OpenClaw多模型服务商配置指南

概述

OpenClaw 支持配置多个 AI 模型服务商，实现灵活的模型调度和管理。通过统一的配置文件 openclaw.json，您可以：

接入多个模型服务商（如 OpenAI、Anthropic、百度千帆等）
为每个服务商配置多个模型
在 Agent 级别灵活指定使用的模型
支持推理模型、多模态模型等多种模型类型

多服务商配置架构

OpenClaw 的模型配置采用 "服务商-模型" 两层架构：

models
├── mode: "merge"          # 配置合并模式
├── providers              # 服务商配置
│   ├── glm                # 服务商ID
│   │   ├── baseUrl        # API基础URL
│   │   ├── apiKey         # API密钥
│   │   ├── api            # API协议类型
│   │   ├── headers        # 自定义请求头
│   │   └── models[]       # 该服务商下的模型列表
│   └── qianfan
│       └── ...

配置模式 (mode)

json

{
  "models": {
    "mode": "merge"  // 可选值: "merge" | "replace"
  }
}

merge: 将自定义配置与默认配置合并
replace: 完全替换默认配置

服务商配置参数详解

基础参数

参数	类型	必填	说明
`baseUrl`	string	是	API 服务的基础 URL 地址
`apiKey`	string	是	API 认证密钥
`api`	string	是	API 协议类型
`headers`	object	否	自定义 HTTP 请求头
`models`	array	是	该服务商提供的模型列表

参数详细说明

baseUrl

API 服务的基础 URL，所有模型请求都会基于此地址。

json

{
  "baseUrl": "https://qianfan.baidubce.com/v2"
}

常见示例：

百度千帆: https://qianfan.baidubce.com/v2
OpenAI: https://api.openai.com/v1
内部服务: http://oneapi-comate.baidu-int.com/v1

apiKey

用于 API 认证的密钥，不同服务商格式不同：

json

// 百度千帆 BCE 认证格式
{
  "apiKey": "bce-v3/ALTAK-xxxxxxxx"
}

// 标准 API Key 格式
{
  "apiKey": "sk-xxxxxxxxxxxx"
}

api

指定 API 协议类型，决定请求格式：

json

{
  "api": "openai-completions"  // 使用 OpenAI 兼容的 Chat Completions API
}

支持的协议：

openai-completions: OpenAI Chat Completions 兼容协议

headers

自定义 HTTP 请求头，用于传递额外认证或追踪信息：

json

{
  "headers": {
    "comate_custom_header": "{\"username\":\"your-name\",\"source\":\"openclaw\"}"
  }
}

完整服务商配置示例

示例 1: 内部服务配置 (glm)

json

{
  "glm": {
    "baseUrl": "http://oneapi-comate.baidu-int.com/v1",
    "apiKey": "oOl53tzmBGxxxxxxx",
    "api": "openai-completions",
    "headers": {
      "comate_custom_header": "{\"username\":\"username\",\"source\":\"openclaw\"}"
    },
    "models": [
      {
        "id": "glm-4.7-internal",
        "name": "glm Coding",
        "reasoning": false,
        "input": ["text"],
        "cost": {
          "input": 0,
          "output": 0,
          "cacheRead": 0,
          "cacheWrite": 0
        },
        "contextWindow": 200000,
        "maxTokens": 8192
      }
    ]
  }
}

示例 2: 百度千帆配置 (qianfan)

json

{
  "qianfan": {
    "baseUrl": "https://qianfan.baidubce.com/v2",
    "apiKey": "bce-v3/ALTAK-xxxxxxxx",
    "api": "openai-completions",
    "models": [
      // ... 多个模型配置
    ]
  }
}

模型配置参数说明

每个模型支持以下配置参数：

参数	类型	必填	说明
`id`	string	是	模型唯一标识符，调用时使用
`name`	string	否	模型显示名称
`reasoning`	boolean	否	是否为推理模型（如 DeepSeek-R1）
`input`	array	是	支持的输入类型：`text`、`image`
`contextWindow`	number	是	上下文窗口大小（tokens）
`maxTokens`	number	是	最大输出 tokens 数
`cost`	object	否	成本配置

参数详解

id 与 name

json

{
  "id": "deepseek-v3.2",      // 用于 API 调用和模型引用
  "name": "deepseek-v3.2"     // 显示名称，便于识别
}

reasoning (推理模型)

标记模型是否支持推理能力（如 Chain-of-Thought）：

json

{
  "reasoning": true   // 推理模型，如 DeepSeek-R1、DeepSeek-V3.2
}

推理模型特点：

支持复杂的逻辑推理
会输出思考过程
适合数学、编程、分析类任务

input (输入类型)

指定模型支持的输入模态：

json

// 纯文本模型
{
  "input": ["text"]
}

// 多模态模型（支持文本和图像）
{
  "input": ["text", "image"]
}

contextWindow (上下文窗口)

