OpenClaw too expensive — чому agent спалює токени та як заощадити

OpenClaw — autonomous agent з багаторівневою архітектурою. На відміну від простих асистентів, де один промпт йде в модель і повертається відповідь, OpenClaw будує ланцюжок з кількох ролей і кількох ітерацій. Кожна ланка ланцюжка споживає токени, і підсумкова витрата на одне завдання користувача перевищує витрату чат-асистента на порядок і більше.

Типовий workflow OpenClaw на завданні «написати модуль X»:

1. Планувальник читає task description і весь контекст проєкту (~30K input + 2K output)
2. Декомпозитор розбиває план на підзадачі (~20K input + 1K output)
3. Виконавець для кожної підзадачі: читає файли, генерує код, застосовує патчі (5—15 ітерацій × ~50K input + 3K output)
4. Критик перевіряє результати та пропонує коригування (~40K input + 2K output)
5. Коректор застосовує виправлення (5—10 ітерацій × ~30K input + 2K output)
6. Фінальна перевірка та оформлення звіту (~30K input + 1.5K output)

Складіть все — на одне середнє завдання OpenClaw витрачає 800K—1.5M input-токенів і 50—120K output-токенів. На складних завданнях з довгими автономними ітераціями витрата зростає до 5—15M input + 200—500K output.

Реальні цифри для конкретних типів завдань:

• Проста фіча (одна функція з тестом): ~600K total tokens ≈ $3 на Anthropic
• Середня фіча (новий модуль на 200 рядків): ~3M total tokens ≈ $12
• Складна фіча (рефакторинг + новий функціонал): ~10M total tokens ≈ $35
• Довге автономне завдання (годинний запуск з критиком та ітераціями): 30—50M total tokens ≈ $100—170
• Повний день агента з кількома завданнями в OpenClaw: 100—200M total tokens ≈ $350—700

Головна відмінність від Cline або Cursor — OpenClaw робить 3—5 рольових викликів на кожному кроці, тоді як Cline робить один. Це не баг — це feature, яка підвищує якість прийняття рішень і знижує кількість помилок. Але в грошовому плані вона ж робить OpenClaw найдорожчим agentic-інструментом на ринку при використанні Anthropic або OpenAI безпосередньо.

Порівняння швидкості витрат з іншими інструментами на тому ж завданні:

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

OpenClaw підтримує будь-які OpenAI-сумісні провайдери через змінні середовища та через config-файл. Це означає, що перемикання з Anthropic API на JoinGonka Gateway не вимагає ні однієї стрічки змін у коді самого OpenClaw — лише зміна endpoint та API-ключа.

Порівняння за типами завдань:

Багаторівнева архітектура OpenClaw, яка робить його дорогим у Anthropic, на JoinGonka перетворюється на перевагу: більше рольових викликів = більше точності прийняття рішень, і тепер це не коштує майже нічого. Можна вмикати всіх критиків та перевіряючих, залишати автономні запуски на ніч, експериментувати з довгими ланцюжками — без страху побачити вранці чотиризначний рахунок.

JoinGonka Gateway тарифікує input та output однаково — по $0.001/1M. У Anthropic input коштує $3, output — $15. Це означає, що OpenClaw, який генерує багато проміжних output-токенів на ролевих обмінах, економить ще більше відносно нативного Claude Sonnet 4.5.

Що під капотом — модель Qwen3-235B-A22B-Instruct (MoE з 22B активних параметрів). Для ролевих завдань (планування, виконання, критика) її здібності до structured output та tool calling суттєві: модель підтримує нативний tool calling через PR #767 з порогом 0.958. На бенчмарку SWE-bench, який вимірює якість автономної розробки, Qwen3-235B тримається на рівні Claude Sonnet 4.5. Докладніше — у статті про Qwen3-235B. Загальний контекст ринку — в огляді найдешевшого AI API у 2026.

OpenClaw читає конфігурацію зі змінних середовища та з локального config-файлу (за замовчуванням ~/.openclaw/config.yaml). Для переходу на JoinGonka достатньо змінити два значення — base URL та API key.

Крок 1. Отримайте API-ключ JoinGonka. Зареєструйтеся на gate.joingonka.ai/register, отримайте 10M безкоштовних токенів на тестування, скопіюйте ключ з Dashboard (формат jg-xxx).

Крок 2a. Спосіб через змінні середовища. Найшвидший спосіб:

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

Щоб змінні зберігалися — додайте їх до ~/.bashrc або ~/.zshrc.

Крок 2b. Спосіб через config-файл. Більш надійний для продакшену. Відкрийте ~/.openclaw/config.yaml та додайте:

provider: openai\nbase_url: https://gate.joingonka.ai/v1\napi_key: jg-ваш-ключ\nmodel: Qwen/Qwen3-235B-A22B-Instruct-2507-FP8\nmax_tokens: 2048\ntemperature: 0.3

Цей конфіг завантажується автоматично при кожному запуску openclaw.

