Ang OpenClaw at Hermes Agent ay mga personal agent na iniiwan mong tumatakbo: binabasa nila ang mga mensahe mo, nagpapatakbo ng tools at gumigising ayon sa schedule para mag-check ng mga bagay. Parehong puwedeng gumamit ng anumang OpenAI-compatible na endpoint, kaya puwede kang pumili ng mas murang model kaysa sa default. Ang problema, nagpapadala ng context ang bawat run, at context ang binabayaran mo.
Bakit napakamahal ng always-on na agent?
Isang mensahe sa isang pagkakataon ang ipinapadala ng chat app sa model. Ang personal agent naman ay nagpapadala ng system prompt, workspace file, memory at bahagi ng usapan sa bawat turn, at nagpapatakbo rin ito ng sariling turn ayon sa schedule. Ang bill ay humigit-kumulang:
context token kada run × run kada araw × presyo kada token, dagdag ang output.
Iniulat ng Notebookcheck noong Pebrero 2026 na ang “heartbeat” check ng OpenClaw, na tumatakbo tuwing 30 minuto, ay ipinapadala ang buong context window sa API, mga 120,000 token para sa isang simpleng check. Ang overnight run ng isang user na may mga 25 ganitong check sa Claude Opus ay iniulat na umabot sa mga USD 18.75. Mga ulat ng user ang mga numerong iyan na sinipi ng Notebookcheck, hindi namin sinukat, pero ang mekanismo ang punto: gumagastos pa rin ng token ang idle na agent.
Mula noon, inilalarawan ng docs ng OpenClaw na retired na ang heartbeat. Ordinaryong automation job na ngayon ang mga scheduled check, at inililipat ng openclaw doctor --fix ang lumang heartbeat setting sa mga ito. Tumatakbo pa rin ang setup job tuwing 30 minuto maliban kung ibang cadence ang ibinibigay ng provider, kaya naaangkop pa rin ang kuwenta sa ibaba.
Paano ikonekta ang OpenClaw sa OpenAI-compatible na endpoint?
Nirerehistro ng OpenClaw ang mga custom provider sa models.providers.<id>. Para sa OpenAI-compatible na server, itakda ang baseUrl, apiKey, api: "openai-completions" at isang models array. id lang ang required kada model, pero inirerekomenda ng docs ang tahasang contextWindow at maxTokens na tugma sa server. Nakaturo sa BroadNet Inference, gamit ang mga field name mula sa docs ng OpenClaw at mga value mula sa docs at price feed ng BroadNet:
{
models: {
providers: {
broadnet: {
baseUrl: "https://inference.broadnet.ai/v1",
apiKey: "${BROADNET_API_KEY}",
api: "openai-completions",
models: [
{ id: "broadnet/glm-5.3", name: "GLM 5.3", reasoning: true,
input: ["text"], contextWindow: 1048576 },
{ id: "broadnet/qwen3.8-27b", name: "Qwen3.8 27B", reasoning: true,
input: ["text", "image"], contextWindow: 262144 },
],
},
},
},
}
Ang model reference ay ang provider id, slash, saka ang model id. Alias at metadata lang ang itinatakda ng agents.defaults.models; hindi nito nirerehistro ang model, kaya ang entry sa models.providers ang nagpapagana rito. Dalawang compatibility note mula sa parehong pahina: pinipigilan ng compat.supportsReasoningEffort: false ang OpenClaw na magpadala ng reasoning_effort kung tinatanggihan ito ng endpoint (tumatanggap ang docs ng BroadNet ng reasoning_effort: low), at ang model na tumatanggap ng larawan ay kailangan ng input: ["text", "image"] para direktang maipasok ang mga attachment.
Itakda rin ang mga cost field. Ginagamit ng mga tantiya ng automation ng OpenClaw ang mga presyo sa lokal mong models.json kapag nag-uulat ang runtime ng token nang walang gastos, at zero ang default, kaya mukhang libre ang bawat run.
Paano ituro ang Hermes Agent sa custom na endpoint?
Patakbuhin ang hermes model sa terminal at piliin ang custom endpoint; hihingin nito ang base URL, API key at pangalan ng model. O i-edit ang ~/.hermes/config.yaml:
model:
default: broadnet/qwen3.8-27b
provider: custom
base_url: https://inference.broadnet.ai/v1
key_env: BROADNET_API_KEY
Tatlong bagay mula sa docs ng Hermes ang mahalaga sa pagpili ng model:
- Minimum na context. Kailangan ng Hermes Agent ng hindi bababa sa 64,000 token na context para sa agent use na may tools, at tinatanggihan nito ang mas maliliit na window pag-start.
- Tool call. Kung hindi pina-parse ng server ang mga tool call, ipi-print ng model ang mga ito bilang text at walang tatakbo.
- Auxiliary na task. Sa default, sa main chat model mo napupunta ang vision, compression at title, at puwedeng ilipat ang bawat isa sa mas murang model.
Aling mga BroadNet model ang bagay sa mga agent na ito?
| Model | Context | Tools na naka-dokumento sa BroadNet | Input / cached / output kada 1M | Pasok sa 64K na minimum ng Hermes |
|---|---|---|---|---|
| GLM 5.3 | 1,048,576 | Oo | $0.78 / $0.173 / $3.46 | Oo |
| Qwen3.8 27B | 262,144 | Oo | $0.175 / $0.0435 / $2.17 | Oo |
| DeepSeek V4.1 Flash | 1,048,576 | Hindi naka-dokumento | $0.175 / $0.0055 / $0.52, o $60 kada buwan na flat | Oo |
| Gemma 4 VL 26B | 32,768 | Hindi naka-dokumento | $0.10 / walang cache price / $0.22 | Hindi |
Nabubuhay sa tool call ang dalawang agent, kaya magsimula sa GLM 5.3 o Qwen3.8 27B. Ang DeepSeek V4.1 Flash ang may pinakamababang presyo ng output at cached input sa tatlong pasok, at ito lang ang nasa flat na plan, pero hindi naka-dokumento sa BroadNet ang tool calling nito. Patakbuhin ang totoong agent mo sa isang $1 na Meteor hour at tingnan kung talagang tumatakbo ang tools bago ka bumili ng isang buwan. Tinatalakay ng tool calling sa mga open model kung ano ang dapat suriin. Ang Gemma ang model na sakop ng $5 na panimulang credit, pero mas mababa ang 32K window nito sa minimum ng Hermes at masikip para sa OpenClaw agent na mabigat sa workspace.
Ano ang itsura ng token math?
Mga halimbawang palagay ito, hindi sukat. Basahin ang sarili mong numero mula sa usage block ng bawat response o sa usage page ng provider mo.
| Scheduled check | Context kada run | Run kada araw | Input token kada buwan (30 araw) |
|---|---|---|---|
| Buong context tuwing 30 minuto | 120,000 | 48 | 172.8 milyon |
| Buong context tuwing isang oras | 120,000 | 24 | 86.4 milyon |
| Light context tuwing isang oras | 15,000 | 24 | 10.8 milyon |
| Light context, tuwing 2 oras, 12 aktibong oras | 15,000 | 6 | 2.7 milyon |
Bago pa iyan ang anumang chat o task. I-multiply ang input column sa presyo ng input kada 1M sa table sa itaas, o patakbuhin sa LLM API cost calculator. Kung nananatiling magkapareho ang prefix sa pagitan ng mga run, puwedeng masingil ang malaking bahagi nito sa cached na presyo, $0.0055 sa halip na $0.175 kada 1M sa DeepSeek V4.1 Flash; paano panatilihing cacheable ang prefix. Para makita kung saan napupunta ang token ng agent bukod sa scheduled check, basahin ang token budget ng agent.
Paano babaan ang bill nang hindi sinisira ang agent?
Gamitin ang mga kontrol na naka-dokumento sa bawat tool:
- Light context para sa routine na job (OpenClaw). Nilalaktawan ng
--light-contextang pag-inject ng workspace bootstrap file. Nagsisimula ng bagong session ang mga isolated na job, kaya hindi nila hinihila ang buong usapan. Panatilihing maikli ang job scratch; ini-inject ito sa bawat run, hanggang 256 KiB. - Mas murang model kada job. Itinatakda ng
--modelng OpenClaw ang primary model ng job bago ang session preference, at sinasabi ng docs nito na bagay sa mas magaan na model ang routine na summary at status check. Sa Hermes, pini-pin nghermes cron create --model … --provider …ang model kada job, at ginagamit ng mga hindi naka-pin na job angcron.modelkung nakatakda ito. - Mas kaunting run, sa aktibong oras lang. Tumatanggap ang mga OpenClaw job ng
activeHoursna window. Kapag hinati sa dalawa ang dalas, nahahati rin sa dalawa ang token ng scheduled check. - Tahimik na resulta. Sa OpenClaw, nagbabalik ng
NO_REPLYang check na walang maiuulat at nananatiling tahimik, kaya hindi ka mamemensahe sa bawat run. - Job na walang model. Tumatakbo nang walang model ang mga script job ng Hermes, kaya walang gastos ang purong polling.
- Spend limit. Lagyan ng budget ang key; tinatalakay ng spend control sa LLM API ang budget at loop protection.
Kailan makatuwiran ang flat na plan?
Walang token meter, window o cap para sa DeepSeek V4.1 Flash ang Full Moon session: $60 kada buwan, $15 kada linggo o $1 kada oras. Pareho ang gastos ng 120,000-token na context tuwing 30 minuto at ng magaan na context. Dalawang limit ang natitira:
- Isang request sa isang pagkakataon kada session. Pumipila sa isa’t isa ang scheduled job at chat reply mo. Bumili ng pangalawang session kung madalas silang magsabay. Paano gumagana ang session.
- Ikaw ang susubok sa tool calling; hindi ito pangako ng BroadNet. Tingnan sa itaas.
Kung kadalasang natutulog ang agent mo at ilang magaan na check lang ang tinatakbo kada araw, mas mura ang pay-as-you-go. Ihambing ang dalawa gamit ang flat-rate vs per-token calculator.
Paano naman ang voice note?
Kung tumatanggap ang agent mo ng voice note mula sa WhatsApp o Telegram, i-transcribe muna ang mga ito bago makita ng LLM. $0.0042 kada minuto ang BroadNet Transcribe Arabic at $0.002 ang BroadNet Transcribe (14 na wika), at parehong gumagana sa panimulang credit. Nasa gabay sa WhatsApp voice note ang conversion step.
Saan pumapasok ang BroadNet Inference
Binibigyan ng BroadNet ang mga agent na ito ng OpenAI-compatible na endpoint na may dalawang model na naka-dokumento ang tools, isang flat-rate na model para sa mabigat na context, presyo ng cached input at speech-to-text sa iisang key, at hindi nito itinatago ang mga prompt o sagot. Hindi ito ang pinakabagay kung kailangan mo ng model na napatunayan na ang tool calling sa agent mo sa unang araw sa pinakamababang presyo, o maraming parallel na request sa iisang flat session. Baka mas mahusay din ang mga agent na mabigat sa browser o vision sa mas malaking multimodal na model sa ibang lugar. Subukan muna sa sarili mong agent nang isang oras bago mag-commit.
