Cost Optimizer

Cost Optimizer — OpenClaw/Claude Code 成本优化终极工具包

核心问题：OpenClaw 默认配置下 token 消耗极高（日均 $15+，heartbeat 月均 $50-100）。 本 skill 通过智能路由、上下文压缩、heartbeat 优化三管齐下，将成本降低 60-80%。

参数解析

解析用户输入的第一个参数，路由到对应子命令：

1. /cost-route — 智能模型路由

任务分类引擎

对用户的 prompt 进行多维度分析，确定最佳模型：

Step 0: 加载定价与规则数据

Read references/model-pricing.md — 获取最新模型定价，用于成本计算和节省估算
Read references/routing-rules.md — 获取路由规则详情和自定义方法

如果 references 文件缺失或损坏，使用 index.ts 中硬编码的 MODEL_PRICING 常量作为 fallback。

Step 1: 提取分类特征

从当前 prompt 中提取以下特征：

特征维度：
- keywords: 关键词匹配（见下方路由规则表）
- context_length: 当前对话上下文 token 数（用 index.ts#estimateTokens 估算）
- complexity_score: 复杂度评分（0-10）
  - 0-2: 简单查询、状态检查
  - 3-5: 单文件操作、格式化、补全
  - 6-8: 多文件代码生成、调试、推理
  - 9-10: 架构设计、多步骤复杂任务
- tool_calls: 预期工具调用数量
- code_ratio: prompt 中代码占比

Step 2: 路由决策

根据特征匹配路由规则（优先级从高到低）：

关键词匹配表：

P0 (最便宜):
  - heartbeat, ping, status, health, alive, cron, schedule
  - "是否在线", "检查状态", "心跳"

P1 (低成本):
  - list, find, search, grep, count, ls, pwd, which, where
  - "找到", "搜索", "列出", "有几个"

P2 (中低成本):
  - read, cat, format, lint, fix typo, rename, move
  - complete, autocomplete, suggest, snippet
  - "读取", "格式化", "补全", "重命名"

P3 (中等成本):
  - write, create, implement, generate, test, debug, explain
  - refactor (单文件), fix bug, add feature
  - "写", "创建", "实现", "生成", "测试", "调试"

P4 (高成本 - 仅在必要时):
  - architect, design, plan, review (全局), migrate
  - refactor (多文件), "从零开始", "重新设计"
  - complexity_score >= 9
  - context_length > 100k tokens

Step 3: 降级策略

降级链: opus → sonnet → haiku → gemini-flash → deepseek/v3
触发条件:
  - 目标模型 API 返回 429/503 → 降一级
  - 响应时间 > 30s → 降一级
  - 用户设置了成本上限且当前会话已超 80% → 强制降一级
  - 降级后在日志中记录: [COST-ROUTE] 降级: {原模型} → {新模型}, 原因: {reason}

Step 4: 输出路由建议

## 🔀 模型路由建议

| 维度 | 值 |
|------|-----|
| 任务分类 | {category} |
| 复杂度评分 | {score}/10 |
| 上下文长度 | {tokens} tokens |
| 推荐模型 | {model} |
| 预估成本 | ${cost}/次 |
| 对比默认 | 节省 {savings}% |

> 路由依据: {匹配的关键词/规则}

用户自定义覆盖：

用户可在 openclaw.json 中添加自定义路由规则：

{
  "cost-optimizer": {
    "routing": {
      "overrides": [
        {
          "pattern": "deploy|发布",
          "model": "claude-sonnet-4-6",
          "reason": "部署操作需要中等智能但不需要最强模型"
        }
      ]
    }
  }
}

2. /cost-compress — 上下文压缩

触发条件

• 自动触发：当对话上下文估算超过 50k tokens 时，输出压缩建议
• 手动触发：用户执行 /cost-optimizer compress

压缩策略

Step 1: 分析当前上下文

扫描对话历史，按以下类别统计 token 占比：

类别           | 描述                    | 压缩率
-------------- | ---------------------- | ------
recent_turns   | 最近 5 轮对话           | 0%（完整保留）
old_turns      | 更早的对话轮次          | 80-90%
tool_results   | 工具调用返回结果        | 70-85%
file_contents  | 文件完整内容            | 90-95%
code_blocks    | 代码块                  | 50-70%
system_context | 系统 prompt / 角色定义   | 0%（不压缩）

