模型篇——别让“免费”模型掏空你的算力

OpenClaw 的强大依赖于底层大模型，但模型选择不当会导致成本失控、任务失败。模型层的泡沫在于“盲目追求大参数”和“滥用免费额度”。

1. 模型选型：杀鸡别用牛刀

避坑实操：任务分级，模型匹配

用 GPT-4 或 Claude-3.5 去整理文件，就像用精密机床切菜——浪费且没必要。

• 动作：建立模型梯队。

  • 简单任务（文件整理、文本清洗）：优先使用 Ollama 本地模型（如 Llama 3.2 3B），零成本、响应快。

  • 复杂任务（代码生成、逻辑推理）：使用 中等云端模型（如 DeepSeek、通义千问）。

  • 核心决策（架构设计）：才启用 顶级模型（Claude、GPT-4）。

• 配置：在 openclaw.json 中配置多模型端点，通过 defaultModel 和 Skill 级别的 model 参数动态切换。

2. Token 成本：看不见的“吞金兽”

避坑实操：监控上下文长度与压缩策略

OpenClaw 的持久记忆（Long-term Memory）会携带大量历史上下文，导致单次请求 Token 暴涨。

• 动作：

  1. 设置上限：在配置中明确 maxTokens 和 maxHistory，防止它无限制携带历史。

  2. 启用压缩：开启 summarize 功能，当上下文过长时，自动触发总结压缩，只保留核心信息。

  3. 账单监控：在模型平台（如 OpenAI）设置每日消费警报（Alert），一旦超支立即停用。

3. 免费 API 的陷阱：额度用尽即“瘫痪”

避坑实操：多源备份与优雅降级

很多用户依赖某个平台的“免费额度”（如阿里云百炼），一旦额度耗尽，整个 OpenClaw 直接罢工。

• 动作：

  1. 多源配置：至少配置 2 个以上的模型源（如 OpenAI + 通义 + 本地 Ollama）。

  2. 降级策略：在 Gateway 层设置故障转移（Fallback）。当主模型（如百炼）返回 429（额度不足）或 503 错误时，自动切换至备用模型（如本地 Ollama），并在 Dashboard 中发出通知。

4. 响应超时：别让“慢”模型拖死整个系统

避坑实操：设置超时与重试机制

云端模型响应时间波动大，长任务容易因超时中断。

• 动作：在 Skill 配置中设置 timeout 参数（建议 120 秒）。对于关键任务，配置指数退避重试（Exponential Backoff）机制，而不是无限次重试（会刷爆账单）。

模型是 OpenClaw 的“发动机”，选型原则是“够用就好”。盲目堆砌顶级模型不仅烧钱，还可能因为响应慢而降低效率。务必建立本地+云端的多级降级策略。