模型能够处理的最大上下文长度：

json

{
  "contextWindow": 131072  // 约 10 万 tokens
}

常见上下文大小：

32K: 32768 tokens
128K: 131072 tokens
200K: 204800 tokens

maxTokens (最大输出)

模型单次响应的最大 token 数：

json

{
  "maxTokens": 96000  // 最大输出 9.6 万 tokens
}

cost (成本配置)

定义模型的调用成本：

json

{
  "cost": {
    "input": 0,        // 输入每千 tokens 价格
    "output": 0,       // 输出每千 tokens 价格
    "cacheRead": 0,    // 缓存读取价格
    "cacheWrite": 0    // 缓存写入价格
  }
}

不同类型模型的配置

1. 推理模型 (reasoning: true)

推理模型适用于需要复杂逻辑分析的任务。

json

{
  "id": "deepseek-v3.2",
  "name": "deepseek-v3.2",
  "reasoning": true,              // 标记为推理模型
  "input": ["text", "image"],     // 可选支持图像输入
  "cost": {
    "input": 0,
    "output": 0,
    "cacheRead": 0,
    "cacheWrite": 0
  },
  "contextWindow": 131072,        // 128K 上下文
  "maxTokens": 96000              // 大输出窗口
}

适用场景：

复杂问题求解
代码分析与生成
数学推理
多步骤任务规划

2. 多模态模型 (input: ["text", "image"])

支持图像理解的多模态模型。

json

{
  "id": "qwen3-vl-32b-instruct",
  "name": "qwen3-vl-32b-instruct",
  "reasoning": false,
  "input": ["text", "image"],     // 支持文本和图像输入
  "cost": {
    "input": 0,
    "output": 0,
    "cacheRead": 0,
    "cacheWrite": 0
  },
  "contextWindow": 131072,
  "maxTokens": 32768
}

适用场景：

图像描述与分析
视觉问答
文档图片理解
截图分析

3. 普通文本模型

标准的文本对话模型。

json

{
  "id": "glm-5",
  "name": "glm-5",
  "reasoning": false,
  "input": ["text"],              // 仅支持文本输入
  "cost": {
    "input": 0,
    "output": 0,
    "cacheRead": 0,
    "cacheWrite": 0
  },
  "contextWindow": 202000,        // 约 20 万上下文
  "maxTokens": 131072             // 大输出窗口
}

适用场景：

日常对话
文本生成
内容创作
信息检索

模型类型对比表

特性	推理模型	多模态模型	普通文本模型
reasoning	true	false	false
input	["text"] 或 ["text", "image"]	["text", "image"]	["text"]
典型应用	复杂推理、编程	图像理解	日常对话
示例模型	deepseek-v3.2	qwen3-vl-32b-instruct	glm-5

Agent级别的模型配置覆盖

OpenClaw 支持为不同的 Agent 配置不同的默认模型，实现精细化的模型调度。

配置结构

json

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "qianfan/glm-5"        // 全局默认模型
      },
      "imageModel": {
        "primary": "qianfan/qwen3-vl-32b-instruct"  // 默认图像模型
      },
      "models": {
        "glm/glm-4.7-internal": { "alias": "glm-4.7-internal" },
        "qianfan/glm-5": { "alias": "glm-5" }
        // ... 模型别名配置
      }
    },
    "list": [
      {
        "id": "main",
        "default": true,
        "name": "Main"
        // 使用 defaults 中的模型配置
      },
      {
        "id": "code-helper",
        "name": "Code Helper",
        "model": {
          "primary": "qianfan/qwen3-coder-480b-a35b-instruct"  // 覆盖默认模型
        }
      }
    ]
  }
}

覆盖优先级

Agent 自定义模型 > 全局默认模型

实际配置示例

以下是一个完整的 Agent 模型配置示例：

json

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "qianfan/glm-5"
      },
      "imageModel": {
        "primary": "qianfan/qwen3-vl-32b-instruct"
      }
    },
    "list": [
      {
        "id": "main",
        "default": true,
        "name": "Main"
        // 使用默认的 glm-5 模型
      },
      {
        "id": "code-helper",
        "name": "Code Helper",
        "model": {
          "primary": "qianfan/qwen3-coder-480b-a35b-instruct"  // 编程专家模型
        }
      },
      {
        "id": "meeting-secretary",
        "name": "Meeting Secretary",
        "model": {
          "primary": "qianfan/kimi-k2.5"  // 长上下文模型，适合会议记录
        }
      },
      {
        "id": "project-assistant",
        "name": "Project Assistant",
        "model": {
          "primary": "qianfan/glm-4.7"    // 项目助手模型
        }
      },
      {
        "id": "researcher",
        "name": "Researcher",
        "model": {
          "primary": "qianfan/glm-5"      // 研究助手
        }
      }
    ]
  }
}

