⚠️ Alpha内测版本警告：此为早期内部构建版本，尚不完整且可能存在错误，欢迎大家提Issue反馈问题或建议。
Hello Claw

简体中文

English

简体中文

English

Appearance

第八章 多模型与成本优化 ​

前提：本章假设你已完成第一章的安装配置。如果你只使用一个模型提供商（如硅基流动），可以先跳过本章，等需要切换或优化费用时再回来看。

OpenClaw 不绑定任何单一 LLM（大语言模型）提供商。你可以同时配置 Claude、GPT、本地 Ollama 等多个模型，根据任务复杂度智能路由，在保证质量的同时大幅降低 API 费用。

什么是 Token？ 在 AI 模型计费中，Token 是文本的计量单位。1 个汉字约等于 1-2 个 Token，1 个英文单词约等于 1 个 Token。模型提供商按你消耗的 Token 数量收费——你发送的问题和 AI 的回答都会消耗 Token。

1. 支持的模型 ​

1.1 云端模型 ​

提供商模型特点适合任务
硅基流动siliconflow/deepseek-ai/DeepSeek-V3国内推荐，新用户 16 元免费通用编码、中文任务
深度求索deepseek/deepseek-chat编码能力强代码生成、调试
通义千问qwen/qwen-max阿里云生态，中文能力强中文写作、企业应用
月之暗面moonshot/moonshot-v1-128k128K 长上下文长文档分析
阶跃星辰stepfun/step-2-16k多模态、长上下文图片理解、复杂推理
豆包volcengine/doubao-seed-2-0-pro-260215火山方舟平台，模型丰富通用对话、编码
混元hunyuan/hunyuan-turbos-latesthunyuan-lite 免费无限量通用对话、翻译
稀宇科技minimax/abab6.5s-chat多模态支持语音、图片处理
智谱glm/glm-4-plus清华技术背景，中文理解强中文对话、知识问答
文心一言ernie/ernie-4.0-8k百度生态，中文内容生成中文对话、写作
OpenAIopenai/gpt-5.4最强综合能力复杂推理、编码
Anthropicanthropic/claude-opus-4-6深度思考、长上下文写作、分析、编码
Googlegoogle/gemini-3.1-pro多模态、大上下文窗口多模态任务、长文档
xAIxai/grok-4实时信息接入信息检索、对话

模型标识格式：OpenClaw 统一使用 provider/model-name 格式标识模型。内置提供商包括：OpenAI、Anthropic、Google、xAI、Ollama、硅基流动、深度求索、通义千问、月之暗面、阶跃星辰、稀宇科技、火山引擎（豆包）、智谱、OpenRouter 等。混元、文心一言等其他提供商可通过自定义 OpenAI 兼容端点接入。

零成本入门：第一章推荐的 OpenRouter 提供免费模型（如 stepfun/step-3.5-flash:free），适合学习阶段。当你需要更多模型选择或更高速率时，推荐 硅基流动（SiliconFlow）——新注册用户赠送 16 元算力券，支持支付宝/微信充值，可直接访问 DeepSeek、Qwen、GLM 等多家模型。详见第一章第 2 节。

1.2 本地模型（Ollama） ​

模型参数量最低显存特点
Llama 3.370B48GB开源最强通用模型
Qwen 2.572B48GB中文能力突出
DeepSeek V3671B（MoE，混合专家架构，虽然参数量大但实际显存需求低）24GB编码能力强
Phi-414B8GB轻量级推理

2. 配置多模型 ​

2.1 添加模型提供商 ​

在 openclaw.json 中添加 models.providers 配置块：

json
// openclaw.json
{
  "models": {
    "providers": {
      "siliconflow": {
        "baseUrl": "https://api.siliconflow.cn/v1",
        "apiKey": "sk-xxxxx"
      },
      "deepseek": {
        "apiKey": "sk-xxxxx"
      },
      "volcengine": {
        "apiKey": "sk-xxxxx"
      },
      "hunyuan": {
        "baseUrl": "https://api.hunyuan.cloud.tencent.com/v1",
        "apiKey": "sk-xxxxx",
        "api": "openai-completions"
      },
      "glm": {
        "apiKey": "sk-xxxxx"
      },
      "ollama": {
        "baseUrl": "http://localhost:11434"
      }
    }
  }
}

2.2 设置默认模型 ​

在 openclaw.json 中通过 agents.defaults.model.primary 指定默认模型：

json
// openclaw.json
{
  "agents": {
    "defaults": {
      "model": {
        "primary": "siliconflow/deepseek-ai/DeepSeek-V3"
      }
    }
  }
}

