OpenClaw 的免费 AI 大模型及其配置方法

优质文章学习记录

— 10 min read

OpenClaw 中的“自由模型”可能意味着两种不同的东西，而混淆这两种模型正是大多数人浪费时间的地方。

有一种“免费”是真正意义上的免费，因为模型运行在本地，你只需要支付 CPU、内存、GPU 和电力费用。例如 Ollama 或你自行托管的 OpenAI 兼容运行时环境。

另一种是“免费套餐”，即托管服务提供商提供一定的配额、积分或 OAuth 访问权限。这种套餐虽然不错，但通常会有速率限制、策略限制，而且偶尔还会出现意外中断或流量突然上限的情况。

本指南篇幅较长，因为模型配置看似简单，但一旦遇到问题，例如工具调用速度变慢、出现 429 错误，或者某个代理使用的身份验证配置文件与预期不符等，就会发现其中的奥妙。我们将力求实用。

如果您是 OpenClaw 新手，想先了解基础知识，可以阅读 OpenClaw 简介及其工作原理。如果您已经运行了 OpenClaw，接下来我们来正确地连接模型。

OpenClaw 模型引用的工作原理

OpenClaw 模型引用使用provider/model格式。例如：openai/gpt-5.1-codex或ollama/llama3.3。

如果你设置了此项，agents.defaults.models实际上就创建了一个允许列表。只有列表中列出的模型才符合条件。这在你想防止不同环境下的模型选择出现随机偏差时非常有用。

在实际应用中非常重要的命令行助手：

  • openclaw onboard用于初始身份验证和提供商设置
  • openclaw models list看看 OpenClaw 能看到什么
  • openclaw models set provider/model无需编辑配置即可快速切换

这些内容在提供商文档中都有明确说明，可以避免配置错误。

在粘贴随机按键之前，请先制定好策略。

策略A：本地优先，托管备用

这是我给大多数自托管用户的默认建议。本地模型可以处理繁琐的日常任务，而备用方案则可以应对“我需要更强大的处理器来处理这个问题”或“我的本地服务器繁忙”的情况。此外，由于大部分流量都停留在本地，因此成本也更可预测。

策略B：仅提供免费托管服务

如果你不需要进行任何本地推理，并且使用量很轻，那么这种方法可行。缺点是免费套餐的额度会变化，你会遇到限制，所以你需要一些备用方案。

策略C：仅限本地

从隐私和成本角度来看，这是最简洁的方案。但它也最依赖硬件。在小型机器上运行的 3B 模型在快速自动化方面表现出色，但在长时间的推理任务中则会崩溃。

真正免费的本地模型

奥拉玛

Ollama 是最常见的“我想要免费且本地化的服务”方案。OpenClaw 支持 Ollama 作为服务提供商，并且可以自动检测本地 Ollama 服务器http://127.0.0.1:11434/v1。

最简配置如下所示：

ollama pull llama3.3 openclaw models list

然后设置您的默认模型openclaw.json：

{ "agents": { "defaults": { "model": { "primary": "ollama/llama3.3" } } } }

如果你想要一套合理的“入门”模型，可以保留一个通用模型作为主模型，再添加一个编码模型作为备用。一开始规模要小，以后可以随时扩展。

Ollama 关于流媒体的警告

由于 SDK 和流格式的特殊性，某些 Ollama 配置的构建版本会禁用流式传输。如果您发现文本输出中泄露了奇怪的工具标记，通常就是这个原因。请将流式传输视为可选而非必需。

LM Studio vLLM LiteLLM llama.cpp 和其他 OpenAI 兼容运行时

OpenClaw 可以通过 . 使用几乎任何 OpenAI 兼容的基本 URL models.providers。文档甚至展示了带有显式提供程序配置的 LM Studio 风格端点的模式。

示例模式：

{ "agents": { "defaults": { "model": { "primary": "lmstudio/minimax-m2.1-gs32" }, "models": { "lmstudio/minimax-m2.1-gs32": { "alias": "MiniMax" } } } }, "models": { "providers": { "lmstudio": { "baseUrl": "http://localhost:1234/v1", "apiKey": "LMSTUDIO_KEY", "api": "openai-completions", "models": [ { "id": "minimax-m2.1-gs32", "name": "MiniMax M2.1", "contextWindow": 200000, "maxTokens": 8192, "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 } } ] } } } }

请注意，这些cost字段的值都设置为零。这在配置中是一个很好的提示：本地模式意味着不按令牌计费。

提供免费套餐和免费访问途径的托管选项

本部分介绍一些可以让你无需立即付费即可运行 OpenClaw 的服务商。条款和配额可能会有所变动，有些“免费”服务实际上只是“促销额度用完前免费”。请将此视为一份清单，而非承诺。

Qwen OAuth

如果你想要一个不错的免费套餐，又不想费劲地“轮换12个API密钥”，我推荐你试试这个。OpenClaw通过OAuth设备代码流程和捆绑插件支持Qwen。

启用插件并登录：

openclaw plugins enable qwen-portal-auth openclaw models auth login --provider qwen-portal --set-default

