OpenClawが高すぎる — なぜエージェントはトークンを消費するのか、そして節約する方法

OpenClawは多層アーキテクチャを持つ自律型エージェントです。1つのプロンプトがモデルに入力され、応答が返される単純なアシスタントとは異なり、OpenClawは複数の役割と複数のイテレーションからなるチェーンを構築します。チェーンの各リンクはトークンを消費するため、ユーザーの1つのタスクあたりの総消費量は、チャットアシスタントの消費量を数桁上回ります。

「モジュールXを作成する」というタスクにおけるOpenClawの典型的なワークフロー：

1. プランナーがタスク記述とプロジェクト全体のコンテキストを読み込みます（約30K入力 + 2K出力）
2. デコンポーザーが計画をサブタスクに分解します（約20K入力 + 1K出力）
3. 実行者が各サブタスクに対して：ファイルを読み込み、コードを生成し、パッチを適用します（5〜15回のイテレーション × 約50K入力 + 3K出力）
4. 批評家が結果を確認し、修正を提案します（約40K入力 + 2K出力）
5. 修正者が修正を適用します（5〜10回のイテレーション × 約30K入力 + 2K出力）
6. 最終確認とレポート作成（約30K入力 + 1.5K出力）

すべてを合計すると、OpenClawは平均的なタスク1つに800K〜1.5Mの入力トークンと50〜120Kの出力トークンを消費します。長時間の自律イテレーションを伴う複雑なタスクでは、消費量は5〜15Mの入力と200〜500Kの出力に増加します。

特定のタスクタイプにおける実際の数値：

• 簡単な機能（テスト付きの単一機能）：約600K総トークン ≈ Anthropicで$3
• 中程度の機能（200行の新規モジュール）：約3M総トークン ≈ $12
• 複雑な機能（リファクタリング + 新規機能）：約10M総トークン ≈ $35
• 長時間の自律タスク（批評家とイテレーションを含む1時間の実行）：30〜50M総トークン ≈ $100〜170
• OpenClawで数タスクを実行するエージェントの終日作業：100〜200M総トークン ≈ $350〜700

ClineやCursorとの主な違いは、OpenClawが各ステップで3〜5回の役割ベースの呼び出しを行うのに対し、Clineは1回しか行わない点です。これはバグではなく、意思決定の質を高め、エラー数を減らす機能です。しかし、AnthropicやOpenAIを直接使用する場合、OpenClawを市場で最も高価なエージェント型ツールにしてしまいます。

同じタスクでの他のツールとの消費速度の比較：

• Cursor Agent：タスクあたり約5K〜50Kトークン
• Cline：タスクあたり約500K〜5Mトークン
• Claude Code：タスクあたり約200K〜3Mトークン
• OpenClaw：タスクあたり約3M〜50Mトークン（Clineの5〜10倍）

OpenClawは、環境変数と設定ファイルを通じて、OpenAI互換のあらゆるプロバイダーをサポートしています。これは、Anthropic APIからJoinGonka Gatewayへの切り替えに、OpenClaw自体のコード変更が1行も必要ないことを意味します。変更するのはエンドポイントとAPIキーだけです。

タスクタイプ別の比較：

OpenClawの多層アーキテクチャは、Anthropicではコストが高くなる原因でしたが、JoinGonkaでは利点に変わります。役割ベースの呼び出しが増えれば、意思決定の精度は向上しますが、今ではほとんどコストがかかりません。すべての批評家や検証者を有効にし、自律実行を夜間に任せ、長いチェーンで実験することができます。早朝に4桁の請求書を目にすることもなく。

JoinGonka Gatewayは、入力と出力を同じ$0.001/1Mで課金します。Anthropicでは、入力が$3、出力が$15です。これは、OpenClawが役割間の交換で多くの中間出力トークンを生成するため、ネイティブのClaude Sonnet 4.5に比べてさらに多くの費用を節約できることを意味します。

内部では、モデルはQwen3-235B-A22B-Instruct（MoE、22Bの活性パラメーターを持つ）を使用しています。役割ベースのタスク（計画、実行、批評）では、構造化出力とツール呼び出しの能力が重要です。このモデルは、PR #767を介して、0.958のしきい値でネイティブのツール呼び出しをサポートしています。自律開発の品質を測定するSWE-benchベンチマークでは、Qwen3-235BはClaude Sonnet 4.5と同等の性能を維持しています。詳細については、Qwen3-235Bに関する記事を参照してください。市場全体のコンテキストについては、2026年で最も安価なAI APIのレビューを参照してください。

OpenClawは、環境変数とローカル設定ファイル（デフォルトは~/.openclaw/config.yaml）から構成を読み込みます。JoinGonkaに切り替えるには、ベースURLとAPIキーの2つの値を変更するだけで十分です。

ステップ1. JoinGonka APIキーを取得します。 gate.joingonka.ai/registerで登録し、テスト用に10Mの無料トークンを取得し、ダッシュボードからキー（jg-xxx形式）をコピーします。

ステップ2a. 環境変数を使用する方法。 最も迅速な方法：

export OPENAI_BASE_URL=https://gate.joingonka.ai/v1
export OPENAI_API_KEY=jg-your-key
export OPENCLAW_MODEL=Qwen/Qwen3-235B-A22B-Instruct-2507-FP8
openclaw run "task"

