Langsung ke konten utama

​
Penggunaan token & biaya

OpenClaw melacak token, bukan karakter. Token bersifat spesifik untuk model, tetapi sebagian besar model bergaya OpenAI rata-rata sekitar ~4 karakter per token untuk teks bahasa Inggris.

​
Cara prompt sistem dibangun

OpenClaw menyusun prompt sistemnya sendiri pada setiap proses berjalan. Ini mencakup:
  • Daftar tool + deskripsi singkat
  • Daftar Skills (hanya metadata; instruksi dimuat sesuai permintaan dengan read)
  • Instruksi pembaruan mandiri
  • File workspace + bootstrap (AGENTS.md, SOUL.md, TOOLS.md, IDENTITY.md, USER.md, HEARTBEAT.md, BOOTSTRAP.md saat baru, ditambah MEMORY.md jika ada atau memory.md sebagai fallback huruf kecil). File besar dipotong oleh agents.defaults.bootstrapMaxChars (default: 20000), dan total injeksi bootstrap dibatasi oleh agents.defaults.bootstrapTotalMaxChars (default: 150000). File memory/*.md tersedia sesuai permintaan melalui tool memori dan tidak disuntikkan secara otomatis.
  • Waktu (UTC + zona waktu pengguna)
  • Tag balasan + perilaku heartbeat
  • Metadata runtime (host/OS/model/thinking)
Lihat rincian lengkapnya di Prompt Sistem.

​
Apa yang dihitung dalam jendela konteks

Semua yang diterima model dihitung terhadap batas konteks:
  • Prompt sistem (semua bagian yang tercantum di atas)
  • Riwayat percakapan (pesan pengguna + asisten)
  • Pemanggilan tool dan hasil tool
  • Lampiran/transkrip (gambar, audio, file)
  • Ringkasan pemadatan dan artefak pemangkasan
  • Wrapper penyedia atau header keamanan (tidak terlihat, tetapi tetap dihitung)
Untuk gambar, OpenClaw mengecilkan payload gambar transkrip/tool sebelum panggilan penyedia. Gunakan agents.defaults.imageMaxDimensionPx (default: 1200) untuk menyesuaikan ini:
  • Nilai yang lebih rendah biasanya mengurangi penggunaan vision-token dan ukuran payload.
  • Nilai yang lebih tinggi mempertahankan lebih banyak detail visual untuk OCR/tangkapan layar UI yang padat.
Untuk rincian praktis (per file yang disuntikkan, tool, Skills, dan ukuran prompt sistem), gunakan /context list atau /context detail. Lihat Context.

​
Cara melihat penggunaan token saat ini

Gunakan ini di chat:
  • /status → kartu status kaya emoji dengan model sesi, penggunaan konteks, token input/output respons terakhir, dan perkiraan biaya (hanya kunci API).
  • /usage off|tokens|full → menambahkan footer penggunaan per respons ke setiap balasan.
    • Disimpan per sesi (disimpan sebagai responseUsage).
    • Autentikasi OAuth menyembunyikan biaya (hanya token).
  • /usage cost → menampilkan ringkasan biaya lokal dari log sesi OpenClaw.
Permukaan lain:
  • TUI/Web TUI: /status + /usage didukung.
  • CLI: openclaw status --usage dan openclaw channels list menampilkan jendela kuota penyedia yang dinormalisasi (X% tersisa, bukan biaya per respons). Penyedia jendela penggunaan saat ini: Anthropic, GitHub Copilot, Gemini CLI, OpenAI Codex, MiniMax, Xiaomi, dan z.ai.
Permukaan penggunaan menormalkan alias field bawaan penyedia yang umum sebelum ditampilkan. Untuk traffic Responses keluarga OpenAI, ini mencakup input_tokens / output_tokens maupun prompt_tokens / completion_tokens, sehingga nama field yang spesifik transport tidak mengubah /status, /usage, atau ringkasan sesi. Penggunaan JSON Gemini CLI juga dinormalisasi: teks balasan berasal dari response, dan stats.cached dipetakan ke cacheRead dengan stats.input_tokens - stats.cached digunakan saat CLI tidak menyertakan field stats.input yang eksplisit. Untuk traffic Responses keluarga OpenAI native, alias penggunaan WebSocket/SSE dinormalisasi dengan cara yang sama, dan total fallback ke input + output yang dinormalisasi saat total_tokens tidak ada atau bernilai 0. Saat snapshot sesi saat ini jarang datanya, /status dan session_status juga dapat memulihkan penghitung token/cache dan label model runtime aktif dari log penggunaan transkrip terbaru. Nilai live nonnol yang sudah ada tetap diprioritaskan daripada nilai fallback transkrip, dan total transkrip yang lebih besar dan berorientasi prompt dapat menang saat total tersimpan tidak ada atau lebih kecil. Autentikasi penggunaan untuk jendela kuota penyedia berasal dari hook khusus penyedia bila tersedia; jika tidak, OpenClaw fallback dengan mencocokkan kredensial OAuth/kunci API dari profil autentikasi, env, atau konfigurasi.

