如果你跟我一样第一次接触 OpenClaw 的时候多半会被“自主AI代理”这几个字勾住好奇心。我最初以为它就是个套了壳的聊天机器人顶多能定个闹钟、查个天气。直到我真的把一个 MCP 服务接进去让 OpenClaw 能调用外部工具之后才发现这东西的玩法和普通 LLM 应用完全不是一个量级。可与此同时一个新的问题也浮出水面每次对话看起来没聊几句token 却在肉眼可见地消失。这篇文章不打算给你一套官方文档式的配置教程而是把我这段时间“接 MCP 烧 token”的真实经历拆开讲清楚。里面会有 OpenClaw 的核心机制解释、为什么 MCP 会放大 token 消耗、我怎么把消耗监控起来以及一些我在 Windows/WSL、Node、登录鉴权上踩过的坑。不管你是刚把 OpenClaw 装好、正准备接 MCP 的新手还是已经在跑代理任务、被账单惊到的老手应该都能找到有用的东西。1. 先别急着接 MCP搞清楚 OpenClaw 的“代理循环”到底怎么回事1.1 它不是聊天机器人它是一台会“自我推进”的机器很多人会想当然地把 OpenClaw 归类成“又一个 Chatbot 前端”这其实是对它最大的误解。传统聊天机器人的工作方式很简单用户给一条用户消息程序把它交给模型模型回一段文字对话结束。整个过程是“一次请求一次响应”。OpenClaw 不是这个逻辑。它的核心是一个代理循环Agent Loop模型生成的内容不一定是最终答复而可能是“我想调用某个工具”“我去读一下这个文件”“我调用 MCP server 里的某个函数”。OpenClaw 拿到这段意图之后会在本地或通过网络执行对应操作再把操作结果拼回上下文继续让模型判断下一步怎么做。这个循环会一直跑直到模型明确输出“我已经完成用户请求”。我听到一个类比特别贴切普通聊天就像你直接问餐厅服务员“今天有什么推荐的”服务员给个答复就结束OpenClaw 更像你请了一个私人管家你只需要说“今晚我要招待一个不吃辣的朋友”管家会自己查菜谱、确认食材、列采购清单甚至帮你预约座位全过程不需要你逐个步骤交代。所以OpenClaw 在架构上通常会有几块东西一块负责接收用户输入一块负责调度模型调用一块负责执行工具操作还有一块负责保存和更新对话状态。MCP 接入本质上就是在“执行工具操作”这一层打开了一个标准化的入口。1.2 MCP 接入的本质给循环装上一个“通用工具库”MCP 的全称是 Model Context Protocol模型上下文协议。它解决的是一个非常现实的痛点以前想让 AI 调用某个软件或者服务得为每个服务单独写接口、做鉴权、处理不同风格的 API麻烦得像一个插线板上全是不同规格的插头。MCP 相当于把“插头规格”统一了任何支持 MCP 的工具都能通过同一套格式和 AI 代理对话。在 OpenClaw 的环境里MCP 的角色是给你设置的“工具库”。一个 MCP server 可以提供文件操作、数据库查询、浏览器自动化、设计稿导出、游戏进程读取等种类繁多的工具。OpenClaw 本身作为 MCP host启动时会读取配置把每个 MCP server 提供的工具列表加载进来然后把这些工具的“说明书”注入给模型。这里就要说回 token 的问题。模型和工具之间的每一次交互可不是白来的。每个被加载的 MCP 工具都会以函数定义、参数 schema、描述文本的形式塞进模型上下文里。模型每次推理前都要把这些定义重新读一遍算完 token 费用才轮到正式对话内容。也就是说你加的工具越多不管这一轮对话有没有用到它模型的“起付线”就已经被抬高了。2. 我实测发现一次普通对话可能吃掉了多少 token2.1 单次代理任务的 token 消耗构成先给大家一个我实测下来的大致拆解。以我用 OpenClaw MCP 跑一个“读取本地文件目录并整理成清单”的任务为例一次完整的代理循环大概会经历这几轮模型调用消耗来源大致 token 范围要不要每次都算钱OpenClaw 自动注入的系统提示800 ~ 1500每次调用都会带已加载的 MCP 工具定义200 ~ 1000每次调用都会带用户输入30 ~ 100每次调用都会带模型第一轮输出调用工具200 ~ 600按输出 token 计费MCP 工具返回结果100 ~ 3000会拼回上下文下次调用继续带模型第二轮输出最终回复300 ~ 600按输出 token 计费你会发现用户本来只想做一件简单的事但系统在后台已经把“系统提示 工具定义 中间过程 工具结果”全部算进了账单。如果遇到工具报错、模型重试、上下文回传次数变多费用可能直接翻倍甚至翻几倍。