自主性的代價：分析 OpenClaw 耗費 130 萬美元的 Token 支出

A 近期由 OpenClaw 創作者兼 OpenAI 員工 Peter Steinberger 所發布的資訊，在開發者社群中引發了激烈辯論。透過分享其使用 CodexBar 工具顯示的 API 成本截圖，Steinberger 揭露了在 30 天內高達 130 萬美元的驚人原始 API 支出。雖然這個數字令人咋舌，但它為自主 AI Agent 的經濟學以及目前由 LLM 驅動的軟體工程現狀提供了一個關鍵的案例研究。

支出規模

與典型的開發者使用量相比，這筆支出的數字是天文數字。根據社群分析，Steinberger 在單月內使用了大約 6,000 億個 Token。為了讓大家有概念，一些重度使用者認為每月 5 億個 Token 已經是相當大的量；而 Steinberger 的使用量是該數值的 1,200 倍。

這種消耗水平是由 OpenClaw 的本質所驅動的——它是一個自主 Agent 系統。極高的 Commit 數量（僅在 2026 年 5 月，橫跨 94 個 repository 的 commit 就超過了 8,800 次）顯示出該系統正在一個緊密的迴圈中不斷進行迭代、測試與修正程式碼。

原始成本 vs. 實際成本

區分「原始 API 成本」與實際支出非常重要。作為 OpenAI 員工，Steinberger 很可能擁有這些模型的無限或高度補貼的使用權限。

Hacker News 上的評論者指出，原始成本是基於公開定價的理論數字。一位評論者提到：

"This is quite a misleading title because this is the raw API cost, but he (obviously) has unlimited usage as an OpenAI employee."

此外，成本會根據運作「模式」而大幅波動。Steinberger 澄清，130 萬美元的數字是在使用「fast mode」下達成的。若沒有這種加速模式，原始成本將降至約 30 萬美元——這仍是一筆巨款，但僅為標題數字的一小部分。

「Agent 稅」：效率與邊際效益遞減

OpenClaw 案例凸顯了 AI 開發中日益增長的緊張關係：自主性與效率之間的權衡。當 Agent 被指派執行複雜的整合任務時——例如設定 Google Auth、Signal 或 WhatsApp——它們往往會進入「監護」迴圈，即花費大量資金試圖解決一個人類可能更快解決的問題。

一位使用者分享了他們嘗試使用 OpenClaw 處理 Google Auth token 的經驗：

"I hit my personal spend limit when it cost like 40 USD to get Google auth tokens working... I was babysitting openclaw doing it anyhow. So I actually double spend. Money plus time."

這引發了關於自主 Agent ROI（投資報酬率）的基本問題。如果開發者花費 130 萬美元的 Token 來產生數千次 commit，這是否能轉化為生產力的成比例增加，還是僅僅是在「為了好玩而破壞環境」？

對 AI 生態系統的更廣泛影響

除了個人成本之外，這種使用量也指向了幾個系統性挑戰：

1. 算力短缺

如果單一重度使用者每月能消耗 6,000 億個 Token，那麼對高端模型的總體需求可能會導致嚴重的算力短缺。支持數千個「OpenClaw 式」Agent 的基礎設施需求，比支援聊天介面的需求要大出好幾個數量級。

2. 「黃金硬體」謬誤

開發者存在一種風險，即他們開發的 Agent 優化針對最昂貴、功能最強大的模型（即「48GB RAM machine」方法），從而開發出在經濟上對一般消費者或企業而言難以負擔的軟體。

3. 人類 vs. Agent 資本

財務上的差距非常顯著。若按預計每年 1,560 萬美元的原始成本計算，評論者認為同樣的預預算可以資助一支由高技能人類工程師組成的大型團隊，來打造精緻且穩定的應用程式，而不是依賴有時會產生「broken slop」的自主 Agent 迭代。

結論

130 萬美元這個數字與其說是反映了月度帳單，不如說是一個信號，預示著真正自主的 AI Agent 的資源消耗極其劇烈。隨著我們邁向 Agentic workflow 的時代，產業必須找到一種方法，從「原始支出」轉向可持續且高效的 Token 使用方式，在不讓使用者或地球破產的前提下提供真正的價值。