OpenClaw：史上增长最快的 AI Agent——它要花多少钱，以及如何安全使用

如果你最近三个月关注过 AI 开发社区，一定见过 OpenClaw。这个开源个人 AI Agent 以创纪录的速度从零飙到 25 万 GitHub star——比 Linux 还快，比开源历史上的任何项目都快。

但这里有一个很少被讨论的问题：运行 AI Agent 意味着 API token 消耗速度是普通聊天会话的 10-100 倍。 而且截至本周，超过 40,000 个 OpenClaw 实例暴露在公网上，没有任何认证。

本文将拆解 OpenClaw 到底是什么、运行成本多少、如何避免成为安全反面教材，以及在 2026 年 3 月自托管 AI Agent 是否在经济上合理。

1. OpenClaw 是什么？#

OpenClaw 是由奥地利开发者 Peter Steinberger 开发的开源个人 AI Agent。不同于等待你输入 prompt 的聊天机器人，OpenClaw 能：

• 在你的机器上本地运行（或你控制的服务器上）
• 连接你的应用 —— WhatsApp、Discord、Slack、邮件、日历
• 自主执行操作 —— 安排会议、回复消息、管理文件、运行代码
• 使用任何 LLM 后端 —— OpenAI、Anthropic、Google、DeepSeek 或本地模型

可以把它理解为一个永不休息的 AI 员工。你给它设定目标，它自己想出步骤，然后用你连接的各种 API 和工具去执行。

2026 年 2 月，Steinberger 宣布加入 OpenAI，并将项目移交给一个开源基金会以确保其长期独立性。这个决定加速了社区的采用。

2. 为什么它打破了所有记录#

为什么增长如此爆炸？三个因素：

1. 时机。 LLM API 的价格降到了个人开发者也能负担运行个人 Agent 的程度。GPT-5-nano 和 Gemini Flash 把成本比 2024 年的旗舰模型降低了 80-90%。

2. 简单。 OpenClaw 的安装只需一条 Docker 命令。不需要 Kubernetes，不需要微服务，不需要博士学位。填入 API key 就能用。

3. 真正有用。 这不是一个 demo——人们真的在用 OpenClaw 管理自由职业、自动化客服、处理个人事务。这个 Agent 真正在做事，而不只是谈论做事。

3. OpenClaw 如何使用 AI API（以及要花你多少钱）#

大多数教程跳过的关键点：OpenClaw 本身没有 AI。它是一个代替你调用 LLM API 的框架。

每次你的 Agent：

• 读取一条消息并决定怎么做 → API 调用
• 规划多步骤工作流 → API 调用
• 生成回复 → API 调用
• 反思是否成功 → API 调用

一个"任务"可能涉及 5-20 次 API 调用。一个 7x24 小时运行处理你消息的 Agent？那就是每天数百次调用。

Token 计算

一个典型的 OpenClaw Agent 会话大致如下：

一个活跃的个人 Agent 每天处理 20-50 个任务。来看看不同模型的成本：

聪明的做法：用便宜模型做路由

大多数有经验的 OpenClaw 用户采用双模型方案：

• 路由模型（便宜）：GPT-5-nano 或 Gemini Flash 负责消息分类、简单回复和任务分级
• 主力模型（贵）：Claude Sonnet 或 GPT-5 负责复杂推理、代码生成和多步骤规划

相比全部用旗舰模型，这种方案可以省 60-80%。

4. 安全问题：房间里的大象#

2026 年 3 月 8 日，CGTN 报道安全研究人员发现超过 40,000 个 OpenClaw 实例暴露在公网上 —— 无认证、无防火墙，完全可以访问已连接的账户。

出了什么问题

OpenClaw 默认配置将 Web 仪表板绑定到 0.0.0.0:8080。如果你在没有防火墙的云 VPS 上运行（大多数人都是这样），这个仪表板——以及你的 Agent——任何找到它的人都能访问。

你的 Agent 有你的 API key。它连接了你的 WhatsApp、邮件、日历。一个暴露的实例意味着陌生人可以：

• 读取你所有的消息
• 以你的身份发送消息
• 用你的 key 跑出数千美元的 API 费用
• 访问任何已连接的服务

如何安全运行 OpenClaw

5. AI Agent 生态（2026 年 3 月）#

OpenClaw 并不孤单。Agent 领域正在爆发：

Nvidia NemoClaw（2026 年 3 月 10 日发布）

Nvidia 发布了 NemoClaw，一个基于 NeMo 框架的企业级 AI Agent 平台。它面向企业部署——客服 Agent、内部 IT 自动化、供应链优化等场景。与 OpenClaw 的 DIY 方式不同，NemoClaw 是托管平台，提供企业级安全、审计日志和 GPU 优化推理。

关键区别：NemoClaw 按 Agent-小时收费。OpenClaw 的成本就是你的 API 账单。

其他值得关注的框架

为什么 Agent 工作流很费钱

单次 LLM 查询："帮我总结这封邮件" → 总共约 1,000 token。

Agent 工作流："检查我的收件箱，按优先级排序消息，给紧急的起草回复，其余的安排后续跟进" →

1. 获取收件箱（工具调用）
2. 阅读每封邮件（5-10 次 API 调用获取上下文）
3. 分类紧急程度（每封邮件一次 API 调用）
4. 起草回复（每封紧急邮件一次 API 调用）
5. 创建日历事件（工具调用）
6. 验证所有操作是否成功（API 调用）

一个"任务"就是 20-40 次 API 调用。乘以一整个工作日，token 消耗相当可观。

6. 自托管 vs 托管服务：成本对比#

Agent 工作负载的模型定价

以下是目前最受欢迎的 Agent 兼容模型的价格：

7. 如何追踪 Agent 的 API 成本#

如果你在运行 OpenClaw（或任何 Agent），你需要 token 使用量的可见性。以下是一个最小化的 Python 日志包装器：

import time
import json
from datetime import datetime
from pathlib import Path

class AgentCostTracker:
    """Track API costs for AI agent sessions."""

