OpenClaw + Nimble 本地决策模型搭建全记录

环境：Mac mini（Gateway 宿主）+ Windows LEGION 节点 | 全程零 API 费用

一、背景与目标

OpenClaw 原生支持"决策模型"（decisionModel）角色：agent 获得 decision_evaluate 核心工具，把结构化判断题（分类路由、是否判断、多级评分）交给专门的决策模型，返回带概率的类型化答案，而不是让主 LLM 生成自由文本。

官方推荐路径是 TypeSafe AI 插件 + 托管 Jev API（$0.01/次）。目标是改用局域网内 Windows 节点（LEGION）Ollama 上的 nimble 决策模型，数据不出门、零费用。

二、调研结论

• nimble：Bespoke Labs 出品，9B（Qwen3.5-9B LoRA 微调），Apache 2.0。只读 logprobs 选答案，从不生成文本，无推理步骤。
• Ollama 0.35+ 通过 /v1/systemone 端点暴露决策模型，请求/响应与 TypeSafe Jev API 同构，可作 drop-in 替换。LEGION 上是 Ollama 0.40.3。
• 没有现成的 OpenClaw 决策模型技能/插件；node_inference 工具只列 chat 类模型——这就是最初"看不到 nimble"的原因（决策/嵌入模型都被过滤）。
• TypeSafe 插件限制：baseUrl 仅接受 loopback（localhost / 127.0.0.1 / [::1]），不接受局域网地址，也不带 /v1 后缀（插件自动拼 /v1/systemone）。

三、最终架构

任何 agent（配置了 decisionModel）  → decision_evaluate 核心工具    → typesafe 插件（baseUrl = http://127.0.0.1:18009）      → Mac 本地 TCP 转发器（launchd 常驻）        → Windows LEGION Ollama 0.40.3（legion.local:11434）          → nimble 9B（别名 kev-latest）

四、分步配置过程

第 1 步：Windows 节点建模型别名

插件发送的模型标签是 host 侧选择的（如 kev-latest），在 LEGION 的 Ollama 上为 nimble 建别名（两个都建，兼容任意标签格式）：

curl -X POST http://legion.local:11434/api/copy \  -H 'Content-Type: application/json' \  -d '{"source":"nimble","destination":"kev-latest"}'curl -X POST http://legion.local:11434/api/copy \  -H 'Content-Type: application/json' \  -d '{"source":"nimble","destination":"typesafe/kev-latest"}'

第 2 步：Mac 写本地 TCP 转发器

~/.openclaw/workspace/scripts/legion-ollama-forward.mjs（Node 内置 net 模块，每连接重新解析 DNS，容忍 LEGION 换 IP）：

import net from"node:net";const server = net.createServer((socket) => {const upstream = net.connect({ host: "legion.local", port: 11434 });  socket.pipe(upstream).pipe(socket);constcleanup = () => { socket.destroy(); upstream.destroy(); };  socket.on("error", cleanup);  upstream.on("error", cleanup);  socket.on("close", () => upstream.destroy());  upstream.on("close", () => socket.destroy());});server.listen(18009, "127.0.0.1", () =>console.log("forwarding 18009 -> legion.local:11434"));

第 3 步：launchd 常驻（开机自启 + 崩溃拉起）

~/Library/LaunchAgents/com.openclaw.legion-ollama-forward.plist：

<dict><key>Label</key><string>com.openclaw.legion-ollama-forward</string><key>ProgramArguments</key><array><string>/opt/homebrew/bin/node</string><string>/Users/lishewen/.openclaw/workspace/scripts/legion-ollama-forward.mjs</string></array><key>RunAtLoad</key><true/><key>KeepAlive</key><true/><key>StandardOutPath</key><string>/tmp/legion-forward-launchd.log</string><key>StandardErrorPath</key><string>/tmp/legion-forward-launchd.log</string></dict>

加载：launchctl bootstrap gui/$(id -u) ~/Library/LaunchAgents/com.openclaw.legion-ollama-forward.plist

第 4 步：安装并配置 typesafe 插件

openclaw plugins install @openclaw/typesafe

配置（无需 API key）：

openclaw config set plugins.entries.typesafe.config.baseUrl "http://127.0.0.1:18009"

第 5 步：启用 decisionModel + 独立决策 agent

# 所有 agent 默认获得 decision_evaluateopenclaw config set agents.defaults.decisionModel "typesafe/kev-latest"# 独立"决策官"子代理openclaw config set agents.entries.decision '{"model":"zai/glm-5.3","decisionModel":"typesafe/kev-latest","name":"决策官","identity":{"name":"决策官","theme":"决策分析","emoji":"⚖️"}}'# 加入 main 的可 spawn 列表（在原数组上追加 "decision"）openclaw config set agents.entries.main.subagents.allowAgents '[...原列表...,"decision"]'

第 6 步：写技能文件

~/.openclaw/workspace/skills/nimble-decision/SKILL.md：何时用（分类路由/是否判断/评分分级）、三种问题类型（boolean=noul、choice、score）、rubric 设计原则、结果解读（probabilityTrue 阈值、confidence 是分布集中度不是准确率）、故障排查表。

五、验证结果

直连测试（curl → legion.local）

中文工单测试：is_urgent noul 0.993、department=billing (0.885)、frustration 1.90/2。首次调用加载模型较慢，后续 <100ms。

端到端测试（decision_evaluate → 插件 → 转发器 → nimble）

英文 500 错误工单，三问并发：

boolean 判断非常果断；choice/score 在信息不足时表现出合理犹豫——这正是 confidence 的用途。

六、踩坑记录

1. node_inference 看不到 nimble：discovery 只列 chat 模型。决策模型要用 ollama list（节点上）或直接调 /v1/systemone 确认。
2. nohup & 后台进程会被回收：exec 会话结束后进程死掉。持久服务用 exec(background=true) 或 launchd。
3. openclaw plugins install 返回 SIGTERM 不代表失败：以 openclaw plugins list 为准。
4. 新建 agents.entries 条目会校验整棵模型树：失效的模型引用（如已下架的 zai/GLM-5.1 在 fallbacks 里）会挡住写入，错误信息里的位置可能不准确。修复或绕开（给新条目显式指定 model）。
5. spawn 授权用旧快照：allowAgents 改动后本会话内 spawn 仍按旧列表拒绝；网关重启/下轮对话后生效。
6. questions 必须是 object 不是 array：decision_evaluate 实测。
7. 新模型名要先注册：把 deepseek/deepseek-flash 写进 fallbacks 报"Unknown model"，即使 models list --refresh 能看到。需要先在 models.providers.deepseek.models[] 注册 {"id":"deepseek-flash","name":"..."}，再改引用。
8. 长耗时 config set 会被前台超时 SIGTERM：agents.defaults.model.* 的写入可能触发慢校验，用 exec(background=true) + 轮询执行；SIGTERM 后要核实是否已写入再重试。

七、日常使用

• 直接对 agent 说："判断这条消息该路由给谁"、"给这个回答打个分"——agent 自动走 decision_evaluate。
• rubric 要点：选项描述具体可判定；choice 给全选项加 "other" 兜底；score 各级写行为锚点；同一 state 的问题一次问全（≤32 个）。
• 结果阈值建议：≥0.9 行动、0.6–0.9 人工复核、<0.6 视为否；confidence <0.1 说明分布平坦，升级人工。
• nimble 空闲 5 分钟卸载，下次调用等 30–60 秒加载；高频场景请求加 keep_alive。
• LEGION 关机时决策返回 unavailable（正常降级，不会误判）。

八、故障排查