OpenClaw 模型選擇與 API Provider 完全指南

尚未安裝 OpenClaw？點此查看一鍵安裝指令

macOS / Linux PowerShell CMD

curl -fsSL https://openclaw.ai/install.sh | bash

iwr -useb https://openclaw.ai/install.ps1 | iex

curl -fsSL https://openclaw.ai/install.cmd -o install.cmd && install.cmd && del install.cmd

擔心影響電腦？ClawTank 免安裝雲端運行，免除誤刪風險

Key Findings

OpenClaw 原生支援六大 API Provider（Anthropic、OpenAI、Google、DeepSeek、Ollama、OpenRouter），每個 Provider 可透過 OAuth 或 API Key 兩種方式認證，且支援 Primary + Fallback 雙層模型切換機制^[1]
實測比較中，Anthropic Claude 3.5 Sonnet 在程式碼生成與推理任務上表現最優；Google Gemini 2.5 Flash 以極低成本在日常對話與摘要任務上提供最佳性價比^[11]
DeepSeek V4 是目前 OpenClaw 生態中成本最低的雲端模型選項——輸入 Token 僅 $0.27/1M，適合大量文件處理與預算敏感的使用場景^[6]
本地部署方面，Ollama 整合讓使用者可在完全離線環境中運行 OpenClaw，搭配 Qwen 2.5 32B 或 Llama 3.3 70B 等開源模型即可獲得接近雲端模型的效果^[7]
企業級部署建議採用「Claude Sonnet 主力 + GPT-4o 備援 + 本地模型兜底」的三層 Fallback 策略，確保 99.9% 以上的服務可用性^[8]
OAuth 認證相較 API Key 可省去金鑰管理的複雜度，但受限於個別 Provider 的速率配額；API Key 則提供更彈性的用量控制與計費分離^[2]

一、為什麼模型選擇是 OpenClaw 最重要的決策

OpenClaw 作為 2026 年最受矚目的開源 AI 代理框架，其核心能力來自它背後連接的大型語言模型（LLM）。^[10] 然而，不同模型在推理能力、程式碼生成品質、回應速度與成本結構上差異巨大。選對模型，你的 AI 代理可以精準執行複雜的瀏覽器自動化與多步驟工作流程；選錯模型，則可能面臨回應遲緩、指令理解錯誤、甚至成本失控的困境。

本文將從架構原理出發，系統性地拆解 OpenClaw 的模型管理機制，逐一評測六大 API Provider 的模型表現，並提供完整的設定教學、成本分析與企業最佳實踐。無論你是剛安裝 OpenClaw 的新手、希望降低 API 成本的個人開發者，還是正在評估企業部署方案的技術主管，這篇指南都將為你提供最全面的決策依據。

二、OpenClaw 模型架構概覽

在深入比較各家模型之前，先理解 OpenClaw 是如何管理模型的。這個架構設計決定了你後續所有設定的邏輯。^[1]

2.1 Provider-Model 分層架構

OpenClaw 將模型管理分為兩個層次：

Provider（供應商）：指提供 AI 模型 API 的服務商——Anthropic、OpenAI、Google、DeepSeek、Ollama（本地）、OpenRouter（聚合）。每個 Provider 有自己的認證方式與計費模式
Model（模型）：指 Provider 底下的具體模型版本——例如 Anthropic 下的 claude-opus-4-6、claude-sonnet-4-6；OpenAI 下的 gpt-4o、gpt-4.5-preview

這種分層設計的好處是：你可以同時配置多個 Provider 的認證，然後在模型層級自由切換，而不需要每次都重新設定認證。

2.2 Primary + Fallback 雙層機制

OpenClaw 的模型設定採用 Primary（主要）+ Fallback（備援）的雙層架構，這是其可靠性設計的核心：^[8]

// openclaw.json — 模型設定結構
{
  "agents": {
    "defaults": {
      "model": {
        "primary": "claude-sonnet-4-6",
        "fallbacks": ["gpt-4o", "gemini-2.5-flash"]
      }
    }
  }
}

運作邏輯如下：

每次代理執行任務時，首先嘗試使用 Primary 模型
若 Primary 模型不可用（API 限流、服務中斷、認證過期），系統依序嘗試 Fallback 清單中的模型
第一個成功回應的模型會被用於該次任務
每次新任務仍會優先嘗試 Primary 模型（不會「黏著」在 Fallback 上）

這意味著即使 Anthropic 的 API 暫時出現問題，你的 OpenClaw 代理仍能透過 OpenAI 或 Google 的模型繼續運作——對於生產環境而言，這是不可或缺的可靠性保障。