这就像你去餐厅吃饭点的是一碗面但账单里包含了后厨煤气费、配菜消耗、厨师的围裙干洗费而且每一道工序端上桌给你看一眼、再拿回去重新热一次每一眼都额外收费。2.2 从一句“帮我整理一下桌面”看 token 如何被逐步放大假设我对着 OpenClaw 说了一句“帮我整理桌面上的项目文件按类型放到不同文件夹”。第一轮调用开始时模型上下文里包含系统提示、MCP 工具定义、用户消息。系统提示里有 OpenClaw 自己写的环境信息、日期时间、行为规范工具定义里包含了“文件列表”“读取文件”“移动文件”“创建文件夹”这几个工具的字段说明。这一轮还没开始干活上下文已经去到 1500 到 2500 token 左右。模型第一轮输出会像这样它先调用“文件列表”工具列出桌面上所有文件。OpenClaw 执行工具把结果一堆文件名的数组返回给模型。这时候文件名列表作为工具结果被拼回对话历史。第二轮模型判断完类型后会调用“创建文件夹”“移动文件”等工具工具箱的执行结果又会追加进上下文。最终你可能聊了三轮、五轮每次输入 token 都包含整个对话历史。也就是说用户输入的那一句“帮我整理桌面”只占很小的一部分真正的大头是反复传输的系统提示、工具定义、中间结果。我在日志里统计过一次这样的小任务往往要烧掉 4000 到 6000 token而用户感知上只是“说了一句话”。2.3 真正会让我“偷偷烧 token”的三种场景第一种是过度挂载。把几十个 MCP server 一股脑全配置进去模型每次对话都要把所有工具定义塞进系统上下文。就算你只说“今天天气怎么样”它也先把十几个工具 schema 读一遍。第二种是工具返回大数据。比如调一个“读取整个项目目录”的工具返回几千行文件列表甚至直接读整个代码文件这些内容全部原样进入上下文。上下文一长后面的每一轮调用都要带着这些垃圾数据继续计费。第三种是失败重试循环。工具调用失败后模型可能不会立刻向用户报告而是换一种参数再试甚至尝试别的工具每失败一次就多一轮完整的模型调用token 就像漏水的龙头一样一滴一滴漏到你反应过来为止。3. 给 OpenClaw 接 MCP 的实操完整版含 WSL/Windows 踩坑3.1 环境准备清单Node、WSL2、OpenClaw 和 Windows Companion先说环境。如果你跟我一样用 Windows 机器跑 OpenClaw最标准的路线是装上 WSL2在 Linux 环境里运行代理核心再用 Windows Companion 来做系统层面的配合。我不建议在 Windows 原生环境里硬跑所有组件MCP 生态里的很多 server 默认以 Linux 路径、Linux 命令为标准原生环境容易出现路径分隔符不一致、权限模式诡异、命令找不到这类问题。装好 WSL 后第一件事是在 PowerShell 里验证状态。直接跑wsl --status如果输出里显示默认版本是 2那就没问题。我之前遇到过一次“OpenClaw 无法安全验证 WSL2 环境”的提示排查到最后发现是 WSL 内核很久没更新在 PowerShell 里执行wsl --update就能解决。如果你看到的是“没有已安装的分发版”还需要先去装一个 Ubuntu再设置一下默认用户。Node.js 环境也很关键。目前 OpenClaw 的很多 MCP 接入方式依赖npx也就是说你得把 Node 环境装好版本建议选 18 以上。不要偷懒装那种最小化的“运行时包”直接去 Node.js 官网下载 LTS 版本安装时把“自动加入 PATH”勾上能省掉后续一堆环境变量问题。装完之后验证node -v npm -v npx -v三个命令都能返回版本号再继续往下做。3.2 亲手配置第一个 MCP serverfilesystem 实例我建议新手接的第一个 MCP server不要选功能复杂的浏览器自动化、数据库查询先从最直观的文件系统工具开始。官方有一个 filesystem 参考实现通过 npx 就能直接启动不需要额外写代码。在 OpenClaw 的配置文件里找到mcpServers这一段。OpenClaw 的配置整体是 JSON 风格每个 MCP server 都对应一个配置块。参考配置长这样{ mcpServers: { filesystem: { command: npx, args: [ -y, modelcontextprotocol/server-filesystem, ~/Documents, ~/Desktop ], env: {} } } }配置的意思很直白让 OpenClaw 启动一个叫filesystem的 MCP server通过 npx 运行官方包并把~/Documents和~/Desktop两个目录作为允许访问的根目录传进去。