过去两个月，OpenClaw这只“龙虾”红得发紫。 

连不懂代码的普通人，都花699块找上门师傅“装虾”，只为体验一把AI替我打工的爽感。

但热度退得比来得更快。

进入4月，当你再次搜索“OpenClaw”，前排内容不再是教程和赞美，而是“龙虾退潮了”“太烧token了”这样的感叹。

近几天国内外大厂接连两记重锤，更是把所有养虾人拽回现实。

第一锤来自Anthropic。

4月4日Anthropic突然切断了通过Claude订阅使用OpenClaw等第三方Agent。想继续用？可以，改走API密钥，按token实打实付费。

第二锤来自小米MiMo大模型负责人罗福莉。

4月6日，她在X上发帖直指OpenClaw这类第三方Agent是“Token的虚假狂欢”，痛批它们对算力的粗放型消耗。

两条新闻，指向同一个事实：龙虾正在制造一个谁也堵不住的token黑洞。

在经历过全民热潮后，养虾成本到底多少，成本黑洞能否被解决？

昂贵的龙虾

“月薪两万，养不起一只龙虾”。

“养虾一时爽，账单火葬场”。

这些流传最广的段子，写出了初代养虾人的心声。

一位中小企业主描述了他的养虾经历：团队五个人共享一个OpenClaw实例，设置自动执行测试用例和代码审查。

第一个月结束时，他们预期的成本是100美元，实际账单却接近800美元。

“最恐怖的是，你根本不知道钱是怎么花掉的”，他在社交平台分享，“就像家里有个看不见的水龙头在一直滴水”。

这并不是个例，因为OpenClaw的账单具有极强的欺骗性。

当你向OpenClaw发送一条简单的指令，比如“帮我优化这段代码”，你以为自己在进行一次API调用，但实际上，在后台可能触发了多次独立的模型请求：

第一次是解析意图，第二次是生成任务步骤，第三次是调用工具分析代码，第四次是生成回复，第五次是为对话生成标题和标签，甚至再推荐几个可能的追问建议。

用户只看到一次回复，但账单却在后台无声蒸发。

更隐蔽的是Heartbeat（心跳机制）。

为了保持上下文连贯，OpenClaw默认每30分钟向模型发送一次“检查新指令”的请求。如果让OpenClaw在后台运行一整天，即使不发任何指令，它也会自动产生几十次API调用。

罗福莉把这种现象称为“Token的粗放型消耗”，上下文管理混乱、缓存命中率低下、多轮对话中充斥着大量低价值的重复计算。

在她看来，OpenClaw这类工具像是一个没有经过工程优化的原型车，每公里的油耗是正常车辆的十倍。

这样的消耗，轻度玩家还能勉强接受：偶尔丢几个任务，整理文档、查资料、写份报告，一个月下来几百万token，折合人民币几块到几十块，勉强还在尝鲜区间。

可一旦进入中度、重度使用，或者让龙虾24小时待命，账单就彻底失控。

厂商的限额游戏

用户感觉养虾贵，只是冰山一角。

水面之下，厂商们正在经历更残酷的现实，他们也在失血，而且失血速度远超预期。

Anthropic的订阅制，本来是给普通用户“包月刷网页、聊聊天”的福利，结果被OpenClaw这类高强度Agent彻底玩崩。

比如Claude Max 每月200美元的订阅，被用户用龙虾跑24小时循环、工具调用，直接烧出价值5000美元的算力。

有行业分析师估算，OpenClaw用户通过订阅套利产生的API消耗，与实际支付价格之间存在超过5倍的价差。

当Anthropic被全球开发者用龙虾疯狂薅羊毛，结构性亏损直接摆上桌面。

所以Anthropic的封禁来得又快又狠，Claude Pro、Max、Free所有订阅额度，一夜之间全部和OpenClaw说再见。用户只能老老实实走API，按token一分一厘地付钱。

Google同样也在大面积封禁滥用账号，不再为龙虾的高消耗兜底。

相比之下，国内厂商则更早看清了龙虾的本质，纷纷推出明码标价的限额套餐，把token消耗从“无限”变成“包月封顶”。

比如，阿里云百炼的Coding Plan，早期推出的Lite基础套餐首月只要7.9元（常规40元/月），每月18000次API请求；Pro高级套餐首月39.9元（常规200元/月），拉到每月90000次请求。