Step 2: 执行压缩

对每种类别应用不同的压缩策略：

1. 历史对话压缩：

   • 保留最近 5 轮完整内容
   • 第 6-10 轮：提取关键决策点和结论
   • 第 10 轮以前：仅保留一句话摘要
   • 格式：[轮次 N 摘要] 用户请求 X，助手执行了 Y，结果是 Z

2. 工具调用结果压缩：

   • 成功的文件读取 → 替换为 [已读取 {path}, {lines} 行, 关键内容: {summary}]
   • 成功的搜索结果 → 替换为 [搜索 "{query}": 找到 {n} 个匹配, 主要在 {files}]
   • 失败的工具调用 → 保留错误信息，移除重试的中间结果
   • Bash 输出 → 保留退出码和关键输出行（首尾各 5 行）

3. 文件内容压缩：

   • 替换为路径+行号摘要：[文件 {path}: {lines} 行, 函数: {func_list}, 关键逻辑在 L{start}-L{end}]
   • 如果文件在后续被修改，只保留最终版本的摘要

4. 代码块压缩：

   • 保留函数签名和关键逻辑
   • 移除注释和空行
   • 对未被后续引用的代码块，替换为 [代码块: {language}, {lines} 行, 功能: {summary}]

Step 3: 生成压缩快照

将压缩后的上下文摘要写入 .context-snapshot.md：

# Context Snapshot
> 生成时间: {timestamp}
> 原始 tokens: {original} → 压缩后: {compressed} (节省 {ratio}%)

## 关键决策
- {decision_1}
- {decision_2}

## 活跃文件
- {file_1}: {summary}
- {file_2}: {summary}

## 待处理事项
- {todo_1}
- {todo_2}

## 最近对话（完整）
{last_5_turns}

Step 4: 输出压缩报告

## 📦 上下文压缩报告

| 指标 | 值 |
|------|-----|
| 压缩前 | {original_tokens} tokens (~${original_cost}) |
| 压缩后 | {compressed_tokens} tokens (~${compressed_cost}) |
| 节省 | {saved_tokens} tokens (~${saved_cost}, {ratio}%) |
| 保留轮次 | 最近 {n} 轮完整保留 |
| 快照位置 | .context-snapshot.md |

> 建议：{下一步建议，如"开启新对话并加载快照"}

3. /cost-heartbeat — Heartbeat 优化

当前问题分析

OpenClaw 默认 heartbeat 配置：

• 间隔：15-30 分钟（过于频繁）
• 内容：全量状态检查（过于冗余）
• 模型：使用默认模型（过于昂贵）
• 月成本估算：$50-100（仅 heartbeat）

优化方案

Step 1: 检查当前 heartbeat 配置

读取以下位置的配置：

# OpenClaw 配置
cat ~/.openclaw/config.json 2>/dev/null
cat ./openclaw.json 2>/dev/null

# Claude Code 配置
cat ~/.claude/settings.json 2>/dev/null
cat ./.claude/settings.json 2>/dev/null

Step 2: 生成优化配置

{
  "heartbeat": {
    "enabled": true,
    "base_interval_minutes": 45,
    "smart_adjustment": {
      "enabled": true,
      "rules": [
        {
          "condition": "active_development",
          "description": "检测到频繁文件变更（5分钟内 > 3次）",
          "interval_minutes": 30,
          "check": "find . -name '*.ts' -o -name '*.js' -o -name '*.py' -newer /tmp/.last-heartbeat 2>/dev/null | wc -l"
        },
        {
          "condition": "idle",
          "description": "无文件变更超过 30 分钟",
          "interval_minutes": 60
        },
        {
          "condition": "night_hours",
          "description": "本地时间 23:00-07:00",
          "interval_minutes": 120,
          "alternative": "disable"
        }
      ]
    },
    "content": {
      "mode": "minimal",
      "checks": [
        "process_alive",
        "disk_space_critical",
        "active_tasks_count"
      ],
      "skip": [
        "full_status_report",
        "dependency_check",
        "code_analysis",
        "git_log_summary"
      ]
    },
    "model": "deepseek/v3",
    "fallback_model": "gemini-2.0-flash",
    "max_tokens_per_heartbeat": 200,
    "cost_cap_monthly_usd": 5.00
  }
}

