OpenClaw 多模型配置与切换详解

作者：七夜zippoe日期：2026/5/2

目录

    • 热门文章推荐
    • 摘要
    • 一、引言：为什么需要多模型支持
      • 1.1 AI 模型生态的多元化现状
        • 1.2 多模型支持的核心价值
    • 二、支持的模型提供商
      • 2.1 OpenAI
        • 2.2 Anthropic（Claude）
        • 2.3 Qwen（通义千问）
        • 2.4 Ollama（本地模型）
    • 三、模型配置详解
      • 3.1 基本配置结构
        • 3.2 模型选择配置
        • 3.3 自定义提供商配置
        • 3.4 模型参数配置
    • 四、模型切换机制
      • 4.1 Default 默认模型
        • 4.2 Reasoning 推理模型
        • 4.3 Per-Session 会话级切换
        • 4.4 模型回退机制
    • 五、模型路由策略
      • 5.1 任务类型分类
        • 5.2 路由策略配置
        • 5.3 CLI 路由管理
        • 5.4 智能路由示例
    • 六、成本优化实践
      • 6.1 模型成本对比
        • 6.2 提示缓存优化
        • 6.3 分层模型策略
        • 6.4 成本监控与分析
    • 七、总结
    • 参考资料

热门文章推荐

OpenClaw 浏览器自动化实战

摘要

在现代 AI 应用开发中，单一模型已无法满足多样化的业务需求。OpenClaw 作为一款强大的 AI 智能体框架，提供了灵活的多模型配置与切换机制，支持 OpenAI、Anthropic、Qwen、Ollama 等主流模型提供商。本文将深入探讨 OpenClaw 的多模型架构设计，详细解析 openclaw.yaml 配置文件中的模型配置格式，介绍 default、reasoning、per-session 等多种模型切换机制，并分享基于任务类型的模型路由策略与成本优化实践。通过本文，读者将掌握如何在 OpenClaw 中高效管理多个 AI 模型，实现性能与成本的最佳平衡。🔧

一、引言：为什么需要多模型支持

1.1 AI 模型生态的多元化现状

随着大语言模型技术的飞速发展，AI 模型生态呈现出前所未有的多元化格局。OpenAI 的 GPT 系列、Anthropic 的 Claude 系列、阿里巴巴的通义千问（Qwen）、以及开源社区的各种模型，各有其独特的优势和应用场景。这种多元化为开发者提供了丰富的选择，同时也带来了新的挑战：如何在同一个应用中灵活地使用不同的模型？🤔

不同的模型在以下方面存在显著差异：

维度OpenAI GPTAnthropic ClaudeQwenOllama 本地模型
推理能力强极强强取决于模型
代码生成优秀优秀优秀取决于模型
中文理解良好良好优秀取决于模型
成本较高较高免费/低成本免费
隐私保护云端处理云端处理云端处理本地处理
响应速度快快快取决于硬件

1.2 多模型支持的核心价值

OpenClaw 的多模型支持架构为开发者带来了以下核心价值：

🎯 灵活选择：根据任务特点选择最合适的模型，例如使用 Claude 进行深度推理，使用 GPT 进行创意写作，使用 Qwen 处理中文任务。

💰 成本优化：通过合理配置模型路由，在保证质量的前提下降低 API 调用成本。简单任务使用低成本模型，复杂任务才使用高端模型。

🔒 隐私保护：敏感数据处理可路由至本地 Ollama 模型，确保数据不出本地环境。

⚡ 高可用性：配置模型回退机制，当主模型不可用时自动切换到备用模型，保证服务稳定性。

多模型支持的核心价值

灵活选择

任务匹配最优模型

成本优化

按需分配资源

隐私保护

敏感数据本地处理

高可用性

自动故障转移

提升整体效率

二、支持的模型提供商

OpenClaw 支持多种主流模型提供商，每种提供商都有其独特的认证方式和配置方法。下面将详细介绍各个提供商的特点和配置方式。

2.1 OpenAI

OpenAI 是 AI 领域的先驱者，其 GPT 系列模型在业界广受认可。OpenClaw 支持两种 OpenAI 认证方式：

方式 A：API 密钥认证

这是最常用的认证方式，适用于直接 API 访问和按量计费场景。开发者可以从 OpenAI 控制台获取 API 密钥。

1# 交互式设置
2openclaw onboard --auth-choice openai-api-key
3
4# 非交互式设置
5openclaw onboard --openai-api-key "$OPENAI_API_KEY"
6

