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

【前沿解析】2026年3月29日：AI推理效率双重突破——谷歌TurboQuant内存压缩与RWKV-6开源重构大模型部署范式

当百万级上下文成为AI应用标配，当边缘设备渴求智能部署，内存墙与算力瓶颈正成为制约AI规模化落地的最后枷锁。2026年3月29日，两大技术突破同步到来：谷歌研究院发布TurboQuant算法，将KV缓存内存占用压缩6倍、速度提升8倍；RWKV开源基金会宣布RWKV-6 1.6B模型正式开源，线性复杂度架构打破Transformer二次方魔咒。这不仅是技术的双重突破，更是AI从实验室走向产业、从云端下沉到终端的范式革命。 引言：效率革命的双引擎——内存压缩与架构创新 2026年3月，AI行业迎来了标志性的效率拐点。在算力增长曲线趋缓、摩尔定律失效的背景下，通过算法优化提升现有硬件效能成为唯一可行路径。谷歌TurboQuant与RWKV-6开源，恰如效率革命的双引擎，从两个维度同时突破传统瓶颈： * TurboQuant：针对大模型推理最核心的内存瓶颈——KV缓存，通过PolarQuant坐标变换与QJL误差校正，实现3-bit量化下的零精度损失，实测内存占用降低83%、注意力计算速度提升8倍 * RWKV-6：基于线性复杂度的时间序列混合架构，在保持强大序列建模能
从 ReAct 到 Plan-and-Execute：AI Agent 推理架构的理解与选择

从 ReAct 到 Plan-and-Execute：AI Agent 推理架构的理解与选择

最近在做一个企业办公 Agent 项目，过程中花了不少时间研究 Agent 的推理架构该怎么选。市面上最主流的两种模式——ReAct 和 Plan-and-Execute——看起来都能用，但深入了解后我发现它们的设计哲学完全不同，适用场景也差异很大。 一、先说一个最基本的问题：Agent 为什么需要"推理"？ LLM 本身就能回答问题，为什么还要给它加推理框架？ 因为 LLM 只会"说"，不会"做"。当用户说"帮我创建一个明天截止的任务"，LLM 可以生成一段漂亮的文字描述应该怎么做，但它没有手去操作数据库。Tool（或者叫 Skill）就是给 LLM 装上了手脚——它可以调用接口、查询数据、执行操作。 但问题来了：

OpenClaw 龙虾 AI 模型配置教程

我给你做最细、零基础、照着点就能配好的「OpenClaw 龙虾 + 国内AI大模型」配置教程，只讲你现在能用的：通义千问（阿里）、文心一言（百度）、DeepSeek，这三个国内最稳、最好用。 一、先打开龙虾控制面板（第一步必做） 1. 打开 管理员 PowerShell 2. 输入这条命令，按回车： openclaw-cn dashboard 1. 电脑会自动弹出浏览器 2. 打开的就是：http://127.0.0.1:18789 3. 这就是龙虾的后台控制页，后面所有配置都在这里做。 二、所有模型通用配置路径（记住这个流程） 1. 左边菜单栏点 Models（模型） 2. 右上角点 Add
（第四篇）Spring AI 实战进阶：Ollama+Spring AI 构建离线私有化 AI 服务（脱离 API 密钥的完整方案）

（第四篇）Spring AI 实战进阶：Ollama+Spring AI 构建离线私有化 AI 服务（脱离 API 密钥的完整方案）

前言 作为企业级开发者，我们在使用大模型时常常面临三大痛点：依赖第三方 API 密钥导致的成本不可控、外网依赖导致的合规风险、用户数据上传第三方平台导致的安全隐患。尤其是金融、政务等敏感行业，离线私有化部署几乎是硬性要求。 笔者近期基于 Ollama+Spring AI 完成了一套离线 AI 服务的落地，从模型拉取、量化优化到 RAG 知识库构建全程无外网依赖，彻底摆脱了 API 密钥的束缚。本文将从实战角度，完整拆解离线 AI 服务的开发全流程：包含 Ollama 部署、Spring AI 深度对接、模型量化优化、离线 RAG 知识库落地，所有代码均经过生产环境验证，同时结合可视化图表清晰呈现核心逻辑，希望能为企业级离线 AI 部署提供可落地的参考方案。 一、项目背景与技术选型 1.1 核心痛点与解决方案 业务痛点解决方案技术选型依赖第三方