夜雨聆风
// ~/.openclaw/openclaw.json
{agents: {defaults: {model: {primary: "anthropic/claude-opus-4-6", // 主模型fallbacks: ["minimax/MiniMax-M2.7"], // 备用模型列表},models: {"anthropic/claude-opus-4-6": {alias: "opus", // 简称params: { temperature: 0.7 } // 模型参数},"minimax/MiniMax-M2.7": {alias: "minimax"},},},},}
{agents: {list: [{id: "coding-agent",model: "openai/gpt-5.4", // Agent 专属模型},{id: "creative-agent",model: {primary: "google/gemini-3.1-pro",fallbacks: ["anthropic/claude-sonnet-4-6"],},},],},}
{channels: {modelByChannel: {discord: {"123456789": "anthropic/claude-opus-4-6",},telegram: {"-1001234567890": "openai/gpt-5.4-mini",},},},}
type ModelCatalogEntry = {id: string; // 模型 ID，如 "claude-opus-4-6"name: string; // 显示名称provider: string; // 提供商，如 "anthropic"contextWindow?: number; // 上下文窗口大小reasoning?: boolean; // 是否支持推理input?: ("text" | "image" | "document")[]; // 支持的输入类型};
首先从OpenClaw的设计哲学出发，他的设计哲学有四点：
1.本地优先（Local-First）,用户的数据留在本地，不依赖云服务
2.用户控制（User Control），每个决策都应该用户有意识的选择
3.透明可预测（Transparent & Predictable），行为应该可预测，不应该隐藏“魔法”
4.成本感知（Cost Aware），用户应该知道用什么模型、花多少钱
如果进行大模型自动选择，会出现这些问题：
1.不可预测性，用户不知道这次会用到什么模型
2.难以调试，当结果不好时，不知道是不是模型选择的问题
3.复杂度定义模糊，"复杂" vs "简单" 没有明确边界
4.错误成本高，用错模型的代价比用对大模型更高
5.上下文依赖，复杂度往往在对话过程中才显现
如果要实现有几种方法，一是基于启发式的规则，就是在代码里面写关键词检测，二是基于小模型的预分类，先用一个小模型进行任务预分类，将不同任务路由到不同大模型，三是基于历史反馈的强化，记录每次任务结果和模型选择，用户反馈的满意结果，再通过强化学习进行优化。
但这三种方法目前我来看都不可靠，且实现成本巨大。
OpenClaw目前做法无疑是认为，让机器做选择，比让机器自猜更高，这说明了大模型猜测任务复杂的不可靠性，引入复杂机器学习路由，将带来更多的不确定性和不可预测性。