方式 B：Codex 订阅认证

适用于使用 ChatGPT/Codex 订阅访问而非 API 密钥的场景。这种方式通过 OAuth 流程完成认证。

1# 运行 Codex OAuth
2openclaw onboard --auth-choice openai-codex
3
4# 或直接运行 OAuth
5openclaw models auth login --provider openai-codex
6

2.2 Anthropic（Claude）

Anthropic 的 Claude 系列模型以其出色的推理能力和安全性著称。OpenClaw 同样支持两种认证方式：

选项 A：Anthropic API 密钥

标准 API 访问方式，在 Anthropic Console 中创建 API 密钥。

1{
2  env: { ANTHROPIC_API_KEY: "sk-ant-..." },
3  agents: { defaults: { model: { primary: "anthropic/claude-opus-4-5" } } },
4}
5

选项 B：Claude setup-token

使用 Claude 订阅进行认证，setup-token 由 Claude Code CLI 创建：

1claude setup-token
2

然后在 OpenClaw 中粘贴该令牌即可完成认证。

2.3 Qwen（通义千问）

Qwen 是阿里巴巴推出的大语言模型系列，在中文理解和代码生成方面表现出色。Qwen 提供免费层 OAuth 访问，每天支持 2000 次请求。

1# 启用插件
2openclaw plugins enable qwen-portal-auth
3
4# 认证登录
5openclaw models auth login --provider qwen-portal --set-default
6

Qwen 的模型 ID 包括：

  • qwen-portal/coder-model：代码生成专用
  • qwen-portal/vision-model：视觉理解专用

2.4 Ollama（本地模型）

Ollama 是一个本地 LLM 运行时，可以轻松在本地机器上运行开源模型。OpenClaw 通过 Ollama 的 OpenAI 兼容 API 进行集成，并支持自动发现支持工具调用的模型。

1# 安装 Ollama
2# 访问 https://ollama.ai
3
4# 拉取模型
5ollama pull llama3.3
6ollama pull qwen2.5-coder:32b
7ollama pull deepseek-r1:32b
8
9# 启用 Ollama
10export OLLAMA_API_KEY="ollama-local"
11

Ollama 的优势在于：

  • 完全免费：所有模型费用为 $0
  • 隐私保护：数据不出本地
  • 灵活配置：支持各种开源模型

模型提供商认证方式

OpenAI

API Key

OAuth/Codex

Anthropic

API Key

setup-token

Qwen

OAuth 免费层

Ollama

本地无需认证

三、模型配置详解

OpenClaw 的模型配置主要通过 openclaw.yaml 或 openclaw.json5 文件完成。本节将详细解析配置文件的结构和各个配置项的含义。

3.1 基本配置结构

OpenClaw 的模型配置遵循清晰的层次结构，主要包括以下几个部分：

1{
2  // 环境变量配置
3  env: {
4    OPENAI_API_KEY: "sk-...",
5    ANTHROPIC_API_KEY: "sk-ant-...",
6  },
7  
8  // 智能体默认配置
9  agents: {
10    defaults: {
11      // 主模型配置
12      model: {
13        primary: "anthropic/claude-opus-4-5",
14        fallbacks: ["openai/gpt-5.2", "qwen-portal/coder-model"]
15      },
16      // 图像模型配置
17      imageModel: {
18        primary: "openai/gpt-4-vision"
19      },
20      // 模型白名单和别名
21      models: {
22        "anthropic/claude-opus-4-5": { alias: "Opus" },
23        "anthropic/claude-sonnet-4-5": { alias: "Sonnet" },
24        "openai/gpt-5.2": { alias: "GPT-5" }
25      }
26    }
27  },
28  
29  // 自定义提供商配置
30  models: {
31    mode: "merge",
32    providers: {
33      // 提供商详细配置
34    }
35  }
36}
37

