OpenClaw 实战:让不同 Agent 使用不同模型(云端+本地混合部署)

在构建多角色 AI 助手系统时，一个常见需求是：不同的机器人（Agent）使用不同的模型——有的调用云端大模型（如通义千问），有的调用本地部署的模型（如 Ollama）。这样既能享受云端模型的能力，又能利用本地模型的数据安全与低成本优势。

本文基于 OpenClaw 的真实配置案例，手把手教你如何实现一个多 Agent、多渠道、多模型混合部署的系统。你将学会：

为每个 Telegram 机器人绑定一个独立的 Agent

让大部分 Agent 使用云端模型，单独指定某个 Agent 使用本地 Ollama 模型

解决配置中的常见错误（JSON 格式、字段缺失、API 兼容性等）

01.整体架构

我们以一个实际案例为例：

8 个通用助手（小海、小龙、小智、小博、小典、小灵、小星、小月）使用云端模型（通义千问 `qwen3-coder-next`）

1 个特殊助手（白洁 `baijie`）使用本地 Ollama 模型（`qwen2.5:7b-32k`）

每个助手都有自己的 Telegram 机器人，互不干扰

同时支持飞书渠道（所有消息统一路由给小海）

架构图：

Telegram 用户 → 不同 Bot Token → OpenClaw Gateway → 匹配 accountId → 对应 Agent → 指定模型

02.前置准备

2.1 安装 OpenClaw

bash

npm install -g openclaw

2.2 准备 Telegram 机器人

通过 [@BotFather](https://t.me/botfather) 创建多个机器人，分别获取 Bot Token。

2.3 准备本地 Ollama 服务

在另一台机器（或本机）安装 Ollama，并下载所需模型：

bash

ollama pull qwen2.5:7b-32k

ollama pull deepseek-r1:latest

确保 Ollama 服务监听在可访问的 IP 和端口（默认 `11434`）。如果要从其他机器访问，需要设置环境变量：

bash

export OLLAMA_HOST=0.0.0.0

ollama serve

03.配置文件详解

OpenClaw 的配置文件位于 `~/.openclaw/openclaw.json`（Linux/macOS）或 `%USERPROFILE%\.openclaw\openclaw.json`（Windows）。下面分模块介绍核心配置。

3.1 模型供应商（models）

我们需要定义两个供应商：

`coding-plan`：云端通义千问（使用 DashScope API）

`ollama`：本地 Ollama 服务

关键点：Ollama 的 `baseUrl` 必须包含 `/v1`，`api` 设置为 `openai-completions`，并且不要手动指定 `models` 数组，让 OpenClaw 自动发现。

json

"models": {

"providers": {

"coding-plan": {

"baseUrl": "https://coding.dashscope.aliyuncs.com/v1",

"apiKey": "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",

"api": "openai-completions",

"models": [

{

"id": "qwen3-coder-next",

"name": "Qwen Coder Next",

"contextWindow": 128000,

"maxTokens": 8192

}

// ... 其他云端模型

]

"ollama": {

"baseUrl": "http://10.10.10.103:11434/v1",

"apiKey": "ollama",

"api": "openai-completions"

// 注意：没有 models 数组，让 OpenClaw 自动发现

}

3.2 Agent 定义（agents）

每个 Agent 有一个唯一的 `id`，可以指定 `workspace`（工作目录）和 `tools` 权限。要覆盖默认模型，就在 Agent 内添加 `model` 字段。

json

"agents": {

"defaults": {

"model": { "primary": "coding-plan/qwen3-coder-next" },

"workspace": "/mnt/data/2026",

"maxConcurrent": 4

"list": [

{

"id": "xiaohai",

"name": "小海",

"workspace": "/mnt/data/aibot/小海"

{

"id": "xiaolong",

"name": "小龙",

"workspace": "/mnt/data/aibot/小龙"

// ... 其他云端 Agent

{

"id": "baijie",

"name": "白洁",

"workspace": "/home/wei/.openclaw/workspace-baijie",

"model": {

"primary": "ollama/qwen2.5:7b-32k" // 使用本地模型

"tools": { "alsoAllow": [] }

}

]