后面env字段可以用来放环境变量比如某些 server 需要 API Key就写在那个对象里。这里我给一个很重要的建议根目录不要写/或者整个用户主目录。filesystem server 生成的工具会把目录结构给模型看目录越大工具返回的数据越吓人token 消耗也越离谱。只给实际要用到的目录既安全也顺手把 token 成本压下来了。配置改完之后重启 OpenClaw 服务。如果你在日志里看到类似MCP server filesystem connected、Registered N tools这样的输出就表示接入成功了。3.3 我踩过的坑登录 token 失效和 MCP 列表不加载第一次接 MCP 时我卡得最久的是登录环节。模型后端或者某些第三方服务在做 OAuth 登录时报错信息里经常出现sign-in could not be completed token exchange failed还有token endpoint returned ...这种字眼。当时我一度以为是网络或证书问题后来静下来一查发现主要是因为 refresh token 已经过期了。客户端里存的 token 没有自动刷新逻辑打开应用的时候它拿旧 token 去换新的服务端直接拒绝。如果你的登录报错里明确写到invalid refresh_token: empty string那就别再怀疑 OpenClaw 了这是标准的 token 生命周期问题。解决办法是进入登录设置显式地退出当前账号清理掉本地缓存的鉴权信息然后重新走一遍登录流程。很多这类错误不是代码 bug而是本地保存的凭证已经是残缺状态重新登录是最快的修复路径。还有一次我配置好 MCP 之后OpenClaw 里看不到任何新工具。排查半天发现配置文件里我写错了一个 JSON 嵌套层级mcpServers被塞到其他节下面了OpenClaw 启动时没识别为标准的 MCP 配置块。从那以后我学乖了改完配置先做 JSON 校验再用日志确认 server 连接状态不要靠界面猜。如果你在日志里看到了Failed to initialize MCP server优先检查命令路径能不能单独执行、args 是否合法、目录是否存在三个基础都过了一般就能接上。4. 怎么判断 token 是不是正在被“偷偷烧掉”监控与优化手记4.1 监控第一件事分轮次记录模型调用的 usage要搞清楚 token 到底烧在哪不能只盯着最后的账单而要看到代理循环里的每一次模型请求。现在主流模型 API 返回结果里都会带usage字段里面有prompt_tokens、completion_tokens、total_tokens。把 OpenClaw 的调试日志打开让每次模型请求的响应参数落到日志文件里再按会话 ID 分组统计。我在实际监控时发现token 消耗最大的那一轮往往不是用户提问后的第一轮而是某个工具返回了超大结果之后的下一轮推理。因为那一轮会重新读取历史上下文包含前面全部内容输入 token 直接翻倍。看到这种数据你才会意识到优化方向应该是“减少回传上下文的大小”而不是单纯减少模型调用次数。有些第三方 API 的管理后台也会展示近 30 天、近 7 天的请求量、延迟和费用可以拿来做月度趋势观察。不过它们的统计颗粒度通常到不了单次代理任务所以我的习惯是OpenClaw 日志看过程后台指标看趋势两边对照才能定位问题。4.2 从四个方向把 token 成本压下来第一个方向是收敛 MCP 工具的数量和描述。工具数量越多系统提示里塞的 schema 就越多。把不常用的 MCP server 从配置里禁用只保留当前任务刚需的。如果某个工具描述特别长可以自己在本地封装一个更精简的 MCP server减少字段说明换取更小的上下文开销。第二个方向是控制工具返回的数据规模。文件列表工具返回几千个条目模型根本不需要全部读取。更合理的做法是让模型先调用一个“统计目录大小和各类文件数量”的工具拿到聚合信息之后再决定要不要进一步读取。把数据在服务端先做裁剪只把结论回传这是省 token 最立竿见影的方法。第三个方向是裁剪上下文。代理循环跑多几轮之后历史对话会越来越长。OpenClaw 这类框架通常会做上下文窗口管理把太早的历史摘要化甚至截断。如果你用的模型 API 支持 prompt caching也就是服务端对重复出现的前缀做缓存计费建议主动开启把那些每次都会重复出现的系统提示和工具定义变成缓存命中部分能省下不少重复输入的费用。第四个方向是控制失败重试。在 OpenClaw 的工具调用设置里把失败后的最大重试次数调低或者在超时设置上更保守。