模型引用格式

在 Agent 配置中引用模型时，使用 服务商ID/模型ID 格式：

json

{
  "model": {
    "primary": "qianfan/deepseek-v3.2"
  }
}

格式说明：

qianfan: 服务商 ID（providers 下的 key）
deepseek-v3.2: 模型 ID（models 下的 id）
使用 / 分隔

完整配置示例

以下是一个包含多个服务商和模型类型的完整配置示例：

json

{
  "models": {
    "mode": "merge",
    "providers": {
      "glm": {
        "baseUrl": "http://oneapi-comate.baidu-int.com/v1",
        "apiKey": "your-api-key",
        "api": "openai-completions",
        "headers": {
          "comate_custom_header": "{\"username\":\"your-name\",\"source\":\"openclaw\"}"
        },
        "models": [
          {
            "id": "glm-4.7-internal",
            "name": "glm Coding",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 200000,
            "maxTokens": 8192
          }
        ]
      },
      "qianfan": {
        "baseUrl": "https://qianfan.baidubce.com/v2",
        "apiKey": "bce-v3/your-bce-key",
        "api": "openai-completions",
        "models": [
          {
            "id": "glm-5",
            "name": "glm-5",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 202000,
            "maxTokens": 131072
          },
          {
            "id": "deepseek-v3.2",
            "name": "deepseek-v3.2",
            "reasoning": true,
            "input": ["text", "image"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 131072,
            "maxTokens": 96000
          },
          {
            "id": "qwen3-vl-32b-instruct",
            "name": "qwen3-vl-32b-instruct",
            "reasoning": false,
            "input": ["text", "image"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 131072,
            "maxTokens": 32768
          },
          {
            "id": "kimi-k2.5",
            "name": "kimi-k2.5",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 262144,
            "maxTokens": 32768
          },
          {
            "id": "qwen3-coder-480b-a35b-instruct",
            "name": "qwen3-coder-480b-a35b-instruct",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 262144,
            "maxTokens": 65536
          },
          {
            "id": "minimax-m2.1",
            "name": "minimax-m2.1",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 204800,
            "maxTokens": 131072
          },
          {
            "id": "glm-4.7",
            "name": "glm-4.7",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 202000,
            "maxTokens": 131072
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "qianfan/glm-5"
      },
      "imageModel": {
        "primary": "qianfan/qwen3-vl-32b-instruct"
      }
    },
    "list": [
      {
        "id": "main",
        "default": true,
        "name": "Main"
      },
      {
        "id": "code-helper",
        "name": "Code Helper",
        "model": {
          "primary": "qianfan/qwen3-coder-480b-a35b-instruct"
        }
      },
      {
        "id": "researcher",
        "name": "Researcher",
        "model": {
          "primary": "qianfan/deepseek-v3.2"
        }
      }
    ]
  }
}

总结

OpenClaw 的多模型服务商配置提供了灵活的模型管理能力：

多服务商支持：可同时接入多个 AI 服务商
丰富的模型类型：支持推理模型、多模态模型、普通文本模型
精细化的 Agent 配置：每个 Agent 可独立配置默认模型
统一的配置格式：使用 OpenAI 兼容协议，简化接入流程

通过合理配置，您可以为不同的使用场景选择最合适的模型，实现性能与成本的最优平衡。

OpenClaw多模型服务商配置指南 ​

目录 ​

概述 ​

多服务商配置架构 ​

配置模式 (mode) ​

服务商配置参数详解 ​

基础参数 ​

参数详细说明 ​

baseUrl ​

apiKey ​

api ​

headers ​

完整服务商配置示例 ​

示例 1: 内部服务配置 (glm) ​

示例 2: 百度千帆配置 (qianfan) ​

模型配置参数说明 ​

参数详解 ​

id 与 name ​

reasoning (推理模型) ​

input (输入类型) ​

contextWindow (上下文窗口) ​

maxTokens (最大输出) ​

cost (成本配置) ​

不同类型模型的配置 ​

1. 推理模型 (reasoning: true) ​

2. 多模态模型 (input: ["text", "image"]) ​

3. 普通文本模型 ​

模型类型对比表 ​

Agent级别的模型配置覆盖 ​

配置结构 ​

覆盖优先级 ​

实际配置示例 ​

模型引用格式 ​

完整配置示例 ​

总结 ​

OpenClaw多模型服务商配置指南

目录

概述

多服务商配置架构

配置模式 (mode)

服务商配置参数详解

基础参数

参数详细说明

baseUrl

apiKey

api

headers

完整服务商配置示例

示例 1: 内部服务配置 (glm)

示例 2: 百度千帆配置 (qianfan)

模型配置参数说明

参数详解

id 与 name

reasoning (推理模型)

input (输入类型)

contextWindow (上下文窗口)

maxTokens (最大输出)

cost (成本配置)

不同类型模型的配置

1. 推理模型 (reasoning: true)

2. 多模态模型 (input: ["text", "image"])

3. 普通文本模型

模型类型对比表

Agent级别的模型配置覆盖

配置结构

覆盖优先级

实际配置示例

模型引用格式

完整配置示例

总结