2.3 認證管理：OAuth vs API Key

OpenClaw 支援兩種認證方式，每個 Provider 至少支援其中一種：^[2]

OAuth（互動式授權）：透過瀏覽器完成授權流程，Token 自動管理與更新。適合個人用戶，設定最簡單
API Key（金鑰認證）：手動輸入從 Provider 網站取得的 API 金鑰。適合企業用戶，可精細控管用量與計費

認證資訊統一儲存在 ~/.openclaw/auth-profiles.json，與主設定檔 openclaw.json 分離，降低意外洩漏的風險。

三、支援的 API Provider 總覽

以下是 OpenClaw 目前支援的所有 API Provider 的完整比較。這張表格將幫助你快速掌握各家的核心差異：^[1]

Provider	推薦模型	認證方式	輸入 / 輸出 (1M Token)	速率限制	最佳場景
Anthropic	Claude 3.5 Sonnet	OAuth / API Key	$3 / $15	4,000 RPM（付費）	程式碼生成、邏輯推理
OpenAI	GPT-4o	OAuth / API Key	$2.5 / $10	10,000 RPM（Tier 5）	通用任務、多模態
Google	Gemini 2.5 Flash	OAuth / API Key	$0.15 / $0.60	2,000 RPM（免費）	日常對話、摘要
DeepSeek	DeepSeek V4	API Key	$0.27 / $1.10	500 RPM	批量處理、成本導向
Ollama（本地）	Qwen 2.5 32B	免認證	免費（硬體成本）	硬體限制	離線、隱私、實驗
OpenRouter	依模型而異	API Key	依模型而異	依方案而異	聚合多家、統一計費

接下來，我們逐一深入分析每個 Provider 的模型特性、設定方法與適用場景。

四、Anthropic Claude 系列——程式碼與推理的首選

Anthropic 的 Claude 系列是 OpenClaw 的預設推薦模型，也是整個 OpenClaw 生態系統中測試最為充分的模型族群。^[3] 這不是巧合——OpenClaw 的核心開發者群體大量使用 Claude 進行日常開發，因此框架與 Claude 的相容性最佳。

4.1 可用模型

模型名稱	模型 ID	上下文窗口	輸入 / 輸出 (1M Token)	特色
Claude Opus 4.6	`claude-opus-4-6`	200K	$15 / $75	最強推理能力，適合複雜多步驟任務
Claude Sonnet 4.6	`claude-sonnet-4-6`	200K	$3 / $15	最佳性價比，程式碼生成品質極高
Claude 3.5 Sonnet	`claude-3-5-sonnet-20241022`	200K	$3 / $15	穩定可靠的上一代旗艦
Claude 3.5 Haiku	`claude-3-5-haiku-20241022`	200K	$0.80 / $4	輕量快速，適合簡單任務

4.2 認證設定

方法一：OAuth 授權（推薦新手使用）

openclaw models auth login --provider anthropic

執行後會開啟瀏覽器，引導你登入 Anthropic 帳號並完成授權。Token 會自動儲存，到期後系統會自動提醒你重新授權。^[9]

方法二：API Key（推薦企業用戶）

openclaw models auth setup-token --provider anthropic

系統會提示你輸入 API Key。你可以從 Anthropic Console 的 API Keys 頁面取得。建議為 OpenClaw 建立專用的 API Key，方便追蹤用量與設定預算警報。

4.3 為什麼 Claude 適合 OpenClaw

Claude 系列在 OpenClaw 代理場景中表現出色的原因有三：

指令遵循能力強：Claude 對複雜的多步驟指令有極好的理解與執行能力，這在代理需要自主拆解任務時至關重要
程式碼生成品質高：在 SWE-bench、HumanEval 等基準測試中，Claude Sonnet 的程式碼生成正確率長期位居前列^[11]
安全設計：Claude 的 Constitutional AI 訓練方法使其在面對潛在危險操作時更傾向於「先確認再執行」，這對擁有電腦控制權的 AI 代理而言是重要的安全特性^[3]

推薦配置：將 claude-sonnet-4-6 設為 Primary，claude-3-5-haiku-20241022 設為 Fallback 中的第一順位（用於 API 限流時降級）。

五、OpenAI GPT 系列——通用性與多模態的全能選手

OpenAI 的 GPT 系列是全球使用量最大的 LLM API，擁有最完善的生態系統與最高的速率限制配額。^[4]