​
Estimasi biaya (saat ditampilkan)

Biaya diperkirakan dari konfigurasi harga model Anda: 
models.providers.<provider>.models[].cost
Ini adalah USD per 1 juta token untuk input, output, cacheRead, dan cacheWrite. Jika harga tidak ada, OpenClaw hanya menampilkan token. Token OAuth tidak pernah menampilkan biaya dalam dolar.

​
Dampak TTL cache dan pemangkasan

Caching prompt penyedia hanya berlaku dalam jendela TTL cache. OpenClaw dapat secara opsional menjalankan pemangkasan cache-ttl: sistem memangkas sesi setelah TTL cache berakhir, lalu mereset jendela cache agar permintaan berikutnya dapat menggunakan kembali konteks yang baru dicache alih-alih mencache ulang seluruh riwayat. Ini menjaga biaya penulisan cache tetap lebih rendah saat sesi menganggur melewati TTL. Konfigurasikan ini di Konfigurasi gateway dan lihat detail perilakunya di Pemangkasan sesi. Heartbeat dapat menjaga cache tetap hangat selama jeda idle. Jika TTL cache model Anda adalah 1h, menetapkan interval heartbeat sedikit di bawahnya (misalnya, 55m) dapat menghindari pencachean ulang seluruh prompt, sehingga mengurangi biaya penulisan cache. Dalam penyiapan multi-agen, Anda dapat mempertahankan satu konfigurasi model bersama dan menyesuaikan perilaku cache per agen dengan agents.list[].params.cacheRetention. Untuk panduan lengkap per pengaturan, lihat Prompt Caching. Untuk harga API Anthropic, pembacaan cache jauh lebih murah daripada token input, sedangkan penulisan cache ditagih dengan pengali yang lebih tinggi. Lihat harga prompt caching Anthropic untuk tarif terbaru dan pengali TTL: https://docs.anthropic.com/docs/build-with-claude/prompt-caching

​
Contoh: jaga cache 1h tetap hangat dengan heartbeat

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

​
Contoh: traffic campuran dengan strategi cache per agen

agents:
  defaults:
    model:
      primary: "anthropic/claude-opus-4-6"
    models:
      "anthropic/claude-opus-4-6":
        params:
          cacheRetention: "long" # baseline default untuk sebagian besar agen
  list:
    - id: "research"
      default: true
      heartbeat:
        every: "55m" # jaga cache panjang tetap hangat untuk sesi mendalam
    - id: "alerts"
      params:
        cacheRetention: "none" # hindari penulisan cache untuk notifikasi yang bursty
agents.list[].params digabungkan di atas params model yang dipilih, sehingga Anda dapat mengganti hanya cacheRetention dan mewarisi default model lainnya tanpa perubahan.

​
Contoh: aktifkan header beta Anthropic 1M context

Jendela konteks 1M Anthropic saat ini dibatasi beta. OpenClaw dapat menyuntikkan nilai anthropic-beta yang diperlukan saat Anda mengaktifkan context1m pada model Opus atau Sonnet yang didukung. 
agents:
  defaults:
    models:
      "anthropic/claude-opus-4-6":
        params:
          context1m: true
Ini dipetakan ke header beta Anthropic context-1m-2025-08-07. Ini hanya berlaku saat context1m: true ditetapkan pada entri model tersebut. Persyaratan: kredensial harus memenuhi syarat untuk penggunaan konteks panjang (penagihan kunci API, atau jalur login Claude milik OpenClaw dengan Extra Usage diaktifkan). Jika tidak, Anthropic merespons dengan HTTP 429: rate_limit_error: Extra usage is required for long context requests. Jika Anda mengautentikasi Anthropic dengan token OAuth/langganan (sk-ant-oat-*), OpenClaw melewati header beta context-1m-* karena Anthropic saat ini menolak kombinasi itu dengan HTTP 401.

​
Tips untuk mengurangi tekanan token

  • Gunakan /compact untuk merangkum sesi yang panjang.
  • Pangkas output tool yang besar dalam alur kerja Anda.
  • Turunkan agents.defaults.imageMaxDimensionPx untuk sesi yang banyak menggunakan tangkapan layar.
  • Jaga deskripsi Skills tetap singkat (daftar skill disuntikkan ke prompt).
  • Pilih model yang lebih kecil untuk pekerjaan yang verbose dan eksploratif.
Lihat Skills untuk rumus overhead daftar skill yang tepat.