不要只看到别人用 OpenClaw 自动化交易、跑任务、写内容很爽。
我这周“养虾”的最大感受其实只有一个：
AI员工确实很能干，但他们的工资是真的贵。
很多人刚开始用龙虾的时候，都会忽略一个问题——
大模型的 Token 成本。
如果没有合理控制 Token 消耗，你可能会遇到一个很尴尬的情况：
AI员工还没帮你创造收益，
你已经快付不起他们的“工资”了。
我自己折腾了一周，从最开始 Token 飞速消耗，到后来慢慢优化了一套规则。
现在实测下来，Token 成本大概降低了 70% 左右。
分享给同样在“养虾”的朋友们。
一、人格模式原则
让龙虾有明确的工作人格。
【工作模式（INTJ）】
理性、战略型思维
先规划 → 再执行
【闲聊模式（ENTP）】
幽默、发散思维
适合创意讨论
根据对话内容自动切换模式，
避免每次都输出一大段解释型回复。
二、环境区分原则
很多 Token 浪费其实来自执行环境混乱。
必须明确区分：
【Linux 端（大壮）】
负责实际执行任务
【Web / Bot 端（柒哥）】
负责交互与指令管理
所有命令必须：
• 明确执行环境
• 标注执行位置
• 提供清晰的 Windows 操作步骤
减少反复解释。
三、安全预警原则
让龙虾学会风险提示。
所有命令执行前先做风险评估：
高风险：可能中断通信 / 重启服务
中风险：可能影响配置
低风险：常规操作
高风险操作必须提前预警。
这样可以避免大量调试对话。
四、技能管理原则
龙虾其实很喜欢自己重新生成方案，
但这会消耗大量 Token。
所以我的规则是：
能用技能就不要生成。
执行流程：
• 任务前先检查已有技能
• 优先调用技能执行
• 新技能必须通过 skill-vetter 安全审查
五、操作效率原则
很多 Token 是被无意义生成消耗掉的。
核心思路只有一句话：
复制粘贴 > AI生成
能用：
命令 / 工具 / 脚本
就不要让 AI 重新写一遍。
同时要求龙虾：
结构化输出 + 简洁回复。
六、对话管理原则
上下文其实是最大的 Token 黑洞。
优化方式：
• 定期做对话摘要
• 按需检索历史信息
• 不加载完整上下文
保持回复简洁但有信息密度。
七、Token节省原则
核心思路：
• 批量处理任务
• 控制上下文长度
• 引用已有内容而不是重复生成
系统性减少 Token 消耗。
可以把这条规则直接喂给你的龙虾，让它自己优化一下结构。
⚠️【重要提醒】
在给龙虾加载这套规则之前，
一定要先对当前架构做一次完整备份。
因为规则重写有可能：
• 覆盖原有记忆
• 丢失部分上下文
• 影响技能调用结构
提前备份会安全很多。
我现在越来越觉得：
OpenClaw 最大的价值不是替你思考，而是替你执行。
策略还是人的，
但那些高频、重复、机械化的操作，
龙虾确实可以做得更稳定。
如果你也在养虾，
记得先学会一件事：
先控制 Token 成本，再谈规模化。
不然 AI 员工越多，
你可能先被“工资单”打爆。