企业官网建设流程全解析

如果你也是那种把智能体当生产力工具用的人，应该能懂我上个月看到 OpenClaw 账单时的感受：一个开源项目，居然能让我一个月花掉 600 美元。说实话，一开始我是认的——毕竟每天让 AI 帮我处理邮件、整理文档、跑数据分析、自动回复，这些任务全都走云端 API，烧钱似乎是理所当然的。直到我偶然翻了配置，才意识到这里面至少有八成是可以省下来的。

这篇不是标题党。我把过去两个月的省钱折腾过程完整记录下来：从 600 美元到 20 美元，功能基本没缩水。无论你是刚接触 OpenClaw、还在纠结怎么部署，还是已经在 Windows 上跑起来了、但账单高得离谱，这篇都能给你一套可以直接抄的改进方案。

1. 先看清账单：600美元到底烧在哪些环节

在做任何优化之前，得先搞清楚钱是从哪个口子漏掉的。很多人一上来就换模型、搞本地部署，折腾半天发现账单没降多少，原因是根本没找到成本大头。我的做法是：先跑一个星期的用量统计，把 OpenClaw 每次调用的 token 日志导出，按任务类型和会话维度去汇总。

1.1 全API模式下最烧钱的三个场景

第一个是高频轮询式任务。比如每 5 分钟检查一次邮箱、每 10 分钟抓一次网页信息、定时生成日报，这类任务单次消耗不大，但架不住次数多，一天几百次调用，叠加起来很可观。

第二个是长上下文会话。OpenClaw 的特色是能在一个会话里连续处理几十步操作，每一步都会把前面的历史对话一起发给模型。会话进行到一半，一次请求的输入 token 可能已经超过 10 万，而这 10 万 token 里可能只有几千是真正有用的新信息。

第三个是并行任务。为了效率，我习惯同时开七八个会话跑不同项目，OpenClaw 默认是每个会话独立计费的。这看起来是"并发效率"，但实际有一个隐含问题：大量相同的历史背景被反复发送到 API，等于同一份钱被重复收了好几次。

1.2 用一周追踪日志找出成本黑洞

我导出日志后，用一个小脚本按日期、任务名、token 量做了汇总。结果让我很意外：最烧钱的并不是我以为的"复杂代码生成"，而是那些每天重复的定时任务。它们占了我总 token 消耗的 42%。

为了让你有个直观概念，我按当时 API 的公开定价粗算过一笔账：如果一天的 token 消耗是 200 万输入加 30 万输出，按主流云端模型的价格（输入约 3 美元每百万 token，输出约 15 美元每百万 token）来算，一天就是 6 加 4.5 等于 10.5 美元，一个月下来就是 300 多美元。如果再算上偶尔用更强的模型，上 600 美元根本不夸张。这里的关键不是模型单价，而是"重复发送的上下文"在替你把钱烧掉。

提示：先看日志再动手优化，永远比凭感觉换模型靠谱。OpenClaw 自带会话记录和 token 统计接口，我个人是把这些记录导成 CSV 后用本地脚本聚合的，不用额外花钱。

2. 算力路线选择：本地模型和云端API混合才是省钱的杠杆

很多从官方 Demo 开始用 OpenClaw 的人，脑子里会形成一个默认认知：OpenClaw 必须接云端 API 才能用。其实不是，至少在 2026 年的开源生态里，它早就支持本地模型了。Ollama 是其中最省事的方案。这也回答了那个常见疑问：OpenClaw 不是只能用 API 方式使用算力，本地算力完全可以接入。

2.1 为什么"只用API"是默认的烧钱陷阱

官方 Quickstart 文档大概率会让你先填一个 API Key，因为这样最快、最无脑。但代价是你每一次请求都要按 token 付费。本地模型则是一次性投入硬件成本，跑的每一句话都不再额外计费。我见过不少朋友因为"不想配置本地环境"而坚持全云端，结果月账单轻松上千。

这里并不是要你放弃云端 API，而是建议把两者按任务难度路由。我的个人体验是：像文本分类、邮件草稿、格式化输出、数据提取这类确定性较强的任务，本地 14B 模型完全够用；只有真正需要复杂推理或代码生成的活，才需要云端更强的大模型。

