写在前面
你有没有过这样的经历？
半夜睡一觉，醒来收到一封API账单邮件——1100美元。
不是段子，这是真实发生在OpenClaw社区的事。
还有人晒出月度账单：180万Token，折合3600美元。财务部门看完直接血压拉满。
但同一款工具，有人每月运行成本接近于零。
差距在哪？不是使用频率，而是你到底在用什么模型干什么样的活。
80%的AI任务，根本不需要昂贵模型。
读个文件、查个状态、整理个输出格式，你用GPT-5或Claude Opus去跑？那就像雇一个年薪百万的律师帮你复印文件。
openclaw-cost-optimizer，就是来解决这个问题的。
一、它到底是个什么？
openclaw-cost-optimizer（也叫model-hierarchy-skill）是一个模型分级路由技能。
说人话：它能让你的AI Agent自己判断任务难度，然后自动分配最合适的模型去执行。
简单任务用便宜模型，复杂任务才调用贵模型。
就这么一个逻辑，但效果炸裂。
它的核心理念只有三条：
- 先分类：判断任务属于哪种复杂度级别
- 再路由：把工作分发到性价比最高的模型
- 优先省钱：除非任务真需要高阶模型，否则绝不调用昂贵模型
最终目标：在保证结果质量的前提下，最大化性能/成本比。
二、为什么你需要它？
先看一组数据。
OpenClaw每次调用LLM的Token构成大概是这样的：
| 组成部分 | 典型Token量 | 占比 |
|---|---|---|
| System Prompt | 3,000-5,000 | 固定开销 |
| 配置文件注入（SOUL/AGENTS/USER/TOOLS） | 3,000-14,000 | 可优化 |
| 历史对话上下文 | 随轮次指数增长 | 最大杀手 |
| 工具调用结果 | 可达数万 | 可优化 |
| 你的输入+AI输出 | 通常几百 | 占比极小 |
GitHub Issue #21999有人拆解了一份150K+ Token的系统提示，结论一针见血：“浪费了93.5%的Token预算”。
大部分钱花在上下文注入和历史积累上，不在实际工作上。
更要命的是，很多场景你根本不需要强模型：
- 查个时间？用DeepSeek就够了，0.14美元/百万Token
- 格式化个文件