2.3 完整配置文件示例 ​

json
// openclaw.json
{
  "models": {
    "providers": {
      "siliconflow": {
        "baseUrl": "https://api.siliconflow.cn/v1",
        "apiKey": "sk-xxxxx"
      },
      "deepseek": {
        "apiKey": "sk-xxxxx"
      },
      "ollama": {
        "baseUrl": "http://localhost:11434"
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "siliconflow/deepseek-ai/DeepSeek-V3"
      }
    }
  }
}

注意：OpenClaw 的配置文件为 openclaw.json（JSON 格式），不是 YAML。

展开：模型路由策略配置

3. 模型路由策略 ​

3.1 基于任务复杂度 ​

OpenClaw 可以根据任务自动选择合适的模型：

json
{
  "agents": {
    "defaults": {
      "model": {
        "primary": "siliconflow/deepseek-ai/DeepSeek-V3"
      }
    }
  }
}

运行时也可以通过命令快速切换模型：

/model fast

3.2 基于技能类型 ​

不同技能可以指定不同的模型：

json
{
  "skills": {
    "weather": {
      "model": "siliconflow/Qwen/Qwen2.5-7B-Instruct"
    },
    "code-reviewer": {
      "model": "deepseek/deepseek-chat"
    },
    "translator": {
      "model": "moonshot/moonshot-v1-128k"
    }
  }
}
展开：本地模型部署（Ollama）

4. 本地模型部署（Ollama） ​

4.1 安装 Ollama ​

bash
# Linux
curl -fsSL https://ollama.ai/install.sh | sh

# macOS
brew install ollama

4.2 下载模型 ​

bash
# 下载 Qwen 2.5（推荐中文场景）
ollama pull qwen2.5:72b

# 下载 DeepSeek V3（推荐编码场景）
ollama pull deepseek-v3

# 轻量级模型（适合低配置机器）
ollama pull phi4:14b

4.3 配置 OpenClaw 使用本地模型 ​

在 openclaw.json 中添加 Ollama 提供商并设置默认模型：

json
// openclaw.json
{
  "models": {
    "providers": {
      "ollama": {
        "baseUrl": "http://localhost:11434"
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "ollama/qwen2.5:72b"
      }
    }
  }
}

4.4 混合模式 ​

推荐的混合部署：本地模型处理日常任务（零成本），复杂任务切换到云端 API：

json
// openclaw.json
{
  "models": {
    "providers": {
      "ollama": {
        "baseUrl": "http://localhost:11434"
      },
      "siliconflow": {
        "baseUrl": "https://api.siliconflow.cn/v1",
        "apiKey": "sk-xxxxx"
      },
      "deepseek": {
        "apiKey": "sk-xxxxx"
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "ollama/qwen2.5:72b"
      }
    }
  }
}

Ollama 自动发现：OpenClaw 会自动查询 Ollama 的 /api/tags 和 /api/show 接口，发现本地已安装的模型，无需手动逐一配置。

5. 成本监控与优化 ​

展开：成本监控与优化配置

5.1 查看 Token 消耗 ​

bash
# 查看今日消耗
openclaw usage today

# 查看本月统计
openclaw usage month

# 按技能查看消耗
openclaw usage --by-skill

5.2 设置预算上限 ​

json
{
  "models": {
    "budget": {
      "daily": 5.00,
      "monthly": 100.00,
      "alert_at": 80
    }
  }
}

5.3 成本优化技巧 ​

使用缓存：相同查询不重复调用 API。OpenClaw 内置了语义缓存，相似问题会复用之前的结果。

精简 Prompt：过长的系统提示词会增加每次调用的 Token 数。定期审查技能的提示词，去除冗余内容。

选择合适的模型：不要所有任务都用最贵的模型。简单任务用小模型（如硅基流动的 Qwen2.5-7B，约 ¥0.5/百万 tokens）就够了，不需要大模型（如 Claude Opus，约 ¥100/百万 tokens），价格相差上百倍。

减少活跃技能：每个活跃技能的说明都会加入上下文，增加 Token 消耗。只保留常用技能。

5.4 成本对比 ​

使用模式日均调用月估算费用
硅基流动 DeepSeek V3100 次~¥20-50
混合路由（硅基流动 + Opus）100 次~¥30-80
本地 Ollama + 云端回退100 次~¥5-15

6. 常见问题 ​

模型切换延迟：不同模型的首次调用可能有冷启动延迟。Ollama 本地模型需要先加载到显存，首次响应会慢一些。

本地模型质量不够：对于复杂任务，本地模型确实不如 Claude Opus。建议设置自动回退：本地模型处理失败时自动切换到云端。

API 限流：大部分提供商都有 RPM（每分钟请求数）限制。如果遇到 429 错误，减少并发任务数或升级 API 套餐。

下一步：第九章 个人助理与内容创作