别让GPT-4o干杂活:OpenClaw多Agent独立模型配置指南

图 1：多Agent混合模型编排概览

做过AI应用开发的朋友大概都有过这种体会：刚开始写Agent，为了图省事，直接把所有任务都挂载到GPT-4o或者Claude-4.5-Sonnet上。跑demo的时候确实丝滑，但一旦上了生产环境，面对真实流量，月底拿到API账单的那一刻，心脏总会漏跳半拍。

更要命的是，很多场景根本用不着“航空发动机”。比如，你让一个千亿参数的大模型去做单纯的文本提取、格式化JSON，这就好比开法拉利去楼下买葱——能到吗？能。划算吗？想都别想。

最近在折腾OpenClaw，发现它在多Agent编排上有一个非常讨喜的设计：支持给每个Agent独立配置底层大模型。这意味着你可以真正实现“好钢用在刀刃上”。今天就把这套配置方法论揉碎了分享出来。

为什么要拆分模型？

在讲怎么配之前，先理清一个架构逻辑。一个成熟的AI工作流，通常包含三种角色：

●大脑（路由/决策）：需要极强的逻辑推理和意图识别能力。

●手脚（执行/搜索）：需要稳定输出特定格式，比如调用API、写SQL。

●门面（总结/润色）：需要出色的语言组织能力，但不需要太深的逻辑。

在OpenClaw里，你可以把这三者拆开。大脑用贵的，手脚用便宜且快的，门面用擅长写作的。这种混合模型编排，才是企业级Agent该有的样子。

图 2：单模型架构 vs 混合模型架构对比

核心配置：三步走

OpenClaw的配置逻辑很清晰，主要分为“定义模型池”、“绑定Agent”、“组装工作流”三步。我们直接上干货。

第一步：在全局配置里注册模型池

打开项目的核心配置文件（通常是 config.yaml 或在管理后台的系统设置里），你需要先把手上有的模型都注册进去。重点是给它们起好别名（Alias），后面全靠这个来调用。

# 模型池配置示例

llm_providers:

openai:

api_key:“${YOUR_OPENAI_KEY}”

models:

–name: “gpt-4o”# 别名：超强大脑

max_tokens:4096

–name: “gpt-4o-mini”# 别名：廉价双手

max_tokens:4096

deepseek:

api_key:“${YOUR_DEEPSEEK_KEY}”

base_url:“https://api.deepseek.com/v1”

models:

–name: “deepseek-v3”# 别名：理科状元

max_tokens:8192

moonshot:

api_key:“${YOUR_MOONSHOT_KEY}”

models:

–name: “moonshot-v1-8k”# 别名：长文本处理机

max_tokens:8192

图 3：模型池配置示例，别名是关键

第二步：给每个Agent分配专属模型

这是最核心的一步。在OpenClaw中定义Agent时，不再是默认继承全局模型，而是显式指定 model 字段。我们模拟一个“竞品分析助手”的场景，看看怎么配：

Agent 1：情报分析员（负责理解需求、拆解搜索关键词）

agents:

analyst:

name:“情报分析员”

model:“gpt-4o”# 关键：用最聪明的模型做路由

system_prompt:|

你是一个资深商业分析师。用户会给你一个竞品分析需求，

你需要将其拆解为5-8个精准的搜索关键词组。

严格按照JSON格式输出。

tools:[]# 纯逻辑推理，不需要工具

Agent 2：信息采集员（负责拿关键词去搜索，提取网页内容）

scraper:

name:“信息采集员”

model:“gpt-4o-mini”# 关键：用便宜模型干苦力，降本90%

system_prompt:|

你只需要做一件事：阅读提供的网页文本，提取与“{keyword}”相关的核心数据，

剔除广告和无关信息。

输出格式：[{“fact”:“…”, “source”: “…”}]

tools:

–web_search

–page_reader

Agent 3：研报主笔（负责把零散信息写成连贯的报告）

writer:

name:“研报主笔”

model:“deepseek-v3”# 关键：DeepSeek在中文长文写作上性价比极高

system_prompt:|

你是一位拥有10年经验的券商研究员。你会收到一堆碎片化的调研事实，

请将它们组织成一份结构严谨、逻辑清晰的竞品分析报告。

要求：有摘要、有数据对比表格、有趋势判断。

tools:[]

图 4：Agent与模型的一对一绑定关系

第三步：在Workflow中串起来

有了独立的Agent，接下来就是在OpenClaw的工作流里把它们像乐高一样拼起来。

workflows:

competitor_analysis:

trigger:“user_input”

steps:

–agent: “analyst”

output_key:“keywords”# 把分析员的输出存起来

–agent: “scraper”

input_key:“keywords”# 把关键词喂给采集员

output_key:“raw_facts”# 存原始事实

loop:true# 循环执行直到搜完所有关键词

–agent: “writer”

input_key:“raw_facts”# 把事实喂给主笔

output_key:“final_report” # 最终输出

避坑指南：给不同模型写Prompt的潜规则

很多新手照着上面的配完，一跑就报错。原因往往出在提示词没有适配模型能力。这是一个很容易被忽略的细节：

你给便宜模型写Prompt，必须更加死板。

●给GPT-4o写Prompt：你可以写“请帮我分析一下这段话的意思，尽量输出JSON”。它能懂。

●给GPT-4o-mini写Prompt：你必须写“你必须且只能输出JSON，不要输出任何解释性文字。格式为：{“result”: “”}。如果无法解析，请输出 {“error”: “null”}。” 一步都不能错，否则它容易跟你扯闲篇。

另外，要注意上下文窗口的对齐。如果你让一个只支持4K上下文的小模型去读一份8K的研报，它只会读到一半然后胡说八道。在OpenClaw里配置时，遇到长文本流转的节点，务必检查上游Agent的输出长度和下游模型的 max_tokens 是否匹配。

图 5：对不同模型，态度要不一样

算一笔账

我们拿上面那个竞品分析的流程算笔账（按单次请求估算）：

传统单模型方案（全用GPT-4o）：分析约2000 token + 5次搜索提取约10000 token + 写作约4000 token ≈ 每次约0.35美元。

OpenClaw混合模型方案：GPT-4o分析约2000 token(0.06美元) + Mini提取约10000 token(0.015美元) + DeepSeek写作约4000 token(0.01美元) ≈ 每次约0.085美元。

成本直接降到原来的四分之一。而且因为轻量级模型的响应速度更快，整体延迟反而降低了。

写在最后

做AI应用，很容易陷入“模型崇拜”的误区，觉得只要上了最强的模型，业务问题就能迎刃而解。但现实是，生产环境拼的从来不是单点能力，而是工程化编排的精度。

OpenClaw这种把模型选择权下放到Agent级别的架构设计，其实是把复杂的AI开发拉回了软件工程的老本行——合适的组件做合适的事。

下次再搭工作流前，不妨先停下来问问自己：“这个Agent，真的配得上GPT-4o吗？”

图 6：AI工程的本质，依然是工程

—END—

我是老卢，一个越来越不想写代码，只想做产品的独立开发者。