OpenClaw 跑了幾個月，成本是這樣控下來的
最近 Reddit 有個討論蠻有共鳴的，有人說跑 OpenClaw 15 分鐘就燒了 €10，底下一群人在問「你們到底怎麼跑的」。看完整串討論，原 PO 的需求說穿了就是 lead gen 加上幾個簡單 workflow，直接把 Claude Sonnet 接上去跑所有 node，成本當然爆。
問題不是工具貴，是沒做任務分層。
把任務分三層，是最值得花時間的事
我自己跑了一段時間之後，大致把任務分成這樣：
L1 - 結構化、可預期：分類、欄位萃取、條件判斷、填模板。這種用 Haiku 或 Gemini Flash 就夠，跟 Sonnet 的成本差超過 10 倍，但對輸出品質幾乎沒差。
L2 - 需要理解意圖：摘要、回應草稿、輕量 RAG 查詢。用 Sonnet 或同等級，但一定要開 prefix caching。同一段 system prompt 反覆送，開了之後大概能省 70-80%。
L3 - 真的需要推理：agent planning、複雜判斷、edge case 處理。這才值得上最貴的 model，但通常一天也就跑幾次，不是主要成本來源。
做完這個分層，同樣的 workflow 成本大概能砍 5 到 8 倍。我自己測下來大概是這樣。
Model Router 不用多複雜
最簡單的做法：針對不同 workflow node 直接寫死 model，不要讓所有 node 共用同一個 config。大部分人嫌麻煩跳過這步，但花 30 分鐘設一次，之後每個月都省錢。
稍微進階一點的是讓 orchestrator 先判斷 task tier 再 route，但如果你的 workflow 邏輯夠清楚，其實寫死就夠了，不用過度工程化。
觀測只追三個數字
有人說做 observability 要上一整套 stack，Langfuse、Prometheus 全部到位。我覺得對大部分人來說這樣太重了，反而搞到半途而廢。
我只追三個：每日 token 用量（按 model 分開看）、平均 latency（latency 異常高代表在用貴的 model 做不需要的事）、error rate（free tier 過載的早期警示）。
用 Google Sheet 記就夠，至少讓你知道錢是在哪個 node 燒掉的。
大部分「成本爆炸」的原因都是 model 選錯，不是架構有問題。分層之後成本會變得可預測，這比去找一台更快的機器實際多了。
作者：AutoKitty