2.2 在OpenClaw里配置Ollama本地模型

具体操作分三步：

1. 在 Windows 或 Linux 机器上安装 Ollama，然后拉取一个合适大小的开源模型。个人建议先试试 14B 量级的量化版本，显存占用大约 8 到 10GB，大多数近几年的机器都能跑。
2. 确认 Ollama 服务地址，默认是localhost:11434。
3. 在 OpenClaw 的配置文件中增加一个 provider 项。

配置示例（示意，以你所用 OpenClaw 版本为准）：

{ "modelProvider": "ollama", "ollama": { "baseUrl": "http://localhost:11434", "model": "qwen2.5:14b", "temperature": 0.2 } }

这样你就能让 OpenClaw 的大部分基础调用直接走本地。第一次加载模型会慢一些，后续推理速度会稳定很多。如果你用的是中文社区打包的 OpenClaw 版本，配置项名称可能会稍有差异，但结构基本一致。

2.3 设定任务级路由：简单任务本地、复杂任务云端

OpenClaw 的 skill 机制可以给不同任务定义不同的执行策略，我最后采用的路线是：日常任务、定时任务、文本处理走 Ollama；代码生成、多步骤网页操作、长文档分析走云端 API。这样一个简单策略，就把 80% 的重复调用从付费 API 上挪走了。

有个小细节要注意：本地模型和云端模型的输出风格差异较大，如果发现某些任务的结果不稳定，不要硬撑，把它切回云端。省钱的前提是任务质量不下降，否则省下来的钱都会变成你重新处理烂结果的时间成本。

3. 上下文与缓存的隐形开销：多数人忽略的二次成本

如果说切换本地模型是"开源"，那么上下文和缓存优化就是"节流"。这部分容易被忽略，但省下来的钱非常可观，尤其是长会话重度用户。

3.1 上下文Token是如何重复计费的

先讲一个很多新手误解的点：API 计费不是按"你这次提问的字数"算的，而是按"你发给模型的全部内容"算的。OpenClaw 这类智能体会把整个会话历史打包发送，所以你在一个会话里跑得越深，后续每次请求的输入 token 就越多。哪怕新任务只增加了一行指令，模型收到的还是几十万 token 的历史。

我最早就是在这个地方吃大亏的：一个会话里跑了 20 多步操作，后面的每一步都在为前面所有内容掏钱。等我把会话历史导出来一看，才发现单步操作的输入 token 早就超过了 8 万，而真正新产生的只有几百 token。

3.2 用会话摘要压缩输入Token

解决办法是把"完整历史"替换成"压缩摘要"。OpenClaw 较新版本支持会话摘要机制，可以在配置里打开。它会每隔若干轮，把前面的对话压缩成一段结构摘要，之后只发送摘要加最近几轮对话，而不是全部历史。

我这里给个简单的配置示意：

{ "contextStrategy": "summary", "summaryTriggerSteps": 8, "maxContextTokens": 64000 }

含义是：每 8 步触发一次摘要，上下文窗口上限设为 64000 token。这样单次请求的输入 token 基本能被压在一个可控范围内。对我这种长会话重度的用户来说，这步省下的钱甚至比切换本地模型还要多。开完这个功能后的第一周，我的云端 token 消耗直接少了三分之一。

3.3 批量合并小任务，减少请求次数

还有一个比较"反直觉"的做法：把碎片化的小任务合并成批量任务。比如每天早上有 10 个不同网站要抓数据，不要写成 10 个每 5 分钟跑一次的定时任务，而是写成一个在固定时间统一执行的批量脚本，一次性把 10 个任务的结果带回，再让模型统一整理。这样既省了调用次数，也避免了多个会话重复发送相近背景信息。

我在优化后，每天 API 调用次数从原来的 300 多次降到了 30 多次，效果立竿见影。批量任务还有一个附带好处：可以让模型一次性输出结构化结果，后续做数据入库反而更省事。

4. Windows环境部署的踩坑实录：WSL 2、Companion与Node.js版本

省钱的另一个前提是环境稳定。如果 OpenClaw 三天两头崩，你就会想回到"花钱买省心"的老路上去，所以这一章说说我在 Windows 上部署时踩过的坑。很多论坛上的提问都集中在几个地方。

4.1 WSL 2状态异常导致OpenClaw无法安全验证

在 Windows 上跑 OpenClaw，大多数人是通过 WSL 2 环境来运行服务端的。但有个常见问题是，Windows 和 WSL 之间的环境校验失败，OpenClaw 在启动时直接提示类似"无法安全验证、请检查环境"的报错。我第一次遇到时以为是配置坏了，折腾半天才发现是 WSL 本身状态不对。

