夜雨聆风
我用这个开源插件,在OpenClaw中把AI调用成本砍了 70%
你有没有算过一笔账？
上个月，我的 AI 账单是 $127。GPT-5 Codex 调用了 3,200 次，Claude Sonnet 4.5 调用了 180 次。
但当我翻看对话记录时，发现了一个扎心的事实：
-
“好的” —— GPT-5 Codex -
“谢谢” —— GPT-5 Codex -
“今天深圳天气怎样” —— GPT-5 Codex -
“翻译一下：Hello world” —— GPT-5 Codex -
“讲个笑话” —— GPT-5 Codex
超过 60% 的对话，根本不需要 GPT-5 Codex 的能力。
一个能写操作系统、解数学证明、设计分布式架构的模型，被我用来回了一句”好的”。
这就像开兰博基尼送外卖——能送，但没必要。
问题的本质：模型的”能力溢价”
大模型按 token 收费，能力越强价格越贵：
|
|
|
|
|
|---|---|---|---|
| Claude Sonnet 4.5 |
|
|
|
| GPT-5 Codex |
|
|
|
| Kimi K2.5 |
|
|
|
数据来源：Anthropic 官网、OpenRouter、Moonshot AI 平台
从 Kimi K2.5 到 Claude Sonnet 4.5，输出价格差 10 倍。
但我们使用 AI 时，往往”一刀切”——不管问什么，都丢给最强的模型。
原因很简单：没人愿意每次对话前先想一遍”该用哪个模型”。
直到月底看到账单。
解决方案：让 AI 自动”看人下菜碟”
我做了一个开源插件：claw-router。
它的核心逻辑只有一句话：
不是”哪个模型最好”，而是”这个任务该用什么级别的模型”。
claw-router 在你发消息的瞬间，自动判断这句话有多复杂：
-
你说”hi” → 路由到 Kimi K2.5（¥0.002/次） -
你说”帮我写个 Python 脚本” → 路由到 GPT-5 Codex（¥0.07/次） -
你说”设计一个支持千万并发的缓存架构” → 路由到 Claude Sonnet 4.5（¥0.11/次）
全程自动，你什么都不用管。
它是怎么工作的？
第一步：8 维度评分引擎
claw-router 会从 8 个维度分析你发的每一句话：
-
推理深度（20%） —— 简单回答还是逻辑推导？ -
代码/技术（18%） —— 涉及编程吗？ -
任务步骤（15%） —— 单步问题还是多步流程？ -
领域专业度（12%） —— “量子计算”还是”今天吃什么”？ -
输出复杂度（10%） —— 一句话就够，还是要生成 JSON？ -
创意要求（10%） —— 查个事实还是写小说？ -
上下文依赖（8%） —— 需要理解之前的对话吗？ -
消息长度（7%） —— 长消息通常更复杂
每个维度独立打分 0~1，加权求和后校准输出最终分数。
纯本地计算，< 1ms，零 API 调用。
第二步：5 级任务分级
根据分数，任务被归入 5 个等级：
|
|
|
|
|
|---|---|---|---|
| TRIVIAL |
|
|
|
| SIMPLE |
|
|
|
| MODERATE |
|
|
|
| COMPLEX |
|
|
|
| EXPERT |
|
|
|
第三步：查表，路由
最后一步最简单——查配置表，找到等级对应的模型，发送。结束。
硬规则：特殊情况直接判定
有些消息不需要评分，直接秒判：
-
消息 ≤ 5 字且无技术词 → TRIVIAL -
包含 3+ 代码块 → COMPLEX -
出现”系统设计””架构设计””从零搭建” → EXPERT
这些”硬规则”优先级最高，确保边界情况不出错。
实际效果：我的账单变化
使用 claw-router 一个月后：
|
|
|
|
|
|---|---|---|---|
|
|
|
|
-72% |
|
|
|
|
-75% |
|
|
|
|
|
| 月度总成本 | $127 | $38 | -70% |
用户体验呢？完全一样。
因为简单对话本来就感知不到模型差异。”今天天气怎样”用 GPT-5 Codex 还是 Kimi K2.5 回答，结果是一样的。
配置灵活：3 个模型够用，9 个也行
3 个模型的实用配置：
{"tiers": {"TRIVIAL": { "primary": "moonshotai/kimi-k2.5" },"SIMPLE": { "primary": "moonshotai/kimi-k2.5" },"MODERATE": { "primary": "openai/gpt-5-codex" },"COMPLEX": { "primary": "openai/gpt-5-codex" },"EXPERT": { "primary": "anthropic/claude-sonnet-4.5" }}}
9 个模型的豪华配置（每级配 fallback）：
{"tiers": {"TRIVIAL": { "primary": "ollama/llama3", "fallbacks": ["moonshotai/kimi-k2.5"] },"SIMPLE": { "primary": "deepseek/chat", "fallbacks": ["moonshotai/kimi-k2.5"] },"MODERATE": { "primary": "openai/gpt-5-codex" },"COMPLEX": { "primary": "openai/gpt-5-codex", "fallbacks": ["anthropic/claude-sonnet-4.5"] },"EXPERT": { "primary": "anthropic/claude-sonnet-4.5", "fallbacks": ["openai/gpt-5.2-codex"] }}}
加模型？改一行配置。不动任何代码。
安装：一行命令
openclaw plugins install @aiwaretop/claw-router测试路由：
openclaw route test "帮我写一个 Python 爬虫"# → { tier: "COMPLEX", model: "openai/gpt-5-codex", score: 0.68 }
查看统计：
openclaw route status最后
AI 时代，算力就是钱。
claw-router 解决的问题很实际：在保证体验的前提下，让每一分钱花在刀刃上。
不是每个问题都需要最聪明的模型。有时候，”刚好够用”就是最好的。
开源地址： https://github.com/HackSing/claw-router （点击原文直接跳转）
欢迎 Star ⭐ 支持，Issue 和 PR 随时欢迎。
