前几天，我统计了一下各种Agent的token消耗账单。
心理有预期，但还是有点吓到我了。知道自己花了钱，但不知道花了这么多，甚至想不起来都花在了哪......
我身边的养虾人、养马人也是一样，经常吐槽某个任务又花了多少token。更多人一开始兴奋安装，惊喜试用，几天后默默关掉。不是不好用，是真不敢一直用。每次让Agent干活前都得想，这次又要烧多少token？
这两天，我终于发现了一个在意咱钱包的Agent，叫OpenClacky。主打一个省token，并且能力对齐最强智能体Claude Code。
同样三个真实工作任务，同一个模型，同一套Skill，同一时间段跑完。OpenClacky总花费5.10美元。对比之下，OpenClaw花了15.70美元，Hermes Agent花了30.14美元。
也就是说，干同样的活，OpenClacky的账单是Hermes的六分之一，OpenClaw的三分之一。
甚至比公认全球顶级的闭源产品Claude Code还便宜一点点，上面的任务CC是5.49美元。
这不是一个"便宜但能力打折"的故事。它的任务完成质量和Claude Code在同一水平线上。
比如做一个商务PPT，这是OpenClacky做的：
这是CC做的：
怎么样，难分伯仲吧。
下面带大家实测一波～
安装贼方便，在官网下载客户端，有技术基础的小伙伴可以直接命令行安装，https://www.openclacky.com/#install。
然后选择供应商，输入对应的key就搞定了，全程无卡点，比OpenClaw安装容易太多了。
还有一个好处，就是可以直接选择OpenClacky官方供应商，提供了各家顶级大模型，不用担心被封，不用来回切换API，非常之方便。
我们让它做一个品牌视觉设计公司的网站。
整个任务执行过程，很丝滑。一是速度非常快，只用了两分钟。二是执行中没有暂停，一步到位，用出了通用模型的省心感。三是UI设计舒适，主次分明，让你能直观看出执行细节和进度。
比较特别的一点是，执行过程中的每一步，以及完成后，都会标出具体花费。不是算不明白的token量，是美元。再也不用盯着模型后台的余额了。
做一个完整的网站UI，只花了2刀。而且对比OpenClaw，真的省心。说实话，用OpenClaw做任务很磨人，用过的都知道。
我们看看效果：
不错吧，整体设计很有活力，功能完整，动态效果也蛮搭配的。
再来做一个很烧token的任务，获取AI前沿资讯。
给OpenClacky一份我常浏览并能成功爬取的资讯网站，让它获取3日内的AI资讯，并制作一个公众号选题表。
这个任务看似简单，实则很繁琐，成功率也难以保证。因为每个网站的安全机制不同，要想获取信息可能会尝试RSS、Crawl4AI、Headless Browsing等多种抓取策略，并且信息量很高，很考验Agent的执行策略和严谨度。
OpenClacky成功抓取了27个网站，对比其他Agent，这个成功率已经算很高了。
重要的是，竟然只花了不到2刀！我用OpenClaw，这个任务一般花费在20刀左右，差距着实有点悬殊。
而且效果很顶，之前用OpenClaw，会忽略很多资讯，数量通常在20条左右。OpenClacky抓的挺全，46条，基本没有错误。
反正几轮体验后，我是打算投奔OpenClacky了。
那OpenClacky咋做到便宜又好用的呢？
先说一个反直觉的事实：Agent贵，往往不是因为模型贵，而是上下文管理的粗糙。
每次你跟Agent对话，它都要把之前的对话历史、系统提示词、工具描述一股脑塞给模型。如果这些内容能命中缓存，你只需要付很少的钱。如果命中不了，你就在为重复的信息反复买单。
就好比你每天去同一家咖啡店，但每次都要说一遍美式、全冰、无糖、打包。
这就是OpenClacky做的第一件事，是把缓存命中率逼到接近100%。
创始人李亚飞在访谈里说了一句话：缓存命中率不是调出来的，是设计出来的。
那是咋设计的呢？核心原则只有一条：Session不重启，系统提示词不变。
听起来简单，做起来极难。因为Agent在运行过程中，Skill会重新加载，模型可能切换，上下文需要压缩。大多数Agent遇到这些变化，就直接重启Session，缓存全部清零，从头开始计费。
OpenClacky的做法是，把这些动态变化通过一个独立的session context机制插入对话流，而不是去改动系统提示词本身。这样一来，缓存的锚点始终有效，不会因为一次配置变化就全部失效。
它还做了一个叫"双重缓存标记"的设计。普通做法是只标记最后一条消息，但这会导致下一轮对话时标记丢失，缓存失效。OpenClacky同时标记最后两条消息，确保即使对话往前推进，缓存依然能命中。
第二件事，是工具数量的克制。
你是不是每次安装Agent前，都先安一大堆Skill、插件。平时听说哪个好用，也不考虑实不实用，先安上再说。