Step 3: 估算节省

## 💓 Heartbeat 优化报告

### 当前配置 vs 优化配置

| 指标 | 当前 | 优化后 | 节省 |
|------|------|--------|------|
| 平均间隔 | {current}min | {optimized}min | — |
| 日均次数 | {current_daily} | {optimized_daily} | {reduction}% |
| 每次 tokens | ~{current_tokens} | ~{optimized_tokens} | {token_reduction}% |
| 使用模型 | {current_model} | deepseek/v3 | — |
| 每次成本 | ${current_cost} | ${optimized_cost} | {cost_reduction}% |
| **月均成本** | **${current_monthly}** | **${optimized_monthly}** | **${monthly_savings}** |

### 推荐配置

已写入 `openclaw.json` 的 heartbeat 部分。

### 智能间隔说明
- 🟢 活跃开发期（频繁文件变更）→ 30 分钟
- 🟡 普通工作期 → 45 分钟（默认）
- 🔴 静默期（无变更 > 30min）→ 60 分钟
- 🌙 夜间（23:00-07:00）→ 120 分钟或禁用

Step 4: 应用配置

如果用户确认，将优化配置合并到 openclaw.json 和/或 .claude/settings.json。

4. /cost-report — 消耗报告

数据收集

Step 0: 加载定价数据

Read references/model-pricing.md — 获取各模型单价，用于费用计算和节省估算

如果 references 文件缺失，使用 index.ts 中的 MODEL_PRICING 常量。

Step 1: 读取使用日志

# OpenClaw 使用日志
USAGE_LOG="$HOME/.openclaw/usage-log.jsonl"

# 如果日志不存在，基于当前会话估算

日志格式（每行一个 JSON）：

{
  "timestamp": "2026-03-20T10:30:00Z",
  "session_id": "abc123",
  "model": "claude-sonnet-4-6",
  "input_tokens": 15000,
  "output_tokens": 3000,
  "task_type": "code_generation",
  "cost_usd": 0.054,
  "routed": false,
  "original_model": null
}

Step 2: 计算统计数据

使用 index.ts 中的工具函数计算：

• 本次会话消耗（基于对话长度估算）
• 本日/本周/本月累计（基于日志）
• 按模型分类的消耗分布
• 按任务类型的消耗分布
• 如果启用了路由，计算实际节省

Step 3: 输出报告

## 📊 成本消耗报告

### 本次会话
| 指标 | 值 |
|------|-----|
| 总 tokens | {total_tokens} (输入: {input}, 输出: {output}) |
| 使用模型 | {models_used} |
| 估算成本 | ${session_cost} |
| 会话时长 | {duration} |

### 本周累计 ({week_start} - {week_end})
| 模型 | Tokens | 成本 | 占比 |
|------|--------|------|------|
| claude-opus-4-6 | {tokens} | ${cost} | {pct}% |
| claude-sonnet-4-6 | {tokens} | ${cost} | {pct}% |
| claude-haiku-4-5 | {tokens} | ${cost} | {pct}% |
| deepseek/v3 | {tokens} | ${cost} | {pct}% |
| **合计** | **{total}** | **${total_cost}** | **100%** |

### 按任务类型
| 类型 | 次数 | 平均 Tokens | 总成本 | 占比 |
|------|------|-------------|--------|------|
| 代码生成 | {n} | {avg} | ${cost} | {pct}% |
| 调试修复 | {n} | {avg} | ${cost} | {pct}% |
| 文件操作 | {n} | {avg} | ${cost} | {pct}% |
| heartbeat | {n} | {avg} | ${cost} | {pct}% |
| 其他 | {n} | {avg} | ${cost} | {pct}% |