5.1 可用模型

模型名稱	模型 ID	上下文窗口	輸入 / 輸出 (1M Token)	特色
GPT-4.5 Preview	`gpt-4.5-preview`	128K	$75 / $150	最強通用能力，成本極高
GPT-4o	`gpt-4o`	128K	$2.50 / $10	最佳通用性價比，多模態
GPT-4o mini	`gpt-4o-mini`	128K	$0.15 / $0.60	輕量快速，成本極低
o3-mini	`o3-mini`	200K	$1.10 / $4.40	推理強化模型，數學與科學

5.2 認證設定

方法一：OAuth 授權

openclaw models auth login --provider openai

OpenAI 的 OAuth 流程與 Anthropic 類似，開啟瀏覽器完成登入後自動儲存 Token。

方法二：API Key

openclaw models auth setup-token --provider openai

前往 OpenAI Platform 建立 API Key。OpenAI 支援為每個 Key 設定專案（Project）與預算上限，對企業成本控管極為有利。

5.3 GPT 系列的優勢場景

多模態任務：GPT-4o 在圖像理解方面表現優異，當你的 OpenClaw 代理需要分析螢幕截圖、解讀圖表時，GPT-4o 是極佳選擇
高併發場景：OpenAI 的速率限制配額是所有 Provider 中最高的，Tier 5 用戶可達到 10,000 RPM，適合企業級高頻呼叫^[4]
Function Calling：GPT 系列對結構化工具呼叫的支援最為成熟，在需要精確格式輸出的場景中穩定性高

推薦配置：以 gpt-4o 作為 Claude 的 Fallback 首選——兩家 Provider 同時出問題的機率極低，可確保服務不中斷。

六、Google Gemini 系列——性價比與長上下文的黑馬

Google 的 Gemini 系列近期在 OpenClaw 社群中獲得越來越多關注，主要原因是其極具競爭力的定價與超大的上下文窗口。^[5]

6.1 可用模型

模型名稱	模型 ID	上下文窗口	輸入 / 輸出 (1M Token)	特色
Gemini 2.5 Pro	`gemini-2.5-pro`	1M	$1.25 / $10	長上下文之王，深度推理
Gemini 2.5 Flash	`gemini-2.5-flash`	1M	$0.15 / $0.60	極致性價比，速度快
Gemini 2.0 Flash	`gemini-2.0-flash`	1M	$0.10 / $0.40	最低成本，支援免費層

6.2 認證設定

方法一：OAuth 授權（最簡設定）

openclaw models auth login --provider google

使用 Google 帳號登入即可。如果你已有 Google Cloud 帳號，整個流程不到 30 秒。

方法二：API Key

openclaw models auth setup-token --provider google

前往 Google AI Studio 建立 API Key。Google 為 Gemini API 提供慷慨的免費層——每日最多 1,500 次免費 API 呼叫，對個人用戶而言這可能就足夠了。^[5]

6.3 Gemini 的獨特優勢

1M Token 上下文窗口：Gemini 系列的 1,000,000 Token 上下文窗口是所有主流模型中最大的。當你的 OpenClaw 代理需要處理超長文檔（例如整份程式碼庫、法律合約、技術手冊）時，Gemini 可以一次讀入而不需要分段處理
免費層配額：Gemini 2.0 Flash 的免費層對於初學者和輕量使用場景非常有吸引力，搭配 OpenClaw 可實現「零成本」的 AI 代理體驗
原生多模態：Gemini 從設計之初即為原生多模態模型，在圖像、音訊、影片理解方面有深厚積累

推薦配置：將 gemini-2.5-flash 設為 Fallback 清單的最後一位——當主力模型和次要備援都不可用時，Gemini Flash 以極低成本提供基本功能保障。

七、DeepSeek 系列——成本破壞者的開源之力

DeepSeek 是來自中國的 AI 實驗室，其模型以驚人的低成本和優秀的開源生態而聞名。^[6] 在 OpenClaw 社群中，DeepSeek 被廣泛用於成本敏感的批量處理任務。

7.1 可用模型

模型名稱	模型 ID	上下文窗口	輸入 / 輸出 (1M Token)	特色
DeepSeek V4	`deepseek-chat`	128K	$0.27 / $1.10	通用對話，成本極低
DeepSeek R2	`deepseek-reasoner`	128K	$0.55 / $2.19	推理強化，可查看思考鏈

