
  • 能让子 agent 单独持有的 skill，不让主 agent 全背着
  • 能短任务解决的，不做超长对话积累

这比盲目追求所谓“最强模型”更有效。

六、哪些省 token 的做法其实是错的

1）所有任务都切到最便宜模型

这会导致关键任务质量崩掉，然后你反复重试，最后更费 token。

2）什么都交给一个大模型

这看起来省配置，其实最容易烧钱。尤其当它还要负责搜索、总结、写作、审核全流程时，成本会很难看。

3）疯狂堆历史上下文

OpenClaw 会话用久了，上下文会越来越长。很多时候不是模型贵，而是你每次都在把旧内容重新喂进去。

4）工具和技能全开

很多人以为“全开最强”。实际上，越多能力意味着越重的系统提示和更多潜在调用。要学会收敛。

七、我自己的简化原则

如果你懒得做复杂规划，直接记住下面这套：

  1. 默认主力：选一个中档、稳定、便宜的模型
  2. 关键收尾：交给强模型
  3. 重复杂活：交给便宜模型或子 agent
  4. 不用的 skills 关掉
  5. 不要让一个会话无限变长

这五条做下来，基本就已经能把成本压到一个比较舒服的区间。

八、模型选择不是玄学，是任务分配

我越来越觉得，省 token 的核心不在“找到宇宙最便宜 provider”，而在于你有没有把任务分层。

OpenClaw 的好处就在这里：

  • 有 provider 体系
  • 有插件体系
  • 有 sub-agents
  • 有 skills 配置
  • 有多 agent 工作区

也就是说，它给了你足够多的杠杆。你不一定要全用，但至少你有能力做细分。

想继续看官方资料，我建议先看：

  • OpenClaw Skills 文档：https://docs.openclaw.ai/tools/skills
  • OpenClaw Sub-agents 文档：https://docs.openclaw.ai/tools/subagents
  • OpenClaw 官方 GitHub：https://github.com/openclaw/openclaw

结语

真正聪明的省 token，不是把体验砍烂，而是把高成本模型留给真正值得的步骤。

OpenClaw 非常适合这种“分层使用模型”的思路。你只要把主控、研究、初稿、审核这些环节拆开，成本和质量往往能同时兼顾。

最后也说个很现实的建议：如果你会频繁切换不同 provider、不同模型，尽量别让自己陷进一堆零散账号和不稳定线路里。我自己更愿意用 manusn.com 这种低价、稳定、对小白友好的 API 中转站来统一接入。尤其在 OpenClaw 这种会持续跑任务的场景里，线路稳、价格清楚、配置省心，长期体验真的差很多。