### 趋势（最近 7 天）
{ascii_bar_chart}

### 💡 节省建议
{savings_recommendations}

> 如果本周全部使用智能路由，预计可节省 **${potential_savings}**（{savings_pct}%）

ASCII 柱状图格式：

日期       | 成本     | 分布
03-14 Mon  | $12.30  | ████████████░░░░░░░░
03-15 Tue  | $8.50   | ████████░░░░░░░░░░░░
03-16 Wed  | $15.20  | ███████████████░░░░░
03-17 Thu  | $6.30   | ██████░░░░░░░░░░░░░░
03-18 Fri  | $11.00  | ███████████░░░░░░░░░
03-19 Sat  | $3.20   | ███░░░░░░░░░░░░░░░░░
03-20 Sun  | $1.50   | █░░░░░░░░░░░░░░░░░░░
           +---------+--------------------
             总计: $58.00  日均: $8.29

5. /cost-config — 配置生成

预设方案

提供三档预设，用户可选择：

Step 1: 分析当前配置

读取现有配置文件：

cat ./openclaw.json 2>/dev/null || echo "{}"
cat ./.claude/settings.json 2>/dev/null || echo "{}"

Step 2: 生成配置

根据选择的预设生成完整的 openclaw.json（参考本 skill 目录下的 openclaw.json 模板）。

Step 3: 输出配置 diff

## ⚙️ 配置生成 — {preset} 方案

### 变更预览

\`\`\`diff
--- openclaw.json (当前)
+++ openclaw.json (优化后)
@@ model_routing @@
- "default_model": "claude-opus-4-6"
+ "default_model": "claude-sonnet-4-6"
+ "routing_rules": [...]

@@ heartbeat @@
- "interval_minutes": 15
+ "interval_minutes": 45
+ "model": "deepseek/v3"

@@ context @@
+ "max_context_tokens": 80000
+ "auto_compress_threshold": 50000
\`\`\`

### 预估效果
| 指标 | 优化前 | 优化后 | 节省 |
|------|--------|--------|------|
| 日均成本 | ~${before}/天 | ~${after}/天 | ${savings}/天 |
| 月均成本 | ~${before_m}/月 | ~${after_m}/月 | ${savings_m}/月 |
| heartbeat 月成本 | ~${hb_before}/月 | ~${hb_after}/月 | ${hb_savings}/月 |

确认应用？输入 `yes` 应用，`no` 取消，或指定其他预设（conservative/balanced/aggressive）。

Step 4: 应用配置

用户确认后：

1. 备份当前配置：cp openclaw.json openclaw.json.bak.{timestamp}
2. 写入新配置
3. 验证配置格式正确（JSON 解析测试）
4. 输出确认信息

通用工具函数

本 skill 依赖 index.ts 中的工具函数，所有子命令共享：

• classifyTask(prompt) — 任务分类，返回 P0-P4 等级
• estimateTokens(text) — 基于字符数的 token 快速估算
• routeModel(category, contextSize) — 根据分类和上下文大小选择模型
• compressContext(messages, budget) — 上下文压缩
• generateUsageReport(logPath) — 从日志生成报告
• calculateSavings(actual, optimized) — 计算节省金额

详细类型定义和实现见 index.ts。

错误处理

所有文件操作均需显式 fallback，避免因单点故障中断整个流程：

实现原则

1. 读取失败 → 降级到默认值：永远不因读取失败而中断流程
2. 写入失败 → 回退到 stdout：确保信息不丢失，用户可手动操作
3. 解析失败 → 跳过并报告：损坏数据不影响其余有效数据的处理
4. 配置写入 → 备份优先：备份失败则拒绝写入，保护用户现有配置