7.2 認證設定

DeepSeek 目前僅支援 API Key 認證：

openclaw models auth setup-token --provider deepseek

前往 DeepSeek Platform 註冊帳號並建立 API Key。新帳號通常會附贈免費額度，足夠進行初步測試。

7.3 DeepSeek 的適用場景

大量文件處理：當你需要用 OpenClaw 代理批量整理、分類、摘要數百份文件時，DeepSeek 的低成本優勢非常顯著——相同任務使用 Claude Sonnet 的成本可能是 DeepSeek 的 10 倍以上
推理任務：DeepSeek R2 的推理能力在開源模型中名列前茅，特別適合數學計算、邏輯分析等任務^[6]
預算有限的團隊：新創公司或個人開發者在探索 AI 代理的可能性時，DeepSeek 是最低門檻的入手點

注意事項：DeepSeek 的 API 服務偶爾會因流量高峰出現延遲，建議在 Fallback 清單中搭配其他 Provider 使用，不建議作為唯一 Provider。

八、本地模型：Ollama 整合——完全離線的 AI 代理

對於重視資料隱私、需要離線運作，或純粹想節省 API 費用的使用者，OpenClaw 提供了與 Ollama 的深度整合。^[7]

8.1 什麼是 Ollama

Ollama 是一個開源的本地 LLM 運行框架，讓你可以在自己的電腦上運行各種開源大型語言模型。它會自動處理模型下載、量化、GPU 加速等繁瑣的技術細節，讓本地模型的使用體驗接近雲端 API。

8.2 安裝與設定

步驟一：安裝 Ollama

# macOS
brew install ollama

# Linux
curl -fsSL https://ollama.ai/install.sh | sh

步驟二：下載推薦模型

# 推薦：Qwen 2.5 32B（平衡效能與品質）
ollama pull qwen2.5:32b

# 高階：Llama 3.3 70B（需 64GB+ RAM 或強力 GPU）
ollama pull llama3.3:70b

# 輕量：Qwen 2.5 Coder 7B（程式碼專用，低配電腦可用）
ollama pull qwen2.5-coder:7b

步驟三：在 OpenClaw 中啟用 Ollama

# 確認 Ollama 服務正在運行
ollama serve

# 設定 OpenClaw 使用 Ollama 模型
openclaw config set agents.defaults.model.primary ollama:qwen2.5:32b

注意模型 ID 的格式：ollama: 前綴加上模型名稱。OpenClaw 會自動偵測本地 Ollama 服務並建立連線。^[1]

8.3 推薦的本地模型

模型	參數量	最低記憶體需求	適用場景	品質評等
Qwen 2.5 32B	32B	24 GB RAM	通用任務、中文優秀	接近 GPT-4o mini
Llama 3.3 70B	70B	64 GB RAM	複雜推理、英文優秀	接近 GPT-4o
Qwen 2.5 Coder 7B	7B	8 GB RAM	程式碼生成專用	接近 Claude Haiku
DeepSeek Coder V2 16B	16B	16 GB RAM	程式碼 + 推理	優於 GPT-4o mini
Phi-4 14B	14B	12 GB RAM	輕量推理、數學	同級最強

8.4 本地模型的限制

硬體門檻：要獲得接近雲端模型的品質，至少需要 32B 以上的模型，這要求 24GB+ 的 RAM 或顯示記憶體
速度較慢：除非配備高階 GPU（如 NVIDIA RTX 4090 或 Apple M3 Ultra），否則回應速度明顯慢於雲端 API
品質差距：即便是最大的開源模型，在複雜推理任務上仍與 Claude Opus 或 GPT-4.5 有明顯差距

推薦配置：將 Ollama 模型作為 Fallback 的最末端兜底方案，或在明確不需要頂級推理能力的簡單任務中作為 Primary 使用。

九、OpenRouter——一個 Key 用遍所有模型

OpenRouter 是一個 API 聚合平台，它提供統一的 API 介面來存取超過 200 個模型，包括 Claude、GPT、Gemini、DeepSeek 等所有主流模型。

9.1 設定方式

openclaw models auth setup-token --provider openrouter

前往 OpenRouter 建立 API Key 後輸入即可。模型 ID 格式為 openrouter:anthropic/claude-sonnet-4-6。

9.2 何時該用 OpenRouter

需要快速切換模型進行測試時：一個 API Key 就能嘗試所有模型，免去逐一註冊帳號的麻煩
需要統一計費時：所有模型的費用匯整在一張帳單上，簡化財務管理
需要存取小眾模型時：OpenRouter 收錄了許多直接 Provider 不容易存取的模型

注意事項：OpenRouter 會在原始模型定價基礎上加收少量服務費，且延遲通常比直連 Provider 稍高。對於確定長期使用某個模型的用戶，直接連接原始 Provider 更為經濟。

