Token-Nutzung und Kosten

OpenClaw erfasst Tokens, nicht Zeichen. Tokens sind modellspezifisch, aber die meisten OpenAI-ähnlichen Modelle kommen bei englischem Text auf durchschnittlich ~4 Zeichen pro Token.

So wird der System-Prompt erstellt

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

• Werkzeugliste + Kurzbeschreibungen
• Skills-Liste (nur Metadaten; Anweisungen werden bei Bedarf mit read geladen). Native Codex-Turns erhalten den kompakten Skills-Block als turnbezogene Entwickleranweisungen für die 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 kein unformatiertes MEMORY.md ein, wenn für diesen Workspace Speicherwerkzeuge verfügbar sind; stattdessen erhalten sie einen kleinen Speicherverweis in turnbezogenen Entwickleranweisungen für die Zusammenarbeit und verwenden Speicherwerkzeuge bei Bedarf. Wenn Werkzeuge deaktiviert sind, die Speichersuche nicht verfügbar ist oder sich der aktive Workspace vom Speicher-Workspace des Agenten unterscheidet, greift MEMORY.md auf den normalen begrenzten Turn-Kontextpfad zurück.
  • Das kleingeschriebene Stammverzeichnis memory.md wird niemals injiziert. Es dient als Legacy-Reparatureingabe für openclaw doctor --fix, das es nach MEMORY.md migriert.
  • Tägliche memory/*.md-Dateien sind nicht Teil des normalen Bootstrap-Prompts; sie bleiben bei gewöhnlichen Turns über Speicherwerkzeuge bei Bedarf verfügbar. Modellläufe beim Zurücksetzen oder Starten können für diesen ersten Turn einmalig einen Startkontextblock mit aktuellen täglichen Speicherinhalten 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 eine ausdrückliche Aktivierung 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/Denken)

Die vollständige Aufschlüsselung finden Sie unter System-Prompt.

Verwenden Sie beim Dokumentieren von Anmeldedaten oder Authentifizierungsausschnitten die Konventionen für Geheimnisplatzhalter, um Fehlalarme von Geheimnisscannern bei reinen Dokumentationsänderungen zu vermeiden.

Was zum Kontextfenster zählt

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

• System-Prompt (alle obigen Abschnitte)
• Konversationsverlauf (Nachrichten von Benutzer + Assistent)
• Werkzeugaufrufe und Werkzeugergebnisse
• Anhänge/Transkripte (Bilder, Audio, Dateien)
• Compaction-Zusammenfassungen und Bereinigungsartefakte
• Provider-Wrapper oder Sicherheits-Header (nicht sichtbar, werden aber dennoch angerechnet)

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

Dies sind begrenzte Laufzeitauszüge und injizierte, laufzeiteigene Blöcke, getrennt von Bootstrap-Limits, Startkontextlimits und Limits für Skills-Prompts.

OpenClaw leitet das aktuelle Limit für Werkzeugergebnisse aus dem effektiven Modellkontextfenster ab: 16000 Zeichen bei weniger als 100K Tokens, 32000 Zeichen ab 100K Tokens und 64000 Zeichen ab 200K Tokens. Die Laufzeitschutzvorrichtung für den Kontextanteil begrenzt außerdem ein einzelnes Werkzeugergebnis auf 30 % des Kontextfensters.

Große Provider-Fenster werden nicht automatisch aktiviert, wenn sie Kosten oder Latenz wesentlich verändern. Beispielsweise veröffentlichen direkte OpenAI-Modelle GPT-5.5 und GPT-5.6 ein Gesamtfenster von 1050000 Tokens, aber OpenClaw setzt ihr aktives Laufzeitbudget standardmäßig auf 272000 Tokens. Das optional aktivierbare Eingabebudget 922000 reserviert das vollständige Ausgabelimit von 128000, und OpenAI wendet die höheren Preise für lange Kontexte auf die gesamte Anfrage an, sobald die Eingabe 272000 Tokens überschreitet. Siehe Standardwerte für das OpenAI-Kontextfenster.

Für Bilder verkleinert OpenClaw Bildnutzlasten aus Transkripten/Werkzeugen 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-intensive Screenshots.

Für eine praktische Aufschlüsselung (nach injizierter Datei, Werkzeugen, 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 pro Sitzung erhalten (gespeichert als responseUsage).
  • /usage reset (Aliasse: inherit, clear, default) löscht die Sitzungsüberschreibung, sodass wieder der konfigurierte Standard übernommen wird.
  • /usage tokens zeigt Token-/Cache-Details des Turns.
  • /usage full zeigt kompakte Modell-/Kontext-/Kostendetails; geschätzte Kosten erscheinen nur, 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.

Andere 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 Provider-native Feldaliase. 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 bereitstellt. Legacy-JSON-Überschreibungen lesen den Antworttext weiterhin aus response.

Bei nativem 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 unvollständig ist, können /status und session_status Token-/Cache-Zähler und die Bezeichnung des aktiven Laufzeitmodells aus dem neuesten Transkript-Nutzungsprotokoll wiederherstellen. Vorhandene Live-Werte ungleich null haben weiterhin Vorrang vor Transkript-Rückfallwerten, und größere promptorientierte Transkript-Gesamtwerte können Vorrang erhalten, wenn gespeicherte Gesamtwerte fehlen oder kleiner sind.

Die Nutzungsauthentifizierung für Provider-Kontingentfenster stammt zuerst aus providerspezifischen 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.

Assistenten-Transkripteinträge 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 eine stabile Quelle, selbst nachdem der aktive Laufzeitstatus nicht mehr vorhanden ist.

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

Kostenschätzung (wenn angezeigt)

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 mit 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 einen optionalen Hintergrund-Bootstrap für Preise von konfigurierten Modellreferenzen, die noch keine lokalen Preise besitzen. 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 bestimmen weiterhin lokale Kostenschätzungen.

Auswirkungen von Cache-TTL und Bereinigung

Das Prompt-Caching des Providers gilt nur innerhalb des Cache-TTL-Fensters. OpenClaw kann optional eine Cache-TTL-Bereinigung durchführen: 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 vollständigen Verlauf erneut zwischenzuspeichern. Dadurch bleiben die Kosten für Cache-Schreibvorgänge niedriger, wenn eine Sitzung länger als die TTL inaktiv bleibt.

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

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

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

Eine vollständige Anleitung zu jeder einzelnen Einstellung finden Sie unter Prompt-Caching.

Bei der API-Preisgestaltung von Anthropic sind Cache-Lesevorgänge deutlich günstiger als Eingabe- Tokens, während Cache-Schreibvorgänge mit einem höheren Multiplikator abgerechnet werden. Die neuesten Preise und TTL-Multiplikatoren für Prompt-Caching finden Sie bei Anthropic: 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 umfangreiche Sitzungen aktiv halten    - id: "alerts"      params:        cacheRetention: "none" # Cache-Schreibvorgänge bei stoßweisen Benachrichtigungen vermeiden

agents.entries.*.params wird mit 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. Für diese Modelle benötigen Sie params.context1m: true nicht.

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

Ältere Konfigurationen können context1m: true beibehalten, aber OpenClaw sendet für diese Einstellung nicht mehr den eingestellten Anthropic-Beta-Header context-1m-2025-08-07 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 zugleich 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 große Tool-Ausgaben in Ihren Workflows.
• Verringern Sie agents.defaults.imageMaxDimensionPx bei 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 zusätzlichen Umfang der Skill-Liste finden Sie unter Skills.

Verwandte Themen

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