3.2 模型选择配置

agents.defaults.model 是模型选择的核心配置项，支持以下属性：

属性类型说明示例
primarystring主要使用的模型"anthropic/claude-opus-4-5"
fallbacksarray回退模型列表["openai/gpt-5.2"]
reasoningstring推理任务专用模型"anthropic/claude-opus-4-5"

模型引用格式统一为 provider/model，例如：

  • openai/gpt-5.2
  • anthropic/claude-opus-4-5
  • qwen-portal/coder-model
  • ollama/llama3.3

3.3 自定义提供商配置

对于需要自定义端点的提供商，可以通过 models.providers 进行详细配置：

1{
2  models: {
3    mode: "merge",  // merge 或 replace
4    providers: {
5      moonshot: {
6        baseUrl: "https://api.moonshot.ai/v1",
7        apiKey: "${MOONSHOT_API_KEY}",
8        api: "openai-completions",
9        models: [
10          {
11            id: "kimi-k2.5",
12            name: "Kimi K2.5",
13            reasoning: false,
14            input: ["text"],
15            cost: { input: 0, output: 0, cacheRead: 0, cacheWrite: 0 },
16            contextWindow: 128000,
17            maxTokens: 8192
18          }
19        ]
20      },
21      lmstudio: {
22        baseUrl: "http://localhost:1234/v1",
23        apiKey: "LMSTUDIO_KEY",
24        api: "openai-completions",
25        models: [
26          {
27            id: "minimax-m2.1-gs32",
28            name: "MiniMax M2.1",
29            contextWindow: 200000,
30            maxTokens: 8192
31          }
32        ]
33      }
34    }
35  }
36}
37

上述配置展示了如何添加 Moonshot AI 和 LM Studio 作为自定义提供商。每个提供商配置包含以下关键字段：

  • baseUrl：API 端点地址
  • apiKey：认证密钥（支持环境变量引用）
  • api：API 协议类型（openai-completions 或 anthropic-messages）
  • models：该提供商支持的模型列表

3.4 模型参数配置

OpenClaw 支持为特定模型配置参数，例如 Anthropic 的提示缓存功能：

1{
2  agents: {
3    defaults: {
4      models: {
5        "anthropic/claude-opus-4-5": {
6          params: { cacheRetention: "long" }
7        }
8      }
9    }
10  }
11}
12

提示缓存配置选项：

值缓存时长描述
none无缓存禁用提示缓存
short5 分钟API 密钥认证的默认值
long1 小时扩展缓存（需要 beta 标志）

配置文件结构

openclaw.yaml

env 环境变量

agents 智能体配置

models 提供商配置

defaults.model 主模型

defaults.imageModel 图像模型

defaults.models 模型白名单

providers 自定义提供商

mode 合并模式

baseUrl 端点

apiKey 密钥

models 模型列表

四、模型切换机制

OpenClaw 提供了灵活的模型切换机制，支持多种切换方式以满足不同场景的需求。

4.1 Default 默认模型

默认模型是 OpenClaw 启动时自动加载的主模型，通过 agents.defaults.model.primary 配置：

1{
2  agents: {
3    defaults: {
4      model: { primary: "anthropic/claude-opus-4-5" }
5    }
6  }
7}
8

默认模型的选择应考虑以下因素：

  • 通用性：能够处理大多数常见任务
  • 稳定性：API 可用性高，响应稳定
  • 成本效益：在性能和成本之间取得平衡

4.2 Reasoning 推理模型

对于需要深度推理的任务，OpenClaw 支持配置专用的推理模型：

1{
2  agents: {
3    defaults: {
4      model: {
5        primary: "anthropic/claude-sonnet-4-5",
6        reasoning: "anthropic/claude-opus-4-5"
7      }
8    }
9  }
10}
11