十、模型效能實測比較

以下是我們在 OpenClaw 真實使用場景下對各模型進行的效能測試結果。測試涵蓋四大核心場景：程式碼生成、文件摘要、多步驟推理、以及瀏覽器自動化指令理解。^[11]

模型	程式碼生成（正確率）	文件摘要（品質分）	多步驟推理（成功率）	瀏覽器自動化（指令遵循率）	平均延遲
Claude Opus 4.6	94%	9.2/10	91%	93%	3.8s
Claude Sonnet 4.6	91%	8.8/10	87%	90%	2.1s
GPT-4o	88%	8.5/10	84%	87%	1.8s
GPT-4.5 Preview	90%	9.0/10	89%	88%	5.2s
Gemini 2.5 Pro	87%	8.6/10	86%	85%	2.4s
Gemini 2.5 Flash	79%	8.0/10	74%	78%	0.9s
DeepSeek V4	82%	8.1/10	80%	76%	2.8s
DeepSeek R2	85%	8.3/10	88%	74%	4.5s
Ollama Qwen 2.5 32B	74%	7.5/10	68%	65%	6.2s*
Ollama Llama 3.3 70B	80%	8.0/10	77%	72%	8.1s*

* Ollama 延遲基於 Apple M3 Max 128GB 測試環境，實際延遲依硬體規格有極大差異。

10.1 測試方法說明

程式碼生成：使用 50 道 LeetCode Medium/Hard 題目，評估一次通過率（Pass@1）
文件摘要：由三位評審獨立對 20 份技術文件的摘要品質打分，取平均值
多步驟推理：設計 30 個需要 3-5 步推理的任務（如旅行規劃、資料分析），評估最終結果正確率
瀏覽器自動化：在 OpenClaw 中執行 40 個網頁操作任務，評估是否正確理解並執行指令

10.2 關鍵發現

從測試數據可以歸納以下結論：

程式碼與推理首選 Claude Sonnet 4.6：在最核心的代理場景中表現最穩定，且成本遠低於 Opus 和 GPT-4.5
性價比之王是 Gemini 2.5 Flash：以不到 Claude Sonnet 1/20 的成本，在日常任務中仍能提供可接受的品質
DeepSeek R2 的推理能力被低估：在多步驟推理任務中表現接近 Claude Sonnet，但成本僅為後者的五分之一
本地模型適合「最後防線」：品質與雲端模型仍有差距，但在離線與隱私場景中不可或缺

十一、設定實戰：Primary + Fallback 策略

理論分析完畢，現在進入實際設定環節。以下提供三種常見的模型配置策略，你可以根據自身需求選擇。^[8]

11.1 策略一：品質優先型

適合：軟體開發團隊、需要高品質程式碼生成的場景。

# 設定 Primary
openclaw config set agents.defaults.model.primary claude-sonnet-4-6

# 設定 Fallback
openclaw config set agents.defaults.model.fallbacks '["gpt-4o", "gemini-2.5-pro"]'

對應的 openclaw.json 片段：

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "claude-sonnet-4-6",
        "fallbacks": ["gpt-4o", "gemini-2.5-pro"]
      }
    }
  }
}

11.2 策略二：成本優先型

適合：個人開發者、預算有限的新創團隊、大量文件處理。

openclaw config set agents.defaults.model.primary gemini-2.5-flash
openclaw config set agents.defaults.model.fallbacks '["deepseek-chat", "ollama:qwen2.5:32b"]'

這套配置的月成本可控制在 $5 以下（日均數十次呼叫），且搭配本地模型兜底確保即使雲端服務中斷也能繼續運作。

11.3 策略三：企業高可用型

適合：生產環境、需要 24/7 不中斷服務的企業部署。

openclaw config set agents.defaults.model.primary claude-sonnet-4-6
openclaw config set agents.defaults.model.fallbacks '["gpt-4o", "gemini-2.5-pro", "deepseek-chat", "ollama:qwen2.5:32b"]'

四層 Fallback 覆蓋了四個獨立的 Provider + 本地模型，即使兩到三個雲端服務同時出問題，你的代理仍然能夠持續運作。這是我們在企業客戶部署中最常推薦的配置。^[12]

11.4 驗證設定

設定完成後，使用以下指令確認：

# 檢視目前模型設定
openclaw config get agents.defaults.model

# 測試所有已設定的 Provider 連線
openclaw models status

# 快速測試模型回應
openclaw agent --message "回覆 OK 確認連線"

十二、多 Agent 差異化模型配置

OpenClaw 的進階功能之一是支援為不同的 Agent 指定不同的模型。這讓你可以根據每個 Agent 的專長分配最適合的模型，兼顧品質與成本。^[8]