}

3.3 渠道配置（channels）

以 Telegram 为例，我们需要为每个机器人创建一个独立的 `account`，使用不同的 `botToken`。注意：每个 `accountId` 必须唯一，且不能与顶层 `default` 冲突。

json

"channels": {

"telegram": {

"enabled": true,

"dmPolicy": "pairing",

"groupPolicy": "open",

"accounts": {

"xiaohai": {

"botToken": "8574325077:AAE1fNupDWWkDjOga0ldk7FKMgZt8F-t0"

"xiaolong": {

"botToken": "8713161110:AAFlHI-F_23lEwnimoSai8RxHHKaODNoFcg"

// ... 其他账号

"baijie": {

"botToken": "8622503956:AAG5n3WXeQKu8C8Kqj66Kx6soRiKLsFiiAg"

}

3.4 路由绑定（bindings）

将每个 `accountId`（即 Telegram 机器人）绑定到对应的 `agentId`。OpenClaw 根据 `channel` + `accountId` 匹配消息来源，然后路由到指定 Agent。

json

"bindings": [

{

"agentId": "xiaohai",

"match": { "channel": "telegram", "accountId": "xiaohai" }

{

"agentId": "xiaolong",

"match": { "channel": "telegram", "accountId": "xiaolong" }

// ...

{

"agentId": "baijie",

"match": { "channel": "telegram", "accountId": "baijie" }

}

]

04.常见错误与解决方法

4.1 `Unrecognized key: "channels"` 或 `"bindings"` 出现在 agents.list 中

错误原因：在 Agent 内部写了 `channels` 或 `bindings` 字段，这是不允许的。

解决：将这些字段移到顶层。

4.2 `models.providers.ollama.models.0.name: expected string, received undefined`

错误原因：手动指定 `models` 数组时，每个模型对象缺少 `name` 字段。

解决：要么为每个模型加上 `"name": "xxx"`，要么删除整个 `models` 数组让 OpenClaw 自动发现。

4.3 Ollama 返回 404，但 `/api/tags` 正常

错误原因：`baseUrl` 缺少 `/v1`，或者 `api` 类型错误。

解决：`baseUrl` 必须以 `/v1` 结尾，且 `"api": "openai-completions"`。

4.4 `openclaw models list` 不显示 ollama 模型，但实际能调用

说明：这是 OpenClaw 早期版本的一个显示 bug，不影响实际功能。只要向对应 Agent 发消息，观察 Ollama 服务器 CPU 飙升或 `ollama ps` 有进程，就证明配置成功。

05.验证与测试

5.1 检查配置语法

bash

openclaw doctor --fix

5.2 重启网关

bash

openclaw gateway restart

5.3 查看模型列表（可选）

bash

openclaw models list

5.4 向机器人发消息测试

向普通机器人（如小海）发消息，观察日志中模型为 `coding-plan/qwen3-coder-next`

向 `baijie` 机器人发消息，同时运行 `ollama ps` 查看是否有 `qwen2.5:7b-32k` 进程

5.5 监控日志

bash

openclaw logs --follow

06.性能与成本优化建议

本地模型适合：敏感数据、高频简单问答、离线环境。

云端模型适合：复杂推理、多模态、需要最新知识。

混合部署：根据不同 Agent 的职责分配模型，平衡成本与效果。

硬件提醒：运行 7B 模型在 CPU 上会使风扇狂转，建议使用 GPU 加速（Ollama 支持 NVIDIA CUDA）。

07.总结

通过 OpenClaw 灵活的配置系统，你可以轻松实现：

多个 Telegram 机器人一对一绑定不同 Agent

大部分 Agent 使用高性能云端模型

特定 Agent 使用本地 Ollama 模型，保护隐私并降低成本

关键是理解三个层次：渠道（Channels） → 路由（Bindings） → Agent 与模型。只要配置文件结构正确，OpenClaw 就能将不同来源的消息精准分发给不同的 AI 大脑。

如果你在配置过程中遇到问题，欢迎查看官方文档或社区讨论。祝你玩得开心，让每个机器人都拥有最适合它的“大脑”！