正确排查路径是：打开 PowerShell（建议管理员模式），运行wsl --status检查当前 WSL 版本和默认状态。如果输出显示 WSL 1 或者版本混乱，再运行wsl --update和wsl --set-default-version 2把环境统一到 WSL 2。之后再启动 OpenClaw，报错就消失了。

提示：WSL 2 和 WSL 1 的差异会直接影响文件读写和网络转发，所以不要图省事停留在旧版本。检查wsl --status是一个成本极低的排障动作，遇到任何"环境验证失败"类报错都要先做这一步。

4.2 Windows Companion的配置要点

OpenClaw 的 Windows Companion 是负责把 Windows 上的浏览器、文件系统、剪贴板等能力暴露给服务端的辅助组件。它配置起来不算复杂，但有几个细节容易翻车。

首先，Companion 启动后会生成一个本地端口和访问令牌，默认是随机生成的。很多人忘了把这个令牌填到 OpenClaw 主配置里，结果服务端一直连接不上。其次，Windows 防火墙可能会拦截本地回环请求，需要把对应端口加入白名单。最后，如果你同时装了多个版本的 Companion，端口可能冲突，建议统一固定端口。

我的建议是：把 Companion 的端口和令牌写在一个独立配置文件中，然后在 OpenClaw 主配置里引用，这样重新安装或换机器时不会丢配置。

4.3 Node.js版本与Ollama服务的内存分配

OpenClaw 的服务端基于 Node.js，所以 Node 版本必须对齐。我见过很多"配置文件没问题但起不来"的情况，最后都发现是系统里 Node 版本太旧或太新。这里没有捷径，去 nodejs.org 下载当前 LTS 版本并安装，比用包管理器乱装版本要稳。装完在命令行执行node -v确认版本号，再做后续操作。

Ollama 的内存分配也需要单独说一句。默认情况下，Ollama 会尽量占用可用显存，这在同时跑 OpenClaw 和本地模型时会挤压其他程序。我用的办法是设置环境变量OLLAMA_NUM_PARALLEL=1，限制并发模型加载数量。如果你用 CPU 推理，建议把OLLAMA_MAX_LOADED_MODELS设小一点，防止一次加载多个模型把内存吃满。

5. 完整省钱配置清单：从600到20的实测对比

前面讲了很多思路，最后给你我能直接抄的配置和数字。我整个优化过程大概持续了三周，每周只调整一项，然后跑一周数据看效果，避免同时改动太多搞不清是哪一步起了作用。

5.1 每一步调整的预期节省金额

我把整个优化过程拆成了几个独立的调整项，每一轮调整后都跑了一周统计：

注意，这些不是精确会计数字，只是按我当时用量推算的参考量级。核心结论是：大头在路由，第二在上下文，批量任务也有不可忽视的贡献。

5.2 最终配置对账

调整完成后，我的月度成本构成大概是这样的：

• 本地算力（Ollama 模型）：电费加硬件折旧，折算下来约 5 美元左右。
• 云端 API：只保留复杂代码生成和多步骤网页操作，约 12 美元。
• 其他（偶尔测试、备用模型调用）：约 3 美元。

合计 20 美元出头，和之前的 600 美元形成了明显对比。为达到这个效果，我的关键配置如下表：

5.3 省钱之外的几条铁律

最后说几条我踩坑之后总结的规矩：

1. 不要追求"全本地化"。有些任务本地模型确实做不好，硬扛只会让你觉得方案不可用，最后退回全云端。
2. 每周看一次 token 账单。OpenClaw 支持导出用量日志，保持这个习惯能让你在成本失控前及时介入。
3. 不要为了省钱关掉日志。日志是排障和成本分析的基础，省一点存储费，却可能让你多花几百美元找问题。
4. 手机端 Termux 装 OpenClaw 可以用来做远程状态检查和轻量任务调度，但不要把手机当成主力算力机，意义不大。

整体折腾下来，我最深的体会是：OpenClaw 本身并不烧钱，烧钱的是无差别的全量 API 调用。先把任务分类，把那些重复的、确定性的、不需要顶级推理的活交给本地算力，再用缓存和批量把云端请求压缩到最低，这 20 美元完全养得起一套够用的自动化系统。如果你也正在为账单发愁，不妨按这个路径先跑两周，看看自己的成本结构，多半能找到比我更大的压缩空间。