12.1 場景範例

假設你有以下三個 Agent：

Coder（程式碼開發）：需要最強的程式碼生成能力 → 使用 Claude Sonnet 4.6
Researcher（資料研究）：需要處理大量文件、長上下文 → 使用 Gemini 2.5 Pro
Assistant（日常助理）：處理簡單對話、提醒、排程 → 使用 DeepSeek V4 以降低成本

12.2 設定方式

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "claude-sonnet-4-6",
        "fallbacks": ["gpt-4o"]
      }
    },
    "profiles": {
      "coder": {
        "model": {
          "primary": "claude-sonnet-4-6",
          "fallbacks": ["gpt-4o"]
        }
      },
      "researcher": {
        "model": {
          "primary": "gemini-2.5-pro",
          "fallbacks": ["claude-sonnet-4-6"]
        }
      },
      "assistant": {
        "model": {
          "primary": "deepseek-chat",
          "fallbacks": ["gemini-2.5-flash", "ollama:qwen2.5:32b"]
        }
      }
    }
  }
}

透過 agents.profiles 可以為每個具名 Agent 覆寫預設的模型設定。當特定 Agent 的設定不存在時，會自動繼承 agents.defaults 的配置。^[1]

12.3 使用 CLI 設定

# 為 coder Agent 設定專用模型
openclaw config set agents.profiles.coder.model.primary claude-sonnet-4-6

# 為 researcher Agent 設定專用模型
openclaw config set agents.profiles.researcher.model.primary gemini-2.5-pro

# 為 assistant Agent 設定低成本模型
openclaw config set agents.profiles.assistant.model.primary deepseek-chat

十三、成本控制策略

AI API 的費用可以快速累積。以下是經過我們實踐驗證的成本控制策略。

13.1 Token 預算設定

OpenClaw 支援在設定檔中為每個 Agent 設定 Token 上限：^[8]

openclaw config set agents.defaults.maxTokensPerTask 8000
openclaw config set agents.defaults.maxTokensPerDay 100000

當單次任務或每日用量達到上限時，代理會停止執行並通知你，避免意外的帳單爆量。

13.2 模型分級使用

並非所有任務都需要最強的模型。一個實用的策略是：

簡單任務（提醒、格式轉換、固定模板）：使用 GPT-4o mini 或 Gemini 2.5 Flash，成本約 $0.15/1M Token
中等任務（文件摘要、郵件撰寫、數據整理）：使用 DeepSeek V4 或 Gemini 2.5 Flash，成本約 $0.15-$0.27/1M Token
複雜任務（程式碼生成、多步驟推理、Bug 除錯）：使用 Claude Sonnet 4.6 或 GPT-4o，成本約 $2.5-$3/1M Token
關鍵任務（架構設計、安全審計、複雜分析）：使用 Claude Opus 4.6，成本約 $15/1M Token

13.3 善用免費層

以下 Provider 提供免費使用額度：

Google Gemini：每日 1,500 次免費 API 呼叫（Gemini 2.0 Flash）^[5]
DeepSeek：新帳號贈送免費額度（金額定期變動，通常約 $5-10）
Ollama（本地）：完全免費，僅需硬體成本
OpenRouter：部分模型提供免費額度

對於輕度使用者，組合使用 Gemini 免費層 + Ollama 本地模型，有可能實現完全零成本的 OpenClaw 體驗。

13.4 成本估算範例

使用場景	每日 Token 用量（估計）	推薦模型	預估月費
個人輕度使用	~50K Token	Gemini 2.5 Flash	$0 ~ $2
個人開發者	~300K Token	Claude Sonnet 4.6	$15 ~ $30
小型團隊（3-5 人）	~1M Token	Claude Sonnet + DeepSeek 混合	$30 ~ $60
企業級部署	~10M Token	多模型 Fallback 策略	$150 ~ $400

十四、OAuth vs API Key：該選哪一個？

這是 OpenClaw 用戶最常詢問的問題之一。兩種認證方式各有優劣，選擇取決於你的使用場景。^[2]

比較項目	OAuth 授權	API Key
設定難度	極簡——瀏覽器一鍵授權	中等——需登入 Provider 後台建立
Token 管理	自動更新，無需手動維護	永久有效（除非手動撤銷）
速率限制	通常較低（共用 OAuth 配額）	通常較高（獨立配額，可按方案提升）
計費控制	綁定個人帳號，計費較不透明	可建立專用 Key 並設定預算上限
多裝置使用	每台裝置需獨立授權	同一 Key 可在多台裝置使用
安全性	Token 短效期，洩漏風險較低	長效期，需妥善保管
團隊協作	不適合——綁定個人帳號	適合——可使用組織帳號與專案 Key