    # Prices per 1M tokens (update these from tokentab.dev/pricing)
    PRICES = {
        "gpt-5-nano":     {"input": 0.10, "output": 0.40},
        "gpt-5-mini":     {"input": 0.40, "output": 1.60},
        "gpt-5":          {"input": 2.50, "output": 10.00},
        "claude-sonnet":  {"input": 3.00, "output": 15.00},
        "claude-haiku":   {"input": 0.80, "output": 4.00},
        "deepseek-chat":  {"input": 0.14, "output": 0.28},
        "gemini-flash":   {"input": 0.15, "output": 0.60},
    }

    def __init__(self, log_path: str = "agent_costs.jsonl"):
        self.log_path = Path(log_path)
        self.session_start = time.time()
        self.total_cost = 0.0
        self.call_count = 0

    def log_call(self, model: str, input_tokens: int, output_tokens: int, task: str = ""):
        prices = self.PRICES.get(model, {"input": 0, "output": 0})
        cost = (input_tokens * prices["input"] + output_tokens * prices["output"]) / 1_000_000

        self.total_cost += cost
        self.call_count += 1

        entry = {
            "timestamp": datetime.now().isoformat(),
            "model": model,
            "input_tokens": input_tokens,
            "output_tokens": output_tokens,
            "cost_usd": round(cost, 6),
            "cumulative_cost": round(self.total_cost, 4),
            "task": task,
        }

        with open(self.log_path, "a") as f:
            f.write(json.dumps(entry) + "\n")

        return cost

    def daily_summary(self) -> dict:
        if not self.log_path.exists():
            return {"total_cost": 0, "calls": 0}

        today = datetime.now().date().isoformat()
        daily_cost = 0.0
        daily_calls = 0

        with open(self.log_path) as f:
            for line in f:
                entry = json.loads(line)
                if entry["timestamp"].startswith(today):
                    daily_cost += entry["cost_usd"]
                    daily_calls += 1

        return {
            "date": today,
            "total_cost": round(daily_cost, 4),
            "calls": daily_calls,
            "avg_cost_per_call": round(daily_cost / max(daily_calls, 1), 6),
        }


# Usage with OpenClaw's hook system
tracker = AgentCostTracker()

# After each API call in your agent loop:
tracker.log_call(
    model="gpt-5-nano",
    input_tokens=4200,
    output_tokens=850,
    task="email-triage"
)

# Check daily spending:
print(tracker.daily_summary())
# {'date': '2026-03-11', 'total_cost': 0.0008, 'calls': 1, 'avg_cost_per_call': 0.00076}

8. 决策框架：你需要运行 AI Agent 吗？#

不是每个人都需要一个 7x24 小时运行的 AI Agent。以下是一个快速决策树：

运行 Agent 的条件：

• 你每天处理 50+ 个重复的消息/任务
• 你熟悉 Docker 和基本的服务器管理
• 你已经计算过 API 成本，它低于节省的时间价值
• 你能投入精力做安全维护

暂时不需要的情况：

• 你只是想要一个更好的聊天机器人（直接用 ChatGPT/Claude）
• 你没时间监控和保护自托管服务
• 你的任务需要当前 LLM 还难以胜任的细微判断（法律、医疗、财务建议）
• API 成本超过了在你所在地区雇一个人工助理的费用

成本收益计算

月度 Agent 成本 = (每个任务的平均 token 数) × (每天任务数) × 30 × (每 token 价格)
月度节省时间 = (每天任务数) × (每个任务的分钟数) × 30 / 60 = 节省的小时数
你的时薪 = 年薪 / 2080

如果 (月度节省时间 × 时薪) > (月度 Agent 成本 × 3):
    → 运行 Agent
否则:
    → 等价格继续下降（它一定会的）

× 3 的乘数用来补偿安装时间、维护和不可避免的调试。

9. 参考来源#

1. OpenClaw GitHub Repository — github.com/openclaw — Star count and contributor data as of March 2026.
2. Peter Steinberger's announcement — Joining OpenAI, February 2026. steipete.com
3. CGTN Security Report — "Over 40,000 AI agent instances found exposed online." March 8, 2026. cgtn.com
4. Nvidia NemoClaw announcement — GTC 2026, March 10, 2026. nvidianews.nvidia.com
5. Gartner AI Agent Forecast — "40% of enterprise apps to embed AI agents by end of 2026." gartner.com
6. LangGraph Documentation — langchain-ai.github.io/langgraph
7. AutoGen (Microsoft) — github.com/microsoft/autogen
8. CrewAI — github.com/crewAIInc/crewAI
9. LiteLLM Pricing Data — Model pricing used throughout this post. github.com/BerriAI/litellm
10. TokenTab Pricing Table — Live, searchable model pricing. tokentab.dev/pricing

定价数据从我们的数据库实时拉取，数据来源为 LiteLLM（MIT 协议）。显示的价格为 2026 年 3 月的官方列表价。你的实际成本可能因批量折扣、缓存 token 和厂商特定计费规则而有所不同。