审计与日志

所有路由决策和配置变更都会记录日志：

# 日志位置
~/.openclaw/cost-optimizer.log

# 日志格式
[2026-03-20T10:30:00Z] [ROUTE] task=code_generation complexity=6 model=claude-sonnet-4-6 tokens=15000 cost=$0.054
[2026-03-20T10:35:00Z] [COMPRESS] before=80000 after=25000 ratio=68.75% snapshot=.context-snapshot.md
[2026-03-20T11:00:00Z] [HEARTBEAT] interval=45min model=deepseek/v3 tokens=150 cost=$0.00001
[2026-03-20T11:05:00Z] [CONFIG] preset=balanced changes=3 backup=openclaw.json.bak.1710924300

6. /cost-slim — Context File Audit & Optimization

The single biggest hidden cost in OpenClaw: SOUL.md, AGENTS.md, and MEMORY.md are injected into EVERY message. A 5,000-token SOUL.md × 100 messages/day = 500,000 wasted input tokens/day (~$7.50 on Opus).

Step 1: Measure current context overhead

Scan and count tokens in all context files:

# OpenClaw context files
for f in SOUL.md AGENTS.md MEMORY.md USER.md HEARTBEAT.md; do
  if [ -f "$f" ]; then
    chars=$(wc -c < "$f")
    est_tokens=$((chars * 100 / 400))  # rough: 1 token ≈ 4 chars for English, 2 chars for Chinese
    echo "$f: $chars chars ≈ $est_tokens tokens"
  fi
done

# Claude Code context files
for f in CLAUDE.md; do
  if [ -f "$f" ]; then
    chars=$(wc -c < "$f")
    est_tokens=$((chars * 100 / 400))
    echo "$f: $chars chars ≈ $est_tokens tokens"
  fi
done

Step 2: Apply token budgets

Step 3: Slim down SOUL.md

Read the current SOUL.md and rewrite it following these rules:

Rules for an efficient SOUL.md:

1. No redundant instructions — If the model already does it by default, don't say it

   • ❌ "You are a helpful assistant" (it already is)
   • ❌ "Write clean code" (it already tries to)
   • ✅ "Reply in Chinese" (non-default behavior)

2. No long lists when a short rule works

   • ❌ "You are proficient in React, Vue, Angular, Svelte, Next.js, Nuxt, Remix, Astro, SolidJS..."
   • ✅ "Full-stack engineer. Adapt to the project's framework."

3. No examples unless critical — Examples bloat SOUL.md. Put them in reference files loaded on demand.

4. Merge overlapping rules

   • ❌ "Be concise." + "Don't be verbose." + "Keep responses short." (3 rules, same meaning)
   • ✅ "Be concise." (1 rule)

5. Use bullet points, not paragraphs — Bullets are shorter and models parse them better.

Step 4: Slim down AGENTS.md

• Remove agent definitions you haven't used in the past week
• Reduce each agent description to 1 line (name + one-sentence capability)
• Move detailed agent prompts to separate files loaded on demand

Step 5: Slim down MEMORY.md

• Remove entries older than 2 weeks unless explicitly marked as permanent
• Keep only index pointers (file paths), not inline content
• Target: each memory entry = 1 line in the index

Step 6: Output optimization report

## 📐 Context Slim Report

### Before
| File | Tokens | Status |
|------|--------|--------|
| SOUL.md | {before_tokens} | {over_budget ? "🔴 OVER" : "🟢 OK"} |
| AGENTS.md | {before_tokens} | ... |
| MEMORY.md | {before_tokens} | ... |
| **Total** | **{total_before}** | |

### After
| File | Tokens | Saved |
|------|--------|-------|
| SOUL.md | {after_tokens} | {saved} ({pct}%) |
| AGENTS.md | {after_tokens} | {saved} ({pct}%) |
| MEMORY.md | {after_tokens} | {saved} ({pct}%) |
| **Total** | **{total_after}** | **{total_saved} ({total_pct}%)** |

### Monthly savings estimate
- Messages/day: ~{n}
- Token reduction per message: {saved_per_msg}
- Monthly savings: **${monthly_savings}** (at {model} pricing)

### Optimized SOUL.md preview
{show the proposed slim version for user confirmation}

Confirm with user before applying changes. Back up originals as SOUL.md.bak.{timestamp}.