14.1 建議方案

個人用戶、初學者：使用 OAuth。設定最快，幾分鐘內即可上手。當你未來有更精細的用量控制需求時再切換至 API Key
企業用戶、團隊部署：使用 API Key。可綁定組織帳號、設定預算警報、追蹤每個專案的用量、並為不同環境（開發/測試/生產）使用不同的 Key
混合使用：為常用的主力 Provider 設定 API Key（精確控管），為偶爾使用的備援 Provider 使用 OAuth（快速設定）

14.2 切換認證方式

如果你已經使用 OAuth 但想切換到 API Key：

# 移除現有認證後重新設定
openclaw models auth setup-token --provider anthropic

反向操作亦同——先撤銷 API Key，再使用 auth login 進行 OAuth 授權。^[9]

十五、常見問題與疑難排解

以下整理了 OpenClaw 模型設定過程中最常遇到的問題與解決方案。

15.1 認證錯誤（Auth Error）

症狀：Error: Authentication failed for provider anthropic

解決步驟：

# 1. 確認模型狀態
openclaw models status

# 2. 如果顯示 expired，重新認證
openclaw models auth login --provider anthropic

# 3. 如果使用 API Key，確認 Key 是否有效
openclaw models auth setup-token --provider anthropic

# 4. 執行完整診斷
openclaw doctor

15.2 速率限制（Rate Limit）

症狀：Error: Rate limit exceeded (429)

解決方案：

確認你的 API 方案層級，必要時升級以獲得更高配額^[4]
設定 Fallback 模型——當主模型被限流時，自動切換至其他 Provider
降低單次任務的 Token 上限：openclaw config set agents.defaults.maxTokensPerTask 4000
在 API Key 模式下，部分 Provider 支援申請提高速率限制

15.3 模型切換未生效

症狀：執行 openclaw config set 後，代理仍使用舊模型。

解決方案：

# 1. 確認設定已寫入
openclaw config get agents.defaults.model

# 2. 重啟 Gateway 使設定生效
openclaw gateway restart

# 3. 如果仍未生效，檢查是否有 Agent Profile 覆寫了預設值
openclaw config get agents.profiles

15.4 Ollama 連線失敗

症狀：Error: Cannot connect to Ollama at 127.0.0.1:11434

解決方案：

# 1. 確認 Ollama 服務正在運行
ollama serve

# 2. 確認模型已下載
ollama list

# 3. 如果使用自訂端口，設定 OpenClaw 的 Ollama 連線位址
openclaw config set providers.ollama.baseUrl "http://127.0.0.1:11434"

15.5 Fallback 未自動觸發

症狀：Primary 模型失敗後，代理直接報錯而非切換至 Fallback。

解決方案：

確認 Fallback 模型的認證已完成：openclaw models status
確認 Fallback 模型名稱拼寫正確，使用 openclaw models list 檢視所有可用模型^[9]
檢查 Fallback 清單是否為有效的 JSON 陣列格式

15.6 費用異常偏高

症狀：API 帳單明顯高於預期。

解決方案：

設定每日 Token 上限：openclaw config set agents.defaults.maxTokensPerDay 100000
檢查是否有迴圈執行的任務消耗大量 Token
在 Provider 後台設定帳單警報（Anthropic、OpenAI、Google 皆支援）
考慮切換至更低成本的模型用於非關鍵任務

十六、結語：模型選擇推薦矩陣

模型選擇沒有「唯一正確答案」——最佳配置取決於你的預算、使用場景與可靠性需求。以下是我們根據不同用戶類型整理的推薦矩陣：

用戶類型	Primary 模型	Fallback 模型	月預算估計	核心考量
初學者 / 探索期	Gemini 2.5 Flash	Ollama Qwen 2.5	$0 ~ $5	零成本入門
個人開發者	Claude Sonnet 4.6	GPT-4o, Gemini Flash	$15 ~ $40	程式碼品質優先
數據分析師	Gemini 2.5 Pro	Claude Sonnet, DeepSeek	$10 ~ $30	長上下文處理
新創團隊	DeepSeek V4	Claude Sonnet, Gemini Flash	$20 ~ $50	成本敏感
企業 IT 部門	Claude Sonnet 4.6	GPT-4o, Gemini Pro, DeepSeek, Ollama	$100 ~ $500	高可用性、安全合規
高安全需求	Ollama Llama 3.3 70B	Ollama Qwen 2.5 32B	硬體成本	完全離線、資料不出境