Крок 3. Якщо використовуєте кілька ролевих агентів. OpenClaw дозволяє призначати різні моделі різним ролям — наприклад, легшу модель для планувальника та потужнішу для виконавця. Через JoinGonka можна використовувати ту ж Qwen3-235B для всіх ролей (вона достатньо сильна для всього пайплайну) або комбінувати її з іншими моделями мережі, наприклад Kimi K2.6 (якщо вам потрібне довге контекстне вікно для критика). Подробиці — у статті про Kimi K2.6.

Крок 4. Ліміти та захист. OpenClaw вміє обмежувати максимальне число ітерацій та максимальну витрату токенів на завдання. Навіть на JoinGonka варто встановити розумні межі (наприклад, 1M токенів на завдання) — це захищає від випадкових циклів та прискорює налагодження логіки самого агента. У config:

limits:\n  max_iterations: 50\n  max_tokens_per_task: 1000000\n  max_cost_per_task_usd: 1.00

Крок 5. Перевірка. Запустіть просте завдання — openclaw run \"create a hello world function in python\". Якщо агент пройшов цикл планування, виконання та перевірки і видав підсумковий файл — налаштування завершено. Витрата в Dashboard JoinGonka з'явиться в реальному часі.

Один і той же ключ JoinGonka працює з іншими agentic-інструментами: Cline, Cursor, Claude Code. Всі вони тарифікуються із загального балансу акаунту.

Порівняємо три типових профілі використання OpenClaw у продакшені.

Профіль 1: «Експеримент з агентами». Розробник запускає OpenClaw 5—10 разів на тиждень, в основному на середніх завданнях для оцінки якості. Місячна витрата — ~50M total tokens.

• Anthropic: 50M × $0.005 ≈ $250/міс
• JoinGonka: 50M × $0.001 = $0.05/міс. Економія — у 5000 разів.

Профіль 2: «Регулярне використання як частина workflow». OpenClaw запускається на складних завданнях щодня, іноді залишається на тривалі автономні сесії. Місячна витрата — ~500M total tokens.

• Anthropic: 500M × $0.005 ≈ $2500/міс
• JoinGonka: 500M × $0.001 = $0.50/міс. Економія — у 5000 разів.

Профіль 3: «Production-pipeline на OpenClaw». Команда автоматизувала частину робочих процесів через OpenClaw — генерація звітів, рефакторинг старого коду, code review. Витрата — ~3B total tokens на місяць.

• Anthropic: 3B × $0.005 = $15000/міс
• JoinGonka: 3B × $0.001 = $3/міс. Економія — у 5000 разів.

На рівні Профілю 3 ефект особливо цікавий — OpenClaw з «занадто дорогого для регулярної автоматизації» перетворюється на «настільки дешевого, що можна автоматизувати все, що можна». Це змінює саму економіку прийняття рішень: завдання, яке раніше здавалося занадто дорогим для агента, тепер може бути віддане йому без роздумів.

На річному горизонті у активного користувача економія — близько $30000, у команди — $180000. Це вже не просто оптимізація бюджету, це якісна зміна того, як команда використовує agentic AI: безкоштовно замість «за бюджетом».

При цьому сам OpenClaw як інструмент залишається незмінним: ті ж ролеві pipeline, та ж якісна декомпозиція, той же контроль через критиків. Міняється тільки джерело inference — і разом з ним змінюється економіка всього workflow.

Стратегія міксування моделей в OpenClaw. OpenClaw підтримує різні моделі для різних ролей в pipeline. Через JoinGonka Gateway ви можете призначити Qwen3-235B для всіх етапів (універсальна сильна модель), або комбінувати її з Kimi K2.6 для критика і фінальної перевірки — у Kimi довгий контекст і сильне reasoning, що особливо корисно при оцінці багатоетапних результатів. Оскільки обидві моделі тарифікуються по $0.001/1M, ніякого фінансового бонусу від використання більш «легкої» моделі в дешевих ролях не отримаєш — але можна тонко налаштовувати якість відповідей для кожної стадії pipeline.

Production-кейс: автоматизація code review. Один з реальних сценаріїв, що став можливим завдяки економіці JoinGonka — автоматичне code review для кожного pull request через OpenClaw. Pipeline: «прочитати diff → проаналізувати кожен файл → перевірити покриття тестами → скласти підсумковий звіт». На Anthropic цей pipeline з'їдав би ~$5—15 за один PR; на JoinGonka — $0.002—0.005. Команда з 10 розробників, що робить 50 PR на день, переходить з $750/день на Anthropic на $0.25/день на JoinGonka — і code review-агент перетворюється з розкоші на повсякденний workflow.