推理模型通常具有更强的逻辑分析能力，适用于：

  • 复杂问题求解
  • 代码架构设计
  • 数据分析与洞察
  • 多步骤推理任务

4.3 Per-Session 会话级切换

OpenClaw 支持在运行时动态切换模型，无需重启服务。通过 /model 命令实现：

1# 查看可用模型
2/model
3/model list
4
5# 通过编号选择
6/model 3
7
8# 通过完整引用选择
9/model openai/gpt-5.2
10
11# 查看当前模型状态
12/model status
13

会话级切换的特点：

  • 即时生效：切换后立即使用新模型
  • 无需重启：不影响其他会话
  • 灵活便捷：根据任务需求快速调整

4.4 模型回退机制

当主模型不可用时，OpenClaw 会自动尝试回退模型列表中的模型：

1{
2  agents: {
3    defaults: {
4      model: {
5        primary: "anthropic/claude-opus-4-5",
6        fallbacks: [
7          "openai/gpt-5.2",
8          "qwen-portal/coder-model",
9          "ollama/llama3.3"
10        ]
11      }
12    }
13  }
14}
15

回退机制的触发条件：

  • API 调用失败（网络错误、服务不可用）
  • 认证过期或无效
  • 速率限制触发
  • 模型响应超时

回退模型2 回退模型1 主模型 OpenClaw 网关 用户 回退模型2 回退模型1 主模型 OpenClaw 网关 用户 alt [回退模型1成功] [回退模型1失败] alt [主模型成功] [主模型失败] 发送请求 调用主模型 返回结果 返回响应 错误响应 调用回退模型1 返回结果 返回响应 错误响应 调用回退模型2 返回结果 返回响应

五、模型路由策略

合理的模型路由策略能够在保证服务质量的同时优化成本。本节将介绍基于任务类型的模型路由最佳实践。

5.1 任务类型分类

根据任务的复杂度和特点，可以将任务分为以下几类：

任务类型特点推荐模型成本等级
简单问答单轮对话，信息检索GPT-4o-mini, Qwen低
代码生成需要编程能力Claude Sonnet, GPT-4中
深度推理复杂逻辑分析Claude Opus高
创意写作内容创作GPT-4, Claude中
数据处理结构化数据处理Claude Sonnet中
隐私敏感需要本地处理Ollama 本地模型免费

5.2 路由策略配置

以下是一个基于任务类型的模型路由配置示例：

1{
2  agents: {
3    defaults: {
4      model: {
5        // 默认使用性价比高的模型
6        primary: "anthropic/claude-sonnet-4-5",
7        
8        // 推理任务使用更强的模型
9        reasoning: "anthropic/claude-opus-4-5",
10        
11        // 回退链
12        fallbacks: [
13          "openai/gpt-5.2",
14          "qwen-portal/coder-model",
15          "ollama/llama3.3"
16        ]
17      },
18      
19      // 图像处理模型
20      imageModel: {
21        primary: "openai/gpt-4-vision",
22        fallbacks: ["qwen-portal/vision-model"]
23      },
24      
25      // 模型别名，便于切换
26      models: {
27        "anthropic/claude-opus-4-5": { alias: "Opus" },
28        "anthropic/claude-sonnet-4-5": { alias: "Sonnet" },
29        "openai/gpt-5.2": { alias: "GPT-5" },
30        "qwen-portal/coder-model": { alias: "Qwen" },
31        "ollama/llama3.3": { alias: "Local" }
32      }
33    }
34  }
35}
36

5.3 CLI 路由管理

OpenClaw 提供了丰富的 CLI 命令来管理模型路由：

1# 查看模型列表
2openclaw models list
3openclaw models list --all        # 完整目录
4openclaw models list --local      # 仅本地提供商