可实际却是，Agent的工具越多，每次请求就越贵。
因为每个工具都有自己的schema描述，不管你这次用不用得上，它都会被塞进上下文里，占token。你装了52个工具，哪怕只用了3个，另外49个的描述也在默默烧钱。
Hermes Agent有52个内置工具。Claude Code有40多个。OpenClaw有23个，加上插件和MCP能到50个。
OpenClacky只有16个。
这不是因为它功能少。它的做法是把一个叫invoke_skill的元工具放在核心位置。需要什么能力，就通过这个入口去调用对应的Skill。Skill可以无限扩展，但核心工具列表始终保持精简，schema不膨胀，缓存不受影响。
16个工具跑赢52个工具。这不是少做功能，是架构层面的选择。
第三件事，是不为你的离开买单。
真实场景里，没有人会连续跟Agent对话三小时不停。你会去开会，去喝咖啡，去午休。回来之后继续让它接着干活。
很多Agent在你离开的这段时间里，依然保持着完整的长上下文。等你回来，它把所有历史一股脑塞回模型，你为"等你回来"这件事付了钱。这部分浪费，可能占到整段任务成本的30%以上。
OpenClacky会在空闲期自动压缩上下文，只保留关键的任务状态、文件变化、决策过程和下一步动作。而且压缩本身也不额外开一次模型调用，而是插入当前对话流里完成，让已有缓存继续复用。
你去喝咖啡的时间，不再是token燃烧的时间。
第四件事，是把模型选择权还给用户。
闭源订阅的问题在于，你既不知道它怎么计费，也控制不了它用什么模型干什么活。OpenClacky走的是BYOK路线，Bring Your Own Key。
你可以用Claude写复杂代码，让子任务走DeepSeek或者Kimi。主任务用强模型保证质量，轻任务用便宜模型控制成本。不是单纯换个便宜API，而是把任务拆分和模型选择的决策权交回你手里。
这四件事叠在一起，不是某个单项指标的极端优化，而是一种系统性的工程哲学。
李亚飞管这叫"不偏科"。不盲目堆工具，不盲目搞多Agent编排，不盲目追求某个单项数据好看。而是让真实任务的总账单降下来。
Claude Code在部分任务上的缓存命中率确实比OpenClacky高。比如PPT任务和社媒任务里，Claude Code的命中率更高。但最终用户付钱看的不是单项指标，而是总成本。成本是由请求数、单次prompt规模、工具schema、缓存命中率和任务完成稳定性共同决定的。
OpenClacky用51次请求完成了三个任务。Hermes用了218次。请求少，每次请求又轻，缓存又稳，三者相乘，自然省了不少token。
但如果OpenClacky只是一个"更便宜的Agent"，这篇文章大概写到这里就可以结束了。
让我更感兴趣的是，是它在省token之外做的另一件事：Skill经济。
OpenClacky想让Skill变成可以加密、可以定价、可以售卖的产品。
具体来说，一个律师可以把自己十年的合同审查经验封装成一套Skill，包含审查流程、风险判断标准、文书模板、交付规范。然后通过OpenClacky的平台加密分发，按License授权给其他律师使用。
这不是一个简单的"Skill商店"。李亚飞的说法是，OpenClacky更像创作者的技术合伙人。创作者提供行业经验和方法论，OpenClacky提供底层Agent能力、分发渠道、加密保护和升级机制。
他们已经有了一个真实案例：一位律师做的"青狮龙虾"，把16个法律相关Skill打包在一起，已经卖了不少单。还有金融方向、知识管理方向的产品在陆续上架。
AI Agent上半场争的是能力。谁更聪明，谁能做更多事，谁更像一个全能助手。这个阶段的赢家是Claude Code，是各种花哨的多Agent编排。
但下半场争的是账单。
因为能力再强，如果你不敢每天开着用，它就永远只是一个偶尔请出来的昂贵工具，而不是真正的个人助理。
个人Agent的门槛，从来不是智能。是可持续使用。最好的架构，不是盲目追求复杂。而是在克制中，把每一个token都用在刀刃上。
当你不再为每一次对话心疼的时候，你才第一次真正拥有了一个Personal Agent。
别让账单，成为你和AI之间最大的距离。
官网：
https://www.openclacky.com
Benchmark：
https://www.openclacky.com/benchmark
创作者计划：
https://www.openclacky.com/creators
GitHub：
https://github.com/clacky-ai/openclacky
如果你有任何看法，欢迎在评论区一起讨论
如果有一点收获，可以点赞、转发、推荐文章，关注「AI机器人茶馆」
热门跟贴