OpenClaw дорого обходиться — чому агент спалює токени і 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 оточення та через config-файл. Це означає, що перемикання з Anthropic API на JoinGonka Gateway не потребує жодного рядка змін у коді самого OpenClaw — тільки 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 влучності прийняття рішень, і тепер це не коштує майже нічого. Можна вмикати всіх критиків і перевіряючих, залишати автономні запуски на ніч, експериментувати з довгими ланцюжками — без страху побачити вранці чотиризначний рахунок.

JoinGonka Gateway тарифікує вхід і вихід — частки цента за мільйон токенів (вихід дорожчий за вхід). У Anthropic input коштує $3, output — $15: навіть вихід JoinGonka в сотні разів дешевший, що особливо вигідно для OpenClaw, який генерує багато output-токенів на рольових обмінах.

Що під капотом — модель Kimi K2.6 (архітектура MoE). Для рольових завдань (планування, виконання, критика) її здібності до structured output та tool calling є суттєвими: модель підтримує нативний tool calling. На бенчмарку SWE-bench, який міряє якість автономної розробки, Kimi K2.6 тримається на рівні Claude Sonnet 4.6. Детальніше — у статті про Qwen3-235B. Загальний контекст ринку — в огляді найдешевшого AI API у 2026.

Найпростіший спосіб — через інсталятор в одну команду: він сам пропише провайдера JoinGonka у ~/.openclaw/openclaw.json з правильним baseUrl та моделями, зробивши бекап поточного конфігу:

npx @joingonka/setup --tool openclaw

Це універсальний інсталятор JoinGonka — без прапора npx @joingonka/setup він запропонує обрати інструмент (Claude Code, OpenClaw або Cline), запитає API-ключ (jg-…) та допише лише провайдера JoinGonka, не чіпаючи інші налаштування. Нижче — ручний шлях, якщо ви віддаєте перевагу налаштуванню власноруч.

{
  "models": {
    "providers": {
      "gonka": {
        "baseUrl": "https://gate.joingonka.ai/v1",
        "api": "openai-completions",
        "apiKey": "${GONKA_API_KEY}",
        "models": [
          { "id": "moonshotai/Kimi-K2.6", "name": "Kimi K2.6", "maxTokens": 8192 },
          { "id": "MiniMaxAI/MiniMax-M2.7", "name": "MiniMax M2.7", "maxTokens": 8192 }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": { "primary": "gonka/moonshotai/Kimi-K2.6" }
    }
  }
}

export GONKA_API_KEY=jg-ваш-ключ

Порівняємо три типові 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 × $0.0048 = $0.24/міс. Економія — у 1040 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 × $0.0048 = $2.40/міс. Економія — у 1040 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 × $0.0048 = $14.40/міс. Економія — у 1040 разів.

На рівні Profile 3 ефект особливо цікавий — OpenClaw із «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 в 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 «по бюджету».

При цьому сам OpenClaw як інструмент залишається незмінним: ті самі рольові pipeline, та сама якісна декомпозиція, той самий контроль через критиків. Змінюється тільки джерело inference — і разом з ним змінюється економіка всього workflow.

Стратегія міксування моделей в OpenClaw. OpenClaw підтримує різні моделі для різних ролей у pipeline. Через JoinGonka Gateway ви можете призначити MiniMax M2.7 для всіх етапів (універсальна модель), або комбінувати її з Kimi K2.6 для критика та фінальної перевірки — у Kimi довгий контекст і сильне reasoning, що особливо корисно при оцінці багатокрокових результатів. Оскільки обидві моделі тарифікуються по $0.003/1M, ніякого фінансового бонусу від використання «легшої» моделі у дешевих ролях не отримаєш — але можна тонко налаштовувати якість відповідей для кожної стадії pipeline.

Production-кейс: автоматизація code review. Один з реальних сценаріїв, що стали можливими 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 — $0.01—0.024. Команда з 10 розробників, що робить 50 PR на день, йде з $750/день на Anthropic у $1.20/день на JoinGonka — і code review-агент перетворюється з розкоші на повсякденний workflow.