模型参考格式如下：

  • qwen-portal/coder-model
  • qwen-portal/vision-model

Qwen 的文档中描述了与 OAuth 访问相关的每日免费请求配额。

我个人的看法是： Qwen 是少数几个“免费版”仍然能满足实际工作需求的软件之一，前提是你得为合适的工作选择合适的模式。我不会用它来管理整个团队的免费业务，但对于个人经纪人来说，它可能是一个不错的选择。

OpenRouter 免费模型

OpenRouter 的优势在于它将多个模型聚合到一个提供商之下。他们的文档也解释了某些模型上的`:free`后缀。

在 OpenClaw 中，通常只需设置：

{ "agents": { "defaults": { "model": { "primary": "openrouter/meta-llama/llama-3.2-3b-instruct:free" } } } }

免费模型可能会随时间变化，因此请将模型选择视为需要定期重新评估的事情。如果某个免费模型消失，您需要提前配置好备用模型。

Groq

Groq之所以受欢迎，是因为它速度快，而且通常提供充足的流量供用户进行实验。您的具体流量配额取决于Groq在您所在地区和账户级别提供的配额。尽管如此，它仍然值得作为备用方案，因为一旦成功，流量几乎是瞬间到账的。

OpenClaw 内置了 Groq 作为提供程序，它使用GROQ_API_KEY。

Google Gemini

Gemini 也是一个内置的提供程序，它使用GEMINI_API_KEY。

谷歌的免费使用量和速率限制取决于产品类型和套餐，因此我不会在类似这样的教程中给出具体的数值。如果您想大致了解情况，可以参考谷歌社区论坛上关于API类免费使用每日请求上限的讨论。

Mistral

Mistral 是另一个内置提供商。如果您所在地区有免费套餐，它可以作为不错的通用备选方案。OpenClaw 使用 MistralMISTRAL_API_KEY进行身份验证。

Cohere

Cohere 常用于摘要和分类类工作。根据你的路由方式，你可以使用直接提供商或与 OpenAI 兼容的代理。如果你使用的是免费套餐，除非你确定它能满足你的使用需求，否则建议将其作为备用方案而非主要方案。

Moonshot Kimi 和 Kimi Coding

Kimi 通常并非“永久免费”，但通常可以通过促销活动、积分或合作伙伴计划获得。OpenClaw 的文档介绍了如何将 Moonshot 配置为具有 OpenAI 兼容基础 URL 的自定义提供商。

文档中的示例配置框架：

{ "agents": { "defaults": { "model": { "primary": "moonshot/kimi-k2.5" } } }, "models": { "mode": "merge", "providers": { "moonshot": { "baseUrl": "https://api.moonshot.ai/v1", "apiKey": "${MOONSHOT_API_KEY}", "api": "openai-completions", "models": [{ "id": "kimi-k2.5", "name": "Kimi K2.5" }] } } } }

Kimi Coding 是文档中一个单独的提供程序路由KIMI_API_KEY。

DeepSeek

DeepSeek 通常被描述为“基本免费”，但这取决于您是在本地运行还是使用托管 API。如果您通过 Ollama 或本地 OpenAI 兼容服务器运行 DeepSeek，则成本仅为硬件费用。如果您使用托管 API，则通常成本较低，而非完全免费。

如何设置回退方案，以避免免费层级破坏您的代理

OpenClaw 通过两层机制处理故障。它可以在同一提供商内轮换身份验证配置文件，然后回退到下一个模型agents.defaults.model.fallbacks。

这比听起来更重要，因为免费套餐更容易达到速率限制，并且更容易出现“计费已禁用”状态。OpenClaw 会跟踪冷却时间，并在发生计费错误时延长用户配置文件的禁用时间。

身份验证配置文件的持久性以及为什么您的提供商会在周中“更改”

OpenClaw 将 API 密钥和 OAuth 令牌存储在身份验证配置文件中，并且为了缓存友好性，它会为每个会话固定一个选定的配置文件。

如果您为同一提供商设置了多个配置文件，OpenClaw 可以根据配置顺序或轮询规则轮换使用它们。

如果您感觉 OAuth 登录“消失”了，这通常只是因为登录名轮换。如果您希望登录行为可预测，请固定登录名顺序。

重要免费模型安全设置

在你的政策架构中，以下几项应该是枯燥乏味的：

  • 切勿提交 API 密钥。请将它们放在环境变量或 systemd 环境变量文件中。
  • 未经授权，请勿将您的网关暴露在公共互联网上。请使用令牌、尾网或合适的反向代理。
  • 保持工具访问权限合理。即使是免费模型，如果你的代理可以运行危险工具，它仍然有可能运行这些工具。

如果你想了解“技能层”方面的内容，其安全理念是相同的。技能是执行层面，而非内容本身。这部分内容在我们的 OpenClaw 技能指南中有详细介绍。

快速故障排除清单

OpenClaw 无法识别任何模型

  • 运行openclaw models list并确认服务提供商出现。
  • 如果使用 Ollama，请确保服务可访问并ollama list显示模型。
  • 如果使用代理，请确认其baseUrl是否与/v1OpenAI API 兼容。