遇到一个工具反复失败的情况不要让它在这条死路上反复横跳而是让它直接总结经验、向用户汇报。我在调一个浏览器自动化 MCP 时遇到过连续十几次重试、把上下文烧穿的情况把重试上限从默认值改到 3 次之后效果立刻不同。4.3 本地模型Ollama/Qwen是不是更好的“省钱”选择很多人会问OpenClaw 是不是只能通过 API 方式调用算力当然不是。OpenClaw 支持对接多种模型后端其中就包括本地部署的 Ollama。把 OpenClaw 的模型配置指向 Ollama 服务之后只要你的机器有余量就能跑本地模型成本从按 token 计费变成了电费和显存占用。我自己试了一下把 Qwen2.5 系列的小尺寸模型关联到 OpenClaw。轻量任务、简单的文件操作、日程整理这类本地模型跑起来完全没问题速度也还过得去。但是它确实不适合承载过于复杂的代理任务尤其是那种需要长上下文、多轮工具规划的任务本地小模型容易出现绕弯子、忘了前面结论、频繁调用无关工具的毛病。一旦模型乱调用工具省下的 token 成本又会变成时间成本。所以我的结论比较务实如果是想把 OpenClaw 当“玩具”体验一把或者只是跑低风险任务本地模型很合适基本零成本。如果真拿它当生产力工具跑重要流程还是用商用模型 API 更稳但务必做好前文说的上下文监控和裁剪否则账单会在你看不到的地方暗自膨胀。5. OpenClaw MCP 常见问题速查与排查套路5.1 症状和原因对照表为了方便你排查我把这段时间遇到的高频问题整理成了表格按“症状 - 常见原因 - 建议操作”的顺序排列症状常见原因建议操作OpenClaw 提示无法验证 WSL2 环境WSL 内核或分发版未更新PowerShell 执行wsl --status、wsl --updatenpx 命令找不到Node 未正确安装或 PATH 未配置官网安装 LTS 版确认npx -v可用MCP 配置了但看不到工具JSON 层级错误或配置未生效校验 JSON查看启动日志确认 server 连接MCP server 启动即失败目录不存在/命令参数错误在终端单独执行原命令观察报错登录时 token exchange failed本地 OAuth 凭证过期或残缺退出登录并清理缓存重新登录刷新 token 报 invalid refresh_tokenrefresh token 缺失或失效重新走授权流程避免手动拷贝旧 token对话没几句但 token 用量巨大工具定义过多或工具返回数据过大精简 MCP、裁剪工具输出、开启 prompt caching5.2 三个容易忽略的细节第一个细节是 Windows 路径分隔符。在 Windows 原生环境下配置 filesystem 的路径时如果直接把 Windows 风格的反斜杠路径写进 JSON很容易被 npx 子进程转义出问题。我后来统一用 WSL 内的路径写法比如/home/username/Documents反而省心。跨路径调用的限制是 MCP server 自己定义的你作为用户只需要在你真正要访问的目录里挂载就行不要贪多。第二个细节是环境变量传参。有些 MCP server 的鉴权信息需要通过env字段注入如果直接写在命令行里一方面容易在进程列表里泄露另一方面也不好维护。建议在配置里把env字段用起来把密钥统一放到环境变量文件或者系统配置里。注意这里的核心目标是让配置可维护、可审计而不是把秘密硬编码到配置文件中。第三个细节是日志级别。OpenClaw 的默认日志信息量可能不够导致你只能看到工具调用成功或失败看不到中间消耗。把日志级别调到 debug并把日志输出到文件之后你才能看到完整的上下文片段、工具返回内容以及 usage 数据。日志别开得太久否则文件会滚得很快我当时是跑任务的时候临时开 debug平时恢复默认级别。结尾我现在会给自己的 OpenClaw 立下的规矩经历了这次“接 MCP 后 token 莫名消失”的全过程我现在给自己定下几条硬规矩。第一每次只接当前任务要用的 MCP server绝不一次性全挂第二凡是文件系统类 MCP一律限制访问范围绝不给整个用户目录第三跑重要任务前先开 debug 日志任务结束立刻看 usage发现某轮调用异常膨胀就马上定位是哪个工具在捣鬼第四不把 OpenClaw 当韭菜地让它用不起模型之前先让模型知道哪些信息值得放进上下文。如果你正在给 OpenClaw 接 MCP我特别建议你也做一次“成本体检”。工具本身是利器但不会控制上下文的代理工具反而会变成一台安静的烧 token 机器。希望这篇文章能让你绕开那些我踩过的坑也希望能给你提供一个更理性的接入思路。