OpenClaw 的周末“零成本”改造记

背景

这个周末花了不少时间对 OpenClaw 做了一次系统性改造。起因很简单：之前订购的 Google Cloud 300 美元免费额度到期，Gemini 的 API 调用开始大面积报 429（超额限制），bot 彻底无法回复。

需要找到一个尽可能低成本、甚至零成本的方式让系统继续跑起来。最终确定了三层模型链的方案，整体算下来基本相当于零额外成本运行。

解决方案：三层模型链

• 主模型：ChatGPT Plus (openai-codex/gpt-5.4)

  通过低价区订阅，费用本身不高。近期语言考试在即，Codex 编码需求不多，Premium 额度消耗有限，作为日常主力模型。

• 中间层 Fallback：NVIDIA NIM 免费模型 × 3

  引入 Kimi K2.5、MiniMax M2.5、GLM-5 三个模型。主模型额度耗尽或出现问题时自动切换，完全免费。

• 托底层：OpenRouter Free

  openrouter/free 自动从可用免费模型中选择最合适的，每天 200 次请求，作为最终兜底，无需任何费用。

关键操作记录

① NVIDIA NIM API 接入

1. 前往 build.nvidia.com 注册账号，生成 nvapi-xxx API Key。
2. 在 auth-profiles.json 中新增 nvidia:default profile，写入 API Key。
3. 在 models.json 中新增 nvidia provider，BaseURL 指向 https://integrate.api.nvidia.com/v1。
4. 将 Kimi K2.5、MiniMax M2.5、GLM-5 三个模型挂在 nvidia provider 下，共用同一 API Key。
5. 同步更新 clawdbot.json，将三个模型加入 models.providers。

② 调试过程中踩过的坑

• gateway 与 pm2 进程冲突： systemd 和 pm2 同时管理导致端口 18789 反复被占。停掉 pm2 的 oc-gateway 后恢复正常，实际应由 systemd 统一管理。
• 模型 ID 路由错误： 将第三方模型（moonshotai / minimaxai / z-ai）单独拆出独立 provider 会导致 404。最终统一挂在 nvidia provider 下，OpenClaw 的正确路由格式为 nvidia/moonshotai/kimi-k2.5。
• clawdbot.json 不支持 alias 字段： 只有 agents/main/agent/models.json 支持别名，写入 clawdbot.json 会导致 config invalid，gateway 拒绝启动。
• openai-codex token 过期： 通过 openclaw configure 重走 OAuth 流程，新 token 写入 openai-codex:walker.wangw@gmail.com profile，需手动更新 lastGood 字段指向新 profile。
• Google Gemini 持续 429： 降格至 fallback 第 4 位，仅在前三层全部失败时触发。

③ 最终 Fallback 链

1. 主模型： openai-codex/gpt-5.4
2. Fallback 1： nvidia/moonshotai/kimi-k2.5
3. Fallback 2： nvidia/minimaxai/minimax-m2.5
4. Fallback 3： nvidia/z-ai/glm5
5. Fallback 4： google/gemini-3-flash-preview
6. Fallback 5： openrouter/free

用了这么久，聊聊场景的变化

OpenClaw 在国内的热度正在迅速降温，但我倒是一直在用。只是使用场景发生了一些调整，有些功能被保留，有些被主动放弃。

⏰ 定时提醒（保留）

依然在用。包括这次也顺手设了个 cron job，在 Codex token 到期前 48 小时通过 Telegram 推送提醒。

📰 新闻内容解读（保留）

目前用得最多的场景。ChatGPT 和 Gemini 经常对长文章提示"无法阅读全文"，直接把链接扔给 OpenClaw 就能完整解读，省去手动复制的麻烦。

📈 投资平台自动化（保留，逻辑调整）

通过 Telegram 推送金融信息和账户动态。决策逻辑的角色发生了根本性变化：

• 之前： 让大模型直接驱动决策。
• 现在： 大模型只负责识别意图和文字润色，所有决策策略完全由后台代码实现。
• 原因： 这样可以避免大模型因随机性产生误判，在敏感、重要的操作上保持确定性。

🃏 语言学习 / Flashcard（已移除）

这个场景被主动放弃了，原因有两层：

1. 成本问题： 用大模型记单词的 Token 消耗极高，性价比远不如用同样的额度来写代码。现在改用 RemNote 做 Flashcard，支持电脑、手机、平板多端同步，速度快，体验反而更好。
2. 准确性问题： 之前曾让 OpenClaw 大量补充知识点辅助学习，但由于每次调用的模型不完全一致，对同一知识点的观点和关注点会产生矛盾，导致前后逻辑冲突。大模型的随机性在记忆类任务上是硬伤——你永远不知道它今天的答案和上周说的是不是同一套。

小结

这次改造让我对大模型的使用边界有了更清晰的认识：它适合做加速器，不适合做权威源。 用它来解读、润色、推送是合适的；让它直接驱动决策或构建知识体系，风险就会被放大。零成本续命成功，继续跑着。