腾讯云、百度智能云、火山引擎同样选择了激进的获客策略，推出了针对新客首月7.9元到9.9元/月的Lite套餐。

在各种套餐设计中，厂商们又进一步给出了算力消耗的限额。

比如，阿里云官方文档显示，Coding Plan适用于Claude Code、OpenClaw等交互式编程工具。

但如果把这套Key拿去做自动化脚本、自定义后端、批量调用等，就属于违规滥用，订阅可能会被暂停或封禁。

换句话说，阿里云通过使用场景限制，防止用户把低价订阅跑成持续性的Agent消耗。

再看腾讯云，Lite套餐限制1200次请求/5小时，9000次/周，18000次/月；Pro套餐限制6000次请求/5小时，45000次/周，90000次/月。

也就是说，用户买的套餐不仅有额度的限制，还有“5小时”的限额。

有意思的是，国内厂商这两周还在继续朝更适合养虾的方向调整。

进入4月后，阿里云百炼的养虾"性价比之王"套餐，陷入了售罄状态。

涨价前7.9元/首月的特惠套餐已全面下架，200元/月的Pro套餐也显示无货。

有用户在开发者社区抱怨："刚想认真养虾，发现口粮没了"。

腾讯云社区里在3月底已经出现了从Coding Plan升级到Token Plan的方案：

Lite套餐39元/月，3500万tokens；Standard套餐99元/月，1亿tokens；

Pro套餐299元/月，3.2亿tokens；Max套餐599元/月，6.5亿tokens。

文案里直接写明是“针对龙虾场景全新升级的专属订阅套餐”。

小米MiMo在4月3日也上线了四档Token Plan：

Lite套餐39元/月、Standard套餐99元/月、Pro套餐329元/月、Max套餐659元/月，分别对应6000万、2亿、7亿和16亿Credits，而且特别强调“无5小时token使用限额”。

一个明显的变化是，从卖Token变成卖Credits，说明小米不想只卖模型调用量，而是开始卖不同能力层级、不同上下文长度、不同使用强度下的一整套算力预算。

这些变化本身就表明，国内厂商已经在精打细算，把“养龙虾”做成一门单独的生意。

当限额撞上刚需

尽管国内厂商已经在用补贴换市场，推出各种算力套餐，但撞上用户的真实需求时，反馈却很分化。

有科技公司的产品经理记录了他的真实成本：

第一周采用了腾讯云的Lite套餐，额度很快耗尽；接着升级Pro套餐，额度也快速耗尽。之后就是按API超额量计费，再加上云服务的费用，一周不到就花掉了3000多块。

“比雇个实习生还贵"，他在采访中忍不住吐槽。

一位前端开发者在开发者社区发帖，他让OpenClaw配合MiMo-V2-Pro做代码审查、自动生成 changelog 和小范围修 Bug，但很快就烧光了2亿Credit额度。