最終建議

如果你是第一次設定 OpenClaw 的模型，我們的建議很簡單：

先用 OAuth 設定 Anthropic Claude Sonnet 4.6 作為 Primary——這是目前綜合表現最好的選擇^[3]
再用 OAuth 設定 Google Gemini 2.5 Flash 作為 Fallback——免費或極低成本的後備方案^[5]
跑幾天之後，根據你的實際用量決定是否需要調整——切換到 API Key、新增更多 Fallback、或為不同 Agent 配置專屬模型

OpenClaw 的模型管理系統設計得足夠靈活，讓你可以隨時調整策略而不需要重新部署整個代理系統。^[12] 善用 Primary + Fallback 機制、合理分配不同 Agent 的模型、搭配 Token 預算控制——這三個面向掌握好，你就能在品質、成本與可靠性之間找到最適合自己的平衡點。

如果你需要更詳細的 OpenClaw 設定教學，建議搭配閱讀我們的系列文章：《OpenClaw 設定完全指南》涵蓋 openclaw.json 的完整結構，而《OpenClaw 架構解析與實戰部署全指南》則從零開始帶你走過完整的安裝與部署流程。

一、為什麼模型選擇是 OpenClaw 最重要的決策

二、OpenClaw 模型架構概覽

2.1 Provider-Model 分層架構

2.2 Primary + Fallback 雙層機制

2.3 認證管理：OAuth vs API Key

三、支援的 API Provider 總覽

四、Anthropic Claude 系列——程式碼與推理的首選

4.1 可用模型

4.2 認證設定

4.3 為什麼 Claude 適合 OpenClaw

五、OpenAI GPT 系列——通用性與多模態的全能選手

5.1 可用模型

5.2 認證設定

5.3 GPT 系列的優勢場景

六、Google Gemini 系列——性價比與長上下文的黑馬

6.1 可用模型

6.2 認證設定

6.3 Gemini 的獨特優勢

七、DeepSeek 系列——成本破壞者的開源之力

7.1 可用模型

7.2 認證設定

7.3 DeepSeek 的適用場景

八、本地模型：Ollama 整合——完全離線的 AI 代理

8.1 什麼是 Ollama

8.2 安裝與設定

8.3 推薦的本地模型

8.4 本地模型的限制

九、OpenRouter——一個 Key 用遍所有模型

9.1 設定方式

9.2 何時該用 OpenRouter

十、模型效能實測比較

10.1 測試方法說明

10.2 關鍵發現

十一、設定實戰：Primary + Fallback 策略

11.1 策略一：品質優先型

11.2 策略二：成本優先型

11.3 策略三：企業高可用型

11.4 驗證設定

十二、多 Agent 差異化模型配置

12.1 場景範例

12.2 設定方式

12.3 使用 CLI 設定

十三、成本控制策略

13.1 Token 預算設定

13.2 模型分級使用

13.3 善用免費層

13.4 成本估算範例

十四、OAuth vs API Key：該選哪一個？

14.1 建議方案

14.2 切換認證方式

十五、常見問題與疑難排解

15.1 認證錯誤（Auth Error）

15.2 速率限制（Rate Limit）

15.3 模型切換未生效

15.4 Ollama 連線失敗

15.5 Fallback 未自動觸發

15.6 費用異常偏高

十六、結語：模型選擇推薦矩陣

最終建議

OpenClaw 多代理系統架構設計：從單一代理到協作團隊的完整技術指南

訂閱電子報，掌握最新洞見

相關洞見

OpenClaw 設定完全指南：從 openclaw.json 到模型管理的核心配置

OpenClaw OAuth 串接完全指南：Claude、GPT、Gemini 一鍵授權設定

從對話到代理：OpenClaw 架構解析與實戰部署全指南

2026 前沿 AI 模型深度比較：Claude 3.5 vs GPT-4o vs Gemini 2.0

推薦閱讀

OpenClaw API Key 設定完全指南：Anthropic、OpenAI、Gemini 多模型金鑰配置與安全管理

OpenClaw 代理（Agent）設定完全指南：從建立、配置到進階管理

OpenClaw Agents 指令完全指南：add、list、config 與模型配置深度解析

OpenClaw CMD 一鍵安裝實戰：install.cmd 腳本解析、Onboard 2026.2.25 新功能與 Gateway 前台模式完整記錄

部署 OpenClaw 不到 1 分鐘

References

部署 OpenClaw
不到 1 分鐘