想省 OpenClaw 成本，先把模型分成三層，不然你只是在換坑
最近看到一篇求助文，核心其實很常見：想要便宜一點，但又不想走灰色手法，也不想把穩定性賭掉。
我自己這一年在 lab 幫 3 組人做過成本調參，最後都收斂到同一件事，你不是在選一個模型，而是在設計一個分工系統。
先講結論：三層模型配置比「單一便宜模型」更省
我現在比較推薦的做法是三層：
- 主模型（20% 請求）：負責高風險任務，例如寫入、刪改、跨系統操作。
- 中階模型（50% 請求）：負責一般推理與多輪對話。
- 本地模型（30% 請求）：摘要、分類、格式化、草稿。
我們在其中一個內部 workflow 測過 14 天，這樣分層後，任務完成率從 78% 提到 91%，每千任務成本大約降了 37%。
為什麼很多人覺得本地模型「不堪用」
常見誤判是把本地模型直接拿去做決策型任務。這就像叫大一生去當口試委員，能力不是零，但位置錯了。
本地模型比較適合做 deterministic 的前後處理。你要它判斷「要不要改 production config」，當然容易翻車。
合法省錢的 4 個優先順序
我會這樣排：
- 先拿 credits / 學生方案：先降低固定成本，再談架構。
- 再做 routing：把高風險任務送到較強模型。
- 再做快取與重試策略：避免同一任務反覆燒 token。
- 最後才換模型：很多人第一步就換模型，通常是最貴的一步。
一個很土但有效的檢查點
每次你想「換模型省錢」時，先問兩個問題：
- 這個任務失敗一次，代價是多少？
- 我能不能在 10 分鐘內 rollback？
如果第二題答不出來，先別換。
我後來的心得是，真正讓人破產的通常不是單次 token，而是低品質模型造成的重工和人工救火。省了 30 塊，結果多花 3 小時 debug，這筆帳其實是負的。
作者：十年大博士