"我买了Standard套餐，以为能撑半个月，结果几天就收到额度预警"，他在帖子中写道："现在我在手动数还剩多少个任务，像手机流量快用完时的那种焦虑"。

比起套餐不够用，用户更焦虑的是算不清。

国内厂商开始普遍采用Token-Credit换算体系，但换算系数如同迷宫；同时，用户使用不同模型，消耗系数也不同。

一位全栈工程师在博客中写道："我需要一个Excel表格来实时计算当前消耗，这比写代码还累。用OpenClaw是为了提效，结果变成了成本会计"。

这种不确定性直接抑制了使用深度。

当用户每次点击发送前都要犹豫，这会不会烧掉我半个任务额度，OpenClaw就从生产力工具退化成了成本实验。

还有一类常见的吐槽，是量有了，但任务完不成。

火山引擎开发者社区显示，Coding Plan不是只有月度总额，而是同时卡每5小时、每周、每月三层限额，一旦触发，系统会直接提示“已超出5小时使用配额”。

对长任务、多轮调用、上下文不断膨胀的龙虾类Agent来说，这种限制的杀伤力在于，套餐看起来还有余额，但任务可能已经先被中断。

这种挫败感在中小企业中尤为普遍。

当OpenClaw从个人玩具变成团队工具，限额套餐就不再只是控制成本的手段，而会变成任务完成的问题。

当然，也不是所有用户都对厂商的套餐不满意。

如果任务没那么重、对完成率要求没那么苛刻，国内低价套餐会显得便宜到离谱。

比如有用户提到，之前阿里云7.9元/月的Lite套餐，仅OpenClaw就用了7亿token，但是套餐才用了40%的量。

还有人说腾讯云的Coding Plan“使劲用，5小时都不会超50%”。

用户不同情绪的背后，是厂商的两难。

龙虾这类Agent的消耗天然不可预测，当厂商用限额套餐试图解决这个成本黑洞时，用户感受到的不是成本控制，而是能力阉割。

一位开发者在知乎的总结获得了高赞：

"国外大厂选择封禁，是承认自己做不了这门生意；国内厂商选择限额，是假装自己能做但得给你戴手铐。Neither is a good answer"。

解决成本黑洞

真正的答案，或许藏在技术社区里。

当厂商的套餐无法满足需求时，用户正在被迫成为自己的“成本会计”。

目前社区用户已经摸索出几条实打实的降本路径。

第一种，是模型分级+智能路由。

一位开发了ClawEasy优化工具的创业者，提出了一套智能模型路由方案，具体做法是在OpenClaw配置中植入常规任务、复杂任务、不确定任务三层路由逻辑。

比如，日常规划、工具调用、简单代码全扔给便宜快速模型，只有跨模块重构、架构决策才切成更贵的模型，关键是让便宜模型先试。

更激进的玩家开始引入本地模型作为第一道防线。

通过Ollama在本地运行DeepSeek-R1，简单任务实现"零Token成本"，只有本地模型跑不通时才调用云端API。

一位实现了本地-云端混合架构的开发者计算：原本每月$800的纯云端方案，替换为70%本地+30%云端后，实际支出降至$240，且响应延迟从800ms降至60ms。代价是初期投入$2000购置硬件，但三个月就回本了。

第二种，是上下文工程，这也是罗福莉点名的命门。

在GitHub社区，Work-Fisher发起的上下文压缩项目获得了广泛关注。

这位前端开发者发现，OpenClaw的默认对话格式充斥着大量语义冗余：礼貌用语、重复确认、过度解释，这些对人类友好的设计，对模型来说是昂贵的噪音。

他开发的压缩方案把对话转为纯结构化格式，并启用提示词缓存：重复的系统指令和历史记录直接复用，命中率拉高后，每次调用成本直降70%。

Reddit上有用户实测，在Claude系模型上缓存命中率能稳定在91%-95%；没有缓存的话，整体支出会高出大约5倍。

目前，阿里云、MiniMax等厂商也都已经开始支持自动缓存，把Agent从粗放烧token改造成更会省token的系统。

第三种，是监控仪表盘，彻底杜绝OpenClaw心跳事故。

解决方案是后台设硬性额度上限，一到就停；内置监控仪表盘，实时查看消耗；再加超时机制，每个任务设最大步数上限，卡住就自动回退人工。

用户反馈很直接：以前一觉醒来心跳烧掉上百块，现在睡得着觉了。

这些自救方案有效，但都有一个隐性成本，就是用户被迫成为自己的成本工程师。

一位实践了上述所有优化技巧的开发者，在博客中坦承："我现在每天花30分钟监控Token消耗、调整模型路由参数、清理历史上下文。OpenClaw省下的钱，变成了我的时间成本。这是进步还是倒退？"

这个问题没有标准答案。

但可以确定的是，当OpenClaw从开箱即用的工具，变成需要精密调优的系统时，它的用户群体正在悄然分层：

轻度用户被套餐限额劝退，回归AI网页版；

中度用户在厂商套餐与优化技巧间挣扎，成为成本会计；

重度用户被迫走向架构重构的深水区，成为真正的成本工程师。

人们还在养虾，但养法已经从随意消耗变成了精打细算。

结语

龙虾没有凉。

那些关于套餐、限额、缓存和心跳的讨论，恰恰证明了一件事：用户已经从尝鲜者变成了使用者。

任何一个工具从极客玩具变成基础设施，中间都要经过有人开始认真算账的时刻。

龙虾现在就在这个时刻。