7. /cost-screenshot — Screenshot Resolution Optimization

When using browser automation (Playwright, Puppeteer, idb, ADB) for testing, screenshots are a massive hidden token cost. A 4K screenshot ≈ 1,600 tokens. An optimized screenshot ≈ 300 tokens.

Step 1: Detect current screenshot settings

# Check screen resolution
system_profiler SPDisplaysDataType 2>/dev/null | grep Resolution || xrandr 2>/dev/null | grep '*'

# Check if browser automation is configured
ls playwright.config.* puppeteer.config.* 2>/dev/null

Step 2: Calculate optimal resolution

The goal: find the minimum resolution where OCR/UI recognition still works reliably.

Rule of thumb: 1280×720 is the sweet spot — enough for both OCR and UI element detection.

Step 3: Generate optimization config

For Playwright:

// playwright.config.ts — add to use section
use: {
  viewport: { width: 1280, height: 720 },
  screenshot: {
    quality: 60,  // JPEG quality (default 100)
    type: 'jpeg',  // JPEG is smaller than PNG
  },
}

For OpenClaw browser tool:

# Before screenshot, resize viewport
mcp__playwright__browser_resize --width 1280 --height 720
# Or for Claude-in-Chrome
mcp__claude-in-chrome__resize_window --width 1280 --height 720

For manual screenshot compression:

# Using ImageMagick (if available)
convert screenshot.png -resize 1280x720 -quality 60 screenshot_optimized.jpg

# Using sips (macOS built-in)
sips -Z 1280 screenshot.png --out screenshot_optimized.jpg

Step 4: Output savings estimate

## 📸 Screenshot Optimization Report

| Metric | Before | After | Savings |
|--------|--------|-------|---------|
| Resolution | {original} | {optimized} | — |
| Avg file size | {before_size} | {after_size} | {pct}% |
| Tokens per image | ~{before_tokens} | ~{after_tokens} | {token_pct}% |
| Screenshots/session | ~{count} | ~{count} | — |
| **Tokens/session** | **{total_before}** | **{total_after}** | **{total_pct}%** |
| **Cost/session** | **${cost_before}** | **${cost_after}** | **${cost_saved}** |

Recommendation applied: viewport set to {width}×{height}, JPEG quality {quality}%.

8. /cost-loops — Agent Loop Optimization

In harness mode and team mode, each agent loop iteration re-transmits the full conversation context. Reducing iterations and increasing work per iteration directly cuts token overhead.

Step 1: Analyze current loop patterns

Check for common loop-heavy patterns:

# Check if openclaw.json has loop/iteration settings
cat openclaw.json 2>/dev/null | python3 -c "
import sys, json
try:
    cfg = json.load(sys.stdin)
    print(json.dumps(cfg.get('agents', {}), indent=2))
except: print('No agent config found')
"

Step 2: Apply loop optimization rules

Step 3: Generate recommended settings

{
  "agents": {
    "max_iterations": 5,
    "batch_size": "auto",
    "on_limit_reached": "summarize_and_stop",
    "loop_optimization": {
      "combine_small_tasks": true,
      "min_work_per_iteration": 3,
      "checkpoint_interval": 2
    }
  }
}

Step 4: Calculate overhead reduction

## 🔄 Loop Optimization Report

### Current pattern
- Avg iterations per task: {current_iterations}
- Context size per iteration: ~{context_tokens} tokens
- Context overhead: {iterations} × {context_tokens} = **{total_overhead} tokens**

### Optimized pattern
- Avg iterations per task: {optimized_iterations}
- Work per iteration: {work_per_iteration}× more
- Context overhead: {opt_iterations} × {context_tokens} = **{opt_overhead} tokens**
- **Overhead reduction: {reduction_pct}%**

### Monthly impact
- Tasks/day: ~{tasks}
- Monthly savings from loop optimization: **${monthly_savings}**

平台兼容性