OpenClaw turned out to be a costly autonomous agent: 81 million tokens and server conflicts

OpenClaw выглядит как универсальный AI-агент, который можно быстро поставить на свой сервер и встроить в привычные процессы. Но личный опыт установки показал обратное: агент легко конфликтует с соседними сервисами, требователен к моделям и железу, а расход токенов у него быстро выходит из-под контроля.

Монстр на сервере

Автор начал с типичного сценария: взял рабочий VDS, где уже жили сайты на React, PostgreSQL, n8n и несколько простых Telegram-ботов, и поставил туда OpenClaw. Первая проблема возникла почти сразу после ошибки в настройке Telegram-токена. Вместо безболезненной переустановки система оставила после себя «хвосты» в systemd, конфигурациях и папке `.

openclaw`. Старые параметры продолжали влиять на новые запуски, поэтому привычный подход «удалил и поставил заново» просто не сработал. Дальше выяснилось, что OpenClaw плохо чувствует себя как сосед по уже занятому серверу.

Он требует свободных портов, чистого окружения и предсказуемой конфигурации. На разбор того, что именно ломает установку, ушли часы переписки с другими AI-инструментами и около миллиона токенов только на диагностику. Главный вывод здесь простой: ставить OpenClaw на боевой сервер с уже работающими сервисами — плохая идея.

Ему нужен отдельный контур, иначе отладка быстро превращается в ручную зачистку следов и бесконечные переустановки.

Не любит оркестраторы

Следующий шаг выглядел логично: превратить OpenClaw в один из инструментов внутри уже настроенной связки с Docker, PostgreSQL и n8n. Идея была понятной — вызывать агента через вебхуки, навыки или скрипты и встраивать его в существующие цепочки. Но вместо подчиненного компонента OpenClaw повел себя как автономная система, которая не хочет работать по чужим правилам и плохо переносит внешний контроль. Даже когда запрос формально доходил, он не превращался в нормальный ответ для сценария.

• MCP требовал динамический токен, который оркестратор не мог получить Вебхуки принимали запросы, но не передавали их самому агенту Прямой вызов Python-скрипта запускал команду, но не возвращал результат * Создание собственного навыка упиралось в ошибку аутентификации Вместо гибкого исполнителя задач получился самостоятельный «режиссер», который неохотно встраивается во внешние процессы. Автор называет его ниндзя: агент получает задачу, уходит в тень и действует сам по себе. Для одиночной работы это может быть плюсом, но для интеграций такая автономность быстро становится проблемой. Если нужен тихий модуль внутри большого оркестра, OpenClaw скорее мешает, чем помогает. То есть сила агента одновременно оказалась и его главным ограничением.

«OpenClaw — это не помощник. Это ниндзя.»

Железо и токены Еще один неприятный сюрприз вскрылся при подключении локальных моделей через Ollama.

Легкие варианты вроде `phi3:mini`, `gemma2:2b` и `gemma3:4b` не подошли, потому что не поддерживают tools или function calling, без которых агент не может нормально работать. Совместимые модели нашлись, но уже в другом весе: `qwen2.5:7b`, `llama3.

1:8b` и похожие решения требуют заметно больше ресурсов. На VDS с 32 ГБ RAM ответы занимали по пять-десять минут, а параллельный запуск других сервисов приводил к ошибкам по памяти. Отсюда вырос и второй уровень затрат.

Для стабильной локальной работы OpenClaw, по оценке автора, нужен отдельный сервер с GPU уровня V100 или RTX 4090 и минимум 12 ГБ видеопамяти, а это уже аренда от десятков тысяч рублей в месяц. Попытка уйти от этой проблемы через API тоже не помогла. Купленные 5 миллионов токенов у DeepSeek агент израсходовал за одну ночь почти без полезных задач: он проверял модели, перебирал профили, ошибался и снова дергал API.

После перехода на OpenRouter три сессии за несколько часов сожгли еще 76 миллионов токенов. В сумме за три дня расход дошел примерно до 81 миллиона токенов, причем значительная часть ушла не на текст для пользователя, а на внутренние проверки и повторные вызовы.

Что это значит

OpenClaw выглядит не как «еще один бот», а как тяжелый автономный слой между моделью и реальными действиями в браузере, мессенджерах и других сервисах. Для энтузиастов это может быть оправдано, если нужен агент, который работает сам. Но обещание «поставил и забыл» здесь не работает: без выделенного окружения, совместимых моделей, мониторинга и понятного бюджета проект быстро уходит из категории эксперимента в постоянную статью расходов.