OpenClaw too expensive — почему agent сжигает токены и как сэкономить

OpenClaw — autonomous agent с многоуровневой архитектурой. В отличие от простых ассистентов, где один промпт идёт в модель и возвращается ответ, OpenClaw строит цепочку из нескольких ролей и нескольких итераций. Каждое звено цепочки потребляет токены, и итоговый расход на одну задачу пользователя превышает расход чат-ассистента на порядок и больше.

Типичный workflow OpenClaw на задаче «написать модуль X»:

1. Планировщик читает task description и весь контекст проекта (~30K input + 2K output)
2. Декомпозитор разбивает план на под-задачи (~20K input + 1K output)
3. Исполнитель для каждой под-задачи: читает файлы, генерирует код, применяет патчи (5—15 итераций × ~50K input + 3K output)
4. Критик проверяет результаты и предлагает корректировки (~40K input + 2K output)
5. Корректор применяет исправления (5—10 итераций × ~30K input + 2K output)
6. Финальная проверка и оформление отчёта (~30K input + 1.5K output)

Сложите всё — на одну среднюю задачу OpenClaw тратит 800K—1.5M input-токенов и 50—120K output-токенов. На сложных задачах с долгими автономными итерациями расход вырастает до 5—15M input + 200—500K output.

Реальные цифры для конкретных типов задач:

• Простая фича (одна функция с тестом): ~600K total tokens ≈ $3 на Anthropic
• Средняя фича (новый модуль на 200 строк): ~3M total tokens ≈ $12
• Сложная фича (рефакторинг + новый функционал): ~10M total tokens ≈ $35
• Долгая автономная задача (часовой запуск с критиком и итерациями): 30—50M total tokens ≈ $100—170
• Полный день агента с несколькими задачами в OpenClaw: 100—200M total tokens ≈ $350—700

Главное отличие от Cline или Cursor — OpenClaw делает 3—5 ролевых вызовов на каждом шаге, тогда как Cline делает один. Это не баг — это feature, которая повышает качество принятия решений и снижает количество ошибок. Но в денежном плане она же делает OpenClaw самым дорогим agentic-инструментом на рынке при использовании Anthropic или OpenAI напрямую.

Сравнение скорости расхода с другими инструментами на той же задаче:

• Cursor Agent: ~5K—50K tokens на задачу
• Cline: ~500K—5M tokens на задачу
• Claude Code: ~200K—3M tokens на задачу
• OpenClaw: ~3M—50M tokens на задачу (×5—10 от Cline)

OpenClaw поддерживает любые OpenAI-совместимые провайдеры через переменные окружения и через config-файл. Это означает, что переключение с Anthropic API на JoinGonka Gateway не требует ни одной строчки изменений в коде самого OpenClaw — только смена endpoint и API-ключа.

Сравнение по типам задач:

Многоуровневая архитектура OpenClaw, которая делает его дорогим у Anthropic, на JoinGonka превращается в преимущество: больше ролевых вызовов = больше точности принятия решений, и теперь это не стоит почти ничего. Можно включать всех критиков и проверяющих, оставлять автономные запуски на ночь, экспериментировать с длинными цепочками — без страха увидеть утром четырёхзначный счёт.

JoinGonka Gateway тарифицирует input и output одинаково — по $0.001/1M. У Anthropic input стоит $3, output — $15. Это означает, что OpenClaw, который генерирует много промежуточных output-токенов на ролевых обменах, экономит ещё больше относительно нативного Claude Sonnet 4.5.

Что под капотом — модель Qwen3-235B-A22B-Instruct (MoE с 22B активных параметров). Для ролевых задач (планирование, исполнение, критика) её способности к structured output и tool calling существенны: модель поддерживает нативный tool calling через PR #767 с порогом 0.958. На бенчмарке SWE-bench, который меряет качество автономной разработки, Qwen3-235B держится на уровне Claude Sonnet 4.5. Подробнее — в статье про Qwen3-235B. Общий контекст рынка — в обзоре самого дешёвого AI API в 2026.

OpenClaw читает конфигурацию из переменных окружения и из локального config-файла (по умолчанию ~/.openclaw/config.yaml). Для переключения на JoinGonka достаточно изменить два значения — base URL и API key.

Шаг 1. Получите API-ключ JoinGonka. Зарегистрируйтесь на gate.joingonka.ai/register, получите 10M бесплатных токенов на тестирование, скопируйте ключ из Dashboard (формат jg-xxx).

Шаг 2a. Способ через переменные окружения. Самый быстрый способ:

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

Чтобы переменные сохранялись — добавьте их в ~/.bashrc или ~/.zshrc.

