OpenClaw 的 AI 模型到底怎么选?

聊 AI 模型怎么选，除了当前最强的Claude Opus 4.6之外，一般就是见仁见智、丰俭由人的话题。

有人看榜单，谁跑分高用谁。有人看体感，谁聊着顺用谁。有人看价格，便宜量大就是生产力。还有人直接上最贵的，图个省心。

这些都有道理，但都只对了一部分。

因为"模型怎么选"不是一个单点问题。它不是在问"谁最聪明"或"谁最便宜"，而是在问：把模型放进真实工作流里，长期稳定地干活，我该看什么？

我自己跑 OpenClaw 这套多 Agent 系统，实打实烧了大量 tokens 之后，最大的体会是：模型选型最怕的，不是没答案，而是用一个过于片面的标准过早下了结论。

benchmark 分数高，说明基础能力不错——就像考试成绩好，说明这人聪明。但你把人招进团队，还得看他靠不靠谱、能不能持续输出、会不会配合上下游、放在具体岗位上能不能把活干完。模型也一样。

所以先说清楚：这篇文章不是模型测评文。

它不是要告诉你"谁第一、谁最强"，而是把模型选型该看哪些维度、怎么结合场景判断讲清楚。至于我用过的这些模型各自表现如何、坑在哪儿，后面会专门再写一篇展开。

这篇先解决一个底层问题：选模型，你得先看懂那些分数在测什么，再看你的系统到底需要什么。

1）MMLU：综合知识面和理解力

覆盖历史、法律、医学、经济、科学等几十个方向的综合笔试。分数高，说明知识面广、基础理解力不错、处理常规问答不容易太离谱。

但知识面广不等于工程上就好使。

2）GPQA：高难度专业理解

和 MMLU 的区别在于更偏难、更偏深。不是问你知不知道，而是问你理解得够不够硬。更像高阶专业题，而不是普通笔试。

3）HumanEval：编程上机

给几道编程题，看模型写不写得对。能力下限指标——至少能告诉你这个模型基本的代码表达行不行。

但它更像编程考试，不像真实工程。

4）SWE-bench：真实项目修 bug

把模型扔进真实开源项目里，看它能不能定位问题、改对代码、跑通测试。比 HumanEval 更接近实际开发，因为它考的不只是写代码，还有理解项目上下文、处理代码历史包袱的能力。

5）长上下文能力

模型能不能记住大量信息，还能从里面准确提取关键内容。很多人一听"上下文窗口 100 万 token"就兴奋，但窗口大不等于真的会用——塞太多进去反而可能丢重点。

6）工具调用 / Agent 能力

能不能调 API、跑命令、读文件、多步往下推进。只会聊天是顾问，能调工具串任务才是真正干活的 Agent。

7）速度、成本、稳定性

最不性感，但在工程里往往最关键：响应快不快、单价高不高、容不容易限流超时、长任务时稳不稳、大规模调用扛不扛得住。

对生产系统来说，便宜、快、稳很多时候不是附加项，而是主指标。

知道了这些指标各自测什么，下一步是把它们和你的实际需求对上。

不要试图找"平均分最高"的模型——真实选型是找最匹配当前岗位的模型。

主要做代码生成、改仓库、修 bug

优先看：代码能力、长上下文、工具调用、长任务稳定性。

主要做研究、分析、内容生产

优先看：知识理解、多步推理、长文档处理、结构化表达。

做工具调用型 Agent、自动化流程

优先看：tool use 能力、多步任务一致性、失败恢复、成本和速度。

做多智能体协同系统（比如 OpenClaw）

这时候看的已经不是单模型能力，而是：岗位适配度、指令遵循、成本/速度比、上下文管理、稳定性、能否与其他 Agent 配合。

这是很多人最困惑的地方。明明榜单分数很高，真用起来总觉得差点意思。

原因其实不复杂：

测试环境 vs 真实环境。 Benchmark 的问题描述完整、输入输出明确、工具环境受控。真实世界里需求常常模糊、日志不全、代码历史包袱重、到处是脏数据和未知依赖。

单次表现 vs 连续表现。 考试考一次，工作是连续的。很多模型第一轮回复漂亮，但继续往下压就开始漂。真实工程里的常见体验不是"这模型不聪明"，而是"不耐用"。

不测协作成本。 有些模型纸面成绩好，但用起来特别累：prompt 得写很长、上下文得一直补、一不盯就跑偏。这种模型不是没能力，但它需要你花大量精力去管理，实际上没帮你卸载多少工作量。

不反映系统约束。 调用价格、响应速度、限流、超时、上下文成本、API 稳定性——这些工程里绑着你手脚的东西，榜单上一条都不会出现。

模型能力 ≠ 产品体验。 你实际用到的是模型能力 + 产品设计 + 工具链 + 交互方式的综合结果。同一个模型，套在不同产品里，体感可以差很远。

这部分是我自己跑下来最有体感的地方。

在 OpenClaw 这种多智能体系统里，最容易犯的错误就是"谁最强就给谁所有岗位"。但实际上不同岗位对模型的需求差异很大：

主脑 / 调度 Agent — 不一定要亲自写代码，但要能听懂需求、理清问题、拆解任务、判断该找谁、收回结果。核心看上下文管理、指令遵循、多轮一致性、汇总表达。

编码执行 Agent — 真的要下场读仓库、改代码、跑命令、修 bug。核心看代码能力、多文件一致性、长任务续航、报错恢复。

搜索 / 情报 Agent — 搜、抓、读、摘、汇总。不一定要最强推理，但要快、稳、便宜，而且别太笨。

视觉 / 多模态 Agent — 看截图、看图、理解布局。这里要的不是通用聊天强，而是多模态理解强。

批处理 / 体力活 Agent — 活多、重复度高、预算敏感。最值钱的不是"最强大脑"，而是稳定、便宜、能扛量。

所以最后你会发现，模型选型在多 Agent 系统里更像排兵布阵——每个位置需要的能力不同，合适比最强重要。

最后分享一下我龙虾的模型配置。

这不是"全网最强榜单"，也不是模型终评。它是我在 OpenClaw 这套多 Agent 工作流里，跑过活、踩过坑之后，现阶段用着比较顺的一套配置。

现役配置

选模型，不要只看谁跑分高。跑分是基础能力的参考，但真正决定用着顺不顺的，是模型在你的具体场景、具体岗位上的实际表现——稳定性、续航、配合度、成本，这些 benchmark 不测的东西。

落到 OpenClaw 这种多 Agent 系统里，选型逻辑就更清楚了：不是找一个全能冠军塞进所有岗位，而是根据每个岗位的实际需求，配上最合适的模型。

成熟的模型选型，不是冠军崇拜，是排兵布阵。