変数を永続化するには、~/.bashrcまたは~/.zshrcに追加します。

ステップ2b. 設定ファイルを使用する方法。 本番環境向けにより信頼性の高い方法です。~/.openclaw/config.yamlを開いて追加します：

provider: openai
base_url: https://gate.joingonka.ai/v1
api_key: jg-your-key
model: Qwen/Qwen3-235B-A22B-Instruct-2507-FP8
max_tokens: 2048
temperature: 0.3

この設定は、openclawが起動するたびに自動的に読み込まれます。

ステップ3. 複数の役割エージェントを使用する場合。 OpenClawでは、異なるモデルを異なる役割に割り当てることができます。たとえば、プランナーには軽量なモデルを、実行者にはより強力なモデルを割り当てるといったことができます。JoinGonkaを使用すると、同じQwen3-235Bをすべての役割に使用するか（パイプライン全体で十分に強力です）、またはKimi K2.6などのネットワーク内の他のモデルと組み合わせることができます（批評家のために長いコンテキストウィンドウが必要な場合）。詳細については、Kimi K2.6に関する記事を参照してください。

ステップ4. 制限と保護。 OpenClawは、タスクごとの最大イテレーション数と最大トークン消費量を制限できます。JoinGonkaを使用する場合でも、合理的な制限（たとえば、タスクごとに1Mトークン）を設定することをお勧めします。これは、偶発的なループから保護し、エージェント自体のロジックのデバッグを高速化します。設定ファイルで：

limits:
  max_iterations: 50
  max_tokens_per_task: 1000000
  max_cost_per_task_usd: 1.00

ステップ5. 確認。 簡単なタスクを実行します。openclaw run "create a hello world function in python"。エージェントが計画、実行、確認のサイクルを完了し、最終ファイルを出力した場合、設定は完了です。JoinGonkaダッシュボードでの消費量はリアルタイムで表示されます。

同じJoinGonkaキーは、他のエージェント型ツール、具体的にはCline、Cursor、Claude Codeでも機能します。これらはすべて、アカウントの共通残高から請求されます。

プロダクション環境でOpenClawを使用する3つの典型的なプロファイルを比較してみましょう。

プロファイル1：「エージェントの実験」。 開発者が週に5〜10回OpenClawを起動し、主に品質評価のための中程度のタスクを行います。月間消費量は約50Mトークン。

• Anthropic: 50M × $0.005 ≈ 月額$250
• JoinGonka: 50M × $0.001 = 月額$0.05。節約率は5000倍。

プロファイル2：「ワークフローの一部としての定期的な使用」。 OpenClawは毎日複雑なタスクで起動され、時には長時間自律セッションとして実行されます。月間消費量は約500Mトークン。

• Anthropic: 500M × $0.005 ≈ 月額$2500
• JoinGonka: 500M × $0.001 = 月額$0.50。節約率は5000倍。

プロファイル3：「OpenClawのプロダクションパイプライン」。 チームがレポート生成、古いコードのリファクタリング、コードレビューなど、一部のワークフローをOpenClawで自動化しています。月間消費量は約3Bトークン。

• Anthropic: 3B × $0.005 = 月額$15000
• JoinGonka: 3B × $0.001 = 月額$3。節約率は5000倍。

プロファイル3のレベルでは、特に興味深い効果が現れます。OpenClawは、「定期的な自動化には高すぎる」というものから、「何でも自動化できるほど安い」ものへと変化します。これにより、意思決定の経済性そのものが変わります。以前はエージェントには高すぎると考えられていたタスクも、今では迷いなくエージェントに任せることができます。

年間で見ると、アクティブユーザーは年間約$30000、チームは約$180000の節約になります。これは単なる予算最適化ではなく、チームがエージェント型AIをどのように利用するかという質的な変化です。つまり、「予算内で」ではなく「無料で」です。

しかし、OpenClaw自体はツールとして変わっていません。同じ役割ベースのパイプライン、同じ高品質な分解、批評家による同じ制御。変わるのは推論のソースだけであり、それとともにワークフロー全体の経済性が変化します。

OpenClawでの混在モデル戦略。 OpenClawは、パイプラインの異なる役割に異なるモデルをサポートしています。JoinGonka Gatewayを通じて、Qwen3-235Bをすべての段階に割り当てるか（汎用的に強力なモデル）、または批評家と最終レビューのためにKimi K2.6と組み合わせることができます。Kimiは長いコンテキストと強力な推論能力を持ち、多段階の結果を評価する際に特に役立ちます。どちらのモデルも$0.001/1Mで課金されるため、安価な役割に「軽量」なモデルを使用しても金銭的なメリットはありませんが、パイプラインの各段階で応答の品質を細かく調整することができます。

プロダクションケース：コードレビューの自動化。 JoinGonkaの経済性によって可能になった実際のシナリオの1つは、OpenClawを介したすべてのプルリクエストに対する自動コードレビューです。パイプラインは次のようになります。「diffを読み込む → 各ファイルを分析する → テストカバレッジを確認する → 最終レポートを作成する」。Anthropicでは、このパイプラインは1つのPRあたり約$5〜15を消費しますが、JoinGonkaでは$0.002〜0.005です。開発者10人のチームが1日に50PRを行う場合、Anthropicでは1日あたり$750かかっていたのが、JoinGonkaでは1日あたり$0.25になります。これにより、コードレビューエージェントは贅沢品から日常的なワークフローへと変わります。