Шаг 2b. Способ через config-файл. Более надёжный для продакшена. Откройте ~/.openclaw/config.yaml и добавьте:

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

Этот конфиг загружается автоматически при каждом запуске openclaw.

Шаг 3. Если используете нескольких ролевых агентов. OpenClaw позволяет назначать разные модели разным ролям — например, более лёгкую модель для планировщика и более мощную для исполнителя. Через JoinGonka можно использовать ту же Qwen3-235B для всех ролей (она достаточно сильная для всего пайплайна) или комбинировать её с другими моделями сети, например Kimi K2.6 (если вам нужно длинное контекстное окно для критика). Подробности — в статье про Kimi K2.6.

Шаг 4. Лимиты и защита. OpenClaw умеет ограничивать максимальное число итераций и максимальный расход токенов на задачу. Даже на JoinGonka стоит установить разумные пределы (например, 1M токенов на задачу) — это защищает от случайных циклов и ускоряет дебаг логики самого агента. В config:

limits:
  max_iterations: 50
  max_tokens_per_task: 1000000
  max_cost_per_task_usd: 1.00

Шаг 5. Проверка. Запустите простую задачу — openclaw run "create a hello world function in python". Если агент прошёл цикл планирования, исполнения и проверки и выдал итоговый файл — настройка завершена. Расход в Dashboard JoinGonka появится в реальном времени.

Один и тот же ключ JoinGonka работает с другими agentic-инструментами: Cline, Cursor, Claude Code. Все они тарифицируются из общего баланса аккаунта.

Сравним три типичных профиля использования OpenClaw в продакшене.

Профиль 1: «Эксперимент с агентами». Разработчик запускает OpenClaw 5—10 раз в неделю, в основном на средних задачах для оценки качества. Месячный расход — ~50M total tokens.

• Anthropic: 50M × $0.005 ≈ $250/мес
• JoinGonka: 50M × $0.001 = $0.05/мес. Экономия — в 5000 раз.

Профиль 2: «Регулярное использование как часть workflow». OpenClaw запускается на сложных задачах ежедневно, иногда оставляется на длительные автономные сессии. Месячный расход — ~500M total tokens.

• Anthropic: 500M × $0.005 ≈ $2500/мес
• JoinGonka: 500M × $0.001 = $0.50/мес. Экономия — в 5000 раз.

Профиль 3: «Production-pipeline на OpenClaw». Команда автоматизировала часть рабочих процессов через OpenClaw — генерация отчётов, рефакторинг старого кода, code review. Расход — ~3B total tokens в месяц.

• Anthropic: 3B × $0.005 = $15000/мес
• JoinGonka: 3B × $0.001 = $3/мес. Экономия — в 5000 раз.

На уровне Profile 3 эффект особенно интересный — OpenClaw из «слишком дорогого для регулярной автоматизации» превращается в «настолько дешёвого, что можно автоматизировать всё, что можно». Это меняет саму экономику принятия решений: задача, которая раньше казалась слишком дорогой для агента, теперь может быть отдана ему без раздумий.

На годовом горизонте у активного пользователя экономия — около $30000, у команды — $180000. Это уже не просто оптимизация бюджета, это качественное изменение того, как команда использует agentic AI: бесплатно вместо «по бюджету».

При этом сам OpenClaw как инструмент остаётся неизменным: те же ролевые pipeline, та же качественная декомпозиция, тот же контроль через критиков. Меняется только источник inference — и вместе с ним меняется экономика всего workflow.

Стратегия миксования моделей в OpenClaw. OpenClaw поддерживает разные модели для разных ролей в pipeline. Через JoinGonka Gateway вы можете назначить Qwen3-235B для всех этапов (универсальная сильная модель), либо комбинировать её с Kimi K2.6 для критика и финальной проверки — у Kimi длинный контекст и сильное reasoning, что особенно полезно при оценке многошаговых результатов. Поскольку обе модели тарифицируются по $0.001/1M, никакого финансового бонуса от использования более «лёгкой» модели в дешёвых ролях не получишь — но можно тонко настраивать качество ответов для каждой стадии pipeline.

Production-кейс: автоматизация code review. Один из реальных сценариев, ставших возможным благодаря экономике JoinGonka — автоматическое code review для каждого pull request через OpenClaw. Pipeline: «прочитать diff → проанализировать каждый файл → проверить покрытие тестами → составить итоговый отчёт». На Anthropic этот pipeline съедал бы ~$5—15 за один PR; на JoinGonka — $0.002—0.005. Команда из 10 разработчиков, делающая 50 PR в день, уходит со $750/день на Anthropic в $0.25/день на JoinGonka — и code review-агент превращается из роскоши в повседневный workflow.