Ada framework asisten AI pribadi yang di-host sendiri bernama OpenClaw. Ini adalah alat yang dapat dipasang pada messenger yang Anda gunakan seperti WhatsApp / Telegram / Slack dan digunakan seperti asisten AI. Segera setelah diluncurkan, melampaui 145k bintang GitHub. Ini adalah proyek open source yang sangat populer.
Ketika pertama kali dirilis, saya juga mencoba menggunakannya, tetapi saya tidak menggunakannya karena dua hal: konsumsi token dan respons yang lambat. Saat mencari alternatif, saya menemukan open source bernama takopi yang memungkinkan Anda menggunakan agen terminal melalui Telegram. Karena saya adalah penggemar Mattermost, saya mem-fork dan membuat backend bernama tunapi yang memanggil (Claude Code, Codex, Gemini CLI) dalam mode -p, dan saya menggunakannya dengan menambahkan transport lain (Mattermost / Slack / discord).
Saya telah meneliti dan merangkum mengapa OpenClaw menghabiskan token begitu cepat. (Ini adalah artikel yang saya posting di blog pribadi dan saya memindahkannya di sini hehe Karena itu adalah posting blog, ada beberapa iklan untuk aplikasi yang saya buat di akhir. Maaf! Anda dapat mengabaikan bagian itu)
1. Sistem prompt dirakitkan kembali setiap kali
OpenClaw membuat ulang sistem prompt setiap kali dijalankan. Materi yang masuk:
File workspace: AGENTS.md, SOUL.md, TOOLS.md, IDENTITY.md, USER.md, HEARTBEAT.md, BOOTSTRAP.md
Daftar alat + skema JSON
Metadata daftar keterampilan
Metadata runtime
Dengan pengaturan default, hingga 20k karakter per file, total maksimal 150k karakter (sekitar 37,5k token) diinjeksikan ke dalam sistem prompt. Biasanya, sekitar 5k-10k token ditambahkan sebelumnya di setiap panggilan API.
2. Satu tugas dipecah menjadi beberapa panggilan alat
Ketika agen melakukan tugas, untuk setiap panggilan alat (ambil email → analisis → tentukan prioritas → daftar di Todoist → ringkas) terjadi panggilan API terpisah, dan setiap panggilan membawa seluruh konteks. Bahkan permintaan yang sederhana dapat dipecah menjadi 5-10 panggilan API.
Ini bukan panggilan yang berjalan diam-diam di latar belakang, tetapi merupakan operasi normal agen, namun dari perspektif pengguna, "saya hanya mengirim satu pesan" tetapi tagihan token sangat mengejutkan.
3. Seluruh riwayat percakapan dikirim ulang pada setiap permintaan
Direktori .openclaw/agents.main/sessions/ dengan semua riwayat terkumpul dalam JSONL, dan setiap permintaan baru mengirim ulang seluruh riwayat percakapan ke model.
Dalam satu laporan pengguna, konteks sesi utama sudah menempati 56-58% dari jendela 400k. Artinya, bahkan untuk satu pertanyaan sederhana, Anda harus memproses konteks cache 200k+ token.
Ada Compaction (ringkasan otomatis) tetapi threshold pemicu cukup tinggi sehingga hanya berfungsi di dekat jendela konteks 200k. Sebelum itu, puluhan k token menumpuk dan terjadi pada setiap panggilan.
4. Cache adalah solusi parsial - cold start saat TTL kedaluwarsa
Anthropic Prompt Caching hanya menagih 10% pada cache hit, tetapi ada TTL (biasanya 1 jam). Jika tidak digunakan secara berkelanjutan, Anda membayar harga penuh untuk setiap cold start.
OpenClaw memang menyediakan pengaturan workaround seperti heartbeat (pemanasan cache dengan interval 55 menit), tetapi ini berarti mengirim panggilan model bahkan saat pengguna tidak menggunakannya, jadi ini adalah biaya tambahan.
5. Output alat menumpuk dalam konteks
Output alat besar (hasil traversal direktori, daftar file, hasil pencarian, dll) disimpan apa adanya dalam riwayat sesi. Setelah masuk sekali, itu mengikuti semua panggilan berikutnya. OpenClaw memang memotong output besar hingga ~30% dari jendela konteks (hard cap 400k karakter), tetapi jumlah kumulatif masih berkembang pesat.
6. Penggunaan berlebihan server MCP
Ini mengejutkan cukup besar. Semakin banyak server MCP (Model Context Protocol) yang Anda instal, semakin banyak deskripsi alat + skema JSON ditambahkan ke sistem prompt.
Nilai terukur:
Tambahkan sekitar 200-800 token deskripsi alat per server MCP
Pengguna yang menjalankan 80+ alat: 5,2k token overhead per permintaan
Kurangi menjadi 8: 1,8k token overhead
Dalam pengukuran Hermes Agent dengan arsitektur serupa, bahkan pertanyaan kalender sederhana seperti "What's on my calendar today?" mengkonsumsi 15-20k input token sebelum memulai inferensi. Ini bukan pengukuran OpenClaw itu sendiri, tetapi dapat direferensikan karena memiliki pola yang sama (definisi alat + sistem prompt prepend)
Masalahnya adalah MCP dikalikan dengan 5 faktor lainnya:
Kombinasi | Hasil |
|---|
MCP + perakitan ulang sistem prompt | Skema alat MCP diinjeksi ulang pada setiap panggilan |
MCP + pengiriman ulang riwayat | hasil alat juga menumpuk dalam riwayat |
MCP + Heartbeat | setiap heartbeat memanggil dengan definisi alat lengkap |
MCP + akumulasi konteks | output alat menempati hingga ~30% dari konteks |
Karena OpenClaw secara aktif merekomendasikan pasar MCP (ClawHub), pengguna secara alami menginstal banyak MCP, tetapi mereka sering tidak menyadari bahwa itu adalah penyebab pembakaran token dan hanya menyalahkan kualitas model.
7. Heartbeat dan Compaction sendiri juga merupakan biaya
Heartbeat: berjalan secara berkala di latar belakang bahkan tanpa pesan pengguna
Compaction: panggilan model tambahan untuk meringkas riwayat lama
Pencarian memori embedding: konsumsi token provider terpisah (OpenAI/Gemini/Voyage)
Satu laporan pengguna: "Saya mengatur pemeriksaan email setiap 5 menit, dan Heartbeat saja memakan biaya $50 sehari".
Kasus nyata
Tulisan pribadi Federico Viticci, redaktur MacStories: menggunakan OpenClaw membakar 180M token per bulan. Nama asisten adalah Navi, kombinasi Telegram + M4 Mac mini + Claude Opus 4.5. (Nilai tagihan 180M / $3,600 dikonversi berdasarkan harga unit Sonnet, jadi harga unit per model yang tepat berbeda)
Tes media IT Jerman c't 3003: penggunaan Opus sehari $109.55.
Pengguna Reddit $200 / hari - insiden loop otomasi tunggal.
Ringkasan
Penyebab | Dampak |
|---|
Sistem prompt dirakit ulang setiap kali + injeksi file bootstrap | 5k-37.5k token per panggilan |
Satu tugas diuraikan menjadi 5-10 panggilan alat | Setiap panggilan membawa konteks lengkap |
Seluruh riwayat percakapan dikirim ulang | Menempati 50%+ jendela 400k saat dikumpulkan |
Batasan TTL cache | Biaya cold start setelah periode tidak digunakan |
Akumulasi output alat | Output yang masuk sekali terus mengikuti |
Penggunaan server MCP yang berlebihan | 80 alat = 5.2k token overhead / permintaan |
Heartbeat / Compaction | Panggilan latar belakang bahkan tanpa aksi pengguna |
OpenClaw membakar token dengan cepat bukan karena pengguna melakukan sesuatu yang salah, tetapi hasil dari arsitektur itu sendiri.
Jadi Mengapa Orang-Orang Banyak Menggunakannya
Ini bukan hanya kasus dampak tagihan karena alat yang menerima 145k bintang. Spektrum penggunaan aktual jauh lebih luas:
Pengguna cahaya: $10-30 per bulan
Reguler: $40-80 per bulan
Power: $100-200 per bulan
Kasus seperti Viticci adalah outlier
Selain itu, sebagian besar pengguna OpenClaw terhubung melalui OAuth Claude Pro/Max dalam struktur di mana biaya tidak dapat dilihat (dokumentasi resmi: "OAuth tokens never show dollar cost"). Mulai 2026-04-04, Anthropic memblokir penggunaan OpenClaw dari Claude Pro/Max, jadi sekarang API key dipaksakan.
Nilai sebenarnya yang menarik dari OpenClaw adalah:
Integrasi messenger (WhatsApp, Telegram, Slack, iMessage, Signal dan 25+ lainnya) gunakan asisten AI dari satu tempat
Self-hosting + lisensi MIT
Agen dapat meningkatkan dirinya sendiri (Viticci memberitahu Navi "tambahkan kemampuan pembuatan gambar ke dirimu sendiri" → benar-benar menambahkannya)
Ulasan positif dari orang-orang berpengaruh seperti Simon Willison, Casey Newton
Jadi Bagaimana Saya Menggunakannya
Saya memutuskan tidak menggunakan OpenClaw karena berat dan lambat, dan langsung membuat jembatan messenger ↔ AI CLI. Ada alat bernama tunapi, ini adalah struktur untuk memanggil alat AI terminal seperti Claude Code / Codex CLI / Gemini CLI langsung dari Mattermost / Slack / Telegram. Pertahankan konteks sesi, meja bundar multi-agen (!rt), branching percakapan, pemetaan proyek per saluran, fitur seperti itu digunakan apa adanya dalam UI messenger. Dan asisten yang membaca email, mengatur jadwal, dan memberi tahu cuaca tidak benar-benar diperlukan juga. 😆 Jika Anda ingin menggunakannya dengan lebih ringan, aplikasi terminal jarak jauh seluler yang pernah saya perkenalkan di bawahhttps://damoang.net/free/6247926 seperti itu mungkin lebih baik.
Jika ambient assistant seperti OpenClaw adalah arah untuk menempatkan asisten AI di semua saluran messenger, tunapi adalah arah di mana saya hanya memanggil secara eksplisit. Karena tidak ada panggilan otomatis seperti heartbeat latar belakang, pola pembakaran token berbeda.
Ini bukan untuk mengatakan OpenClaw adalah alat yang buruk, alat dengan banyak fitur juga berarti biaya besar. Jika tidak cocok dengan pola penggunaan Anda sendiri, kombinasi ringan Anda sendiri mungkin jawabannya.
Sumber