我一直遇到401或403错误。

  • 请检查该提供程序对应的正确环境变量。OpenClaw 的提供程序文档列出了所需的身份验证变量。
  • 如果您有多个身份验证配置文件，则故障的配置文件可以轮换使用。请检查身份验证配置文件的顺序和冷却状态。

我一直遇到 429 速率限制。

  • 添加备用方案，以便 OpenClaw 在服务提供商限速时可以切换模型。
  • 对于像长文档摘要这样的高负载工作流程，应降低并发量。
  • 如果你使用的是免费套餐，请接受这是正常现象，并据此进行设计。

Read more

机器人动作是否准确？现场操作演示

机器人动作是否准确？现场操作演示

舞台侧幕的灯光暗下，主持人的开场白余音未落，一个身影从后台缓缓走出。它不是演员，而是一台人形机器人，在聚光灯下站定，手臂抬起，向观众席方向做了一个标准的挥手动作。 这样的瞬间，正在越来越多的商业活动现场上演。作为一线观察者，我记录了不同客户在租用或采购人形机器人、机器狗时，如何将它们作为科技感的表演载体或氛围元素，融入自己的活动流程中。客户关注的，从来不是复杂的技术参数，而是事前约定的那个“亮相”，能否在现场被准确兑现。 单次全程表演与多次分段出场 对于许多品牌快闪或节日庆典活动，机器人往往被安排在一次集中的表演时段内完成所有展示。 一家商场在举办周年庆时，租用了一台人形机器人。他们的需求很明确：在下午的抽奖环节前，有一段约五分钟的科技主题表演，作为抽奖前的氛围铺垫。活动当天，机器人被安置在舞台中央的固定圆台上。当抽奖环节的主持人退至一旁，现场音乐切换为一段富有节奏感的电子乐时，机器人开始执行一套预设的舞蹈动作组合。服务人员站在舞台侧后方，全程未离开该区域。商场活动策划人员事后转述：“我们流程上就写了‘科技舞蹈表演（5分钟）’，它跳完，主持人接着上台抽奖，时间卡得刚好。”

FPGA高速通信：Aurora64B/66B IP使用指南

Aurora 64B/66B IP核配置及使用详解 Aurora 64B/66B 是 Xilinx（现 AMD）提供的一种高速串行通信协议 IP 核，专为 FPGA 设计，支持点对点数据传输，适用于数据中心、高性能计算等场景。本指南将帮助初学者轻松调用该 IP 核，实现编码、译码和传输回环功能。内容包括 IP 核配置、端口介绍、使用方法、example design 调用、关键模块（如 framegen 和 framecheck）的作用，以及完整实现步骤。指南基于 Vivado 设计工具，确保真实可靠。 1. Aurora 64B/66B IP核简介 Aurora
ubuntu上安装OpenClaw并接入飞书机器人

ubuntu上安装OpenClaw并接入飞书机器人

大家好，我是一根甜苦瓜。今天来分享如何在本地安装openclaw并接入飞书，实现让AI给我打工。 最近AI圈更新太快了，从github copilot到cursor 到claud code ，再到codex，然后是最近火爆了的小龙虾(OpenClaw)，可谓是百花齐放，应接不暇。本人也是github copilot+codex的深度用户，确实不错，所以最近打算折腾一下小龙虾，顺带教大家如何把智谱GLM 接入OpenClaw。 1. 前言 1.1 什么是openclaw 2026 年开年，AI 圈突然冒出一匹“野生黑马”——OpenClaw。这个开源个人 AI 助手项目在 GitHub 上只用了 两周时间就狂揽 15 万 Star，速度堪比开挂。 简单说，它就像给你配了一个 24 小时不下班的数字打工人： 把它部署在自己的电脑或服务器上，它就能接入 WhatsApp、Telegram、
小米 “养龙虾”：手机 Agent 落地，智能家居十年困局被撬开

小米 “养龙虾”：手机 Agent 落地，智能家居十年困局被撬开

3月6日，小米正式推出国内首个手机端类 OpenClaw Agent 应用 ——Xiaomi miclaw，开启小范围邀请封测。这款被行业与网友戏称为小米 “开养龙虾” 的新品，绝非大模型浪潮下又一款语音助手的常规升级，而是基于自研 MiMo 大模型、具备系统级权限、全场景上下文理解能力的端侧智能体。 作为深耕智能家居领域的行业媒体，《智哪儿》始终认为：智能家居行业过去十年的迭代，始终没能跳出 “被动执行” 的底层困局。而 miclaw 的落地，不止是小米在端侧 AI 赛道的关键落子，更是为整个智能家居行业的底层逻辑重构，提供了可落地的参考范本。需要清醒认知的是，目前该产品仍处于小范围封测阶段，复杂场景执行成功率、端侧功耗表现、第三方生态适配进度等核心体验，仍有待大规模用户实测验证。本文将结合具象场景、量化数据与多维度视角，客观拆解 miclaw 的突破价值、现实挑战，以及它对智能家居行业的长期影响。 01 复盘行业困局：智能家居十年 始终困在 “被动执行”