答案是：通过网关日志提取、按Agent ID聚合统计、可视化费用分布、分析调用频次与单次均值、配置独立日志路径五步，可精准定位高消耗Agent并优化成本。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用OpenClaw多Agent系统时发现账单异常升高，但无法定位具体是哪个Agent消耗了大量Token，则可能是由于各Agent的请求未被独立归因与量化。以下是基于网关日志统计各Agent月度费用的操作步骤：
一、提取带Agent标识的原始日志
OpenClaw网关日志默认包含request_id、model、total_tokens等字段，但原生日志不直接记录所属Agent ID；需通过request_id关联到对应Agent的工作目录或会话上下文，从而实现归属判定。关键前提是：每个Agent必须配置独立的workspace路径，且日志中request_id前缀应与Agent ID一致（如claw-finance_abc123、claw-reporting_def456）。
1、进入OpenClaw主工作目录，执行命令定位网关日志：
cd ~/.openclaw/logs && ls -t gateway.log*
2、筛选过去30天内含Agent前缀的日志行，示例命令（Linux/macOS）：
zgrep -E 'claw-finance_|claw-reporting_|claw-organizer_' gateway.log.*.gz | grep -E '"total_tokens":[0-9]{4,}' > agent_monthly_raw.jsonl
3、确认每条日志中均存在"skill"字段或可映射至Agent的上下文字段（如"workspace":"/Users/me/.openclaw/workspace/finance"）。
二、按Agent ID聚合Token与费用
需将原始日志行解析为结构化数据，并依据Agent标识进行分组汇总。此过程不依赖外部数据库，仅用轻量级工具链即可完成，确保本地化与隐私安全。
1、使用jq工具对agent_monthly_raw.jsonl逐行解析并提取关键字段：
jq -r '.request_id, .total_tokens, .skill, .workspace' agent_monthly_raw.jsonl > parsed.csv
2、编写Python脚本（无需安装额外库），根据workspace路径后缀或request_id前缀识别Agent名称：
例如匹配"/finance" → "finance-agent"，匹配"claw-reporting_" → "reporting-agent"
3、按Agent名称累加total_tokens，并按Qwen3-4B单价$0.01/1K tokens计算费用：
finance-agent: 1,284,500 tokens → $12.85
4、输出结果保存为agent_cost_summary.csv，字段为：agent_name,total_tokens,cost_estimate
三、可视化各Agent费用分布
为快速识别高消耗Agent，需生成本地HTML图表，避免上传数据至第三方服务。该方案完全离线运行，仅依赖系统内置Python和标准库。
1、读取agent_cost_summary.csv，计算各Agent费用占比：
reporting-agent 占比38.2%，finance-agent 占比29.7%，organizer-agent 占比18.5%
2、使用Python内置xml.etree.ElementTree生成SVG饼图代码，写入output_cost_chart.html文件
监控一个或多个 GitCode 仓库的 PR，通过 OpenClaw Gateway 自动执行 AI 审查，发布 PR 评论，并发送钉钉和企业微信通知。
3、在SVG中为最高费用Agent扇区添加标注：reporting-agent消耗$48.20，占总费用38.2%
4、双击打开output_cost_chart.html，查看交互式费用分布视图
四、校验Agent实际调用频次与单次均值
费用异常可能源于高频低效调用，而非单次高消耗。因此需进一步拆解“调用次数 × 平均Token/次”维度，识别低效模式。
1、从parsed.csv中统计各Agent的request_id数量：
reporting-agent 共127次，finance-agent 共89次，organizer-agent 共63次
2、分别计算各Agent的平均单次Token消耗：
reporting-agent 均值为37,953 tokens/次，显著高于finance-agent的14,432 tokens/次
3、检查reporting-agent对应skill是否启用了冗余工具：发现其启用了cron、canvas、nodes三项默认工具，实测可节省820 Token/次
4、导出高频低效调用明细表，列明request_id、total_tokens、prompt_tokens、completion_tokens，供深度分析
五、隔离Agent日志并启用细粒度监控
为避免后续月度统计依赖人工清洗，应在各Agent启动时配置独立日志输出路径，使日志天然具备归属性，消除后期解析歧义。
1、编辑finance-agent的config.yaml，添加日志配置项：
logging:
file: ~/.openclaw/logs/finance-gateway.log
2、重启finance-agent，验证新日志中每条记录均含完整token字段且无跨Agent混杂
3、为reporting-agent配置Logstash过滤规则，自动注入agent_id字段：
filter { mutate { add_field => { "agent_id" => "reporting-agent" } } }
4、在Kibana仪表盘中创建按agent_id分组的“Monthly Token Cost”指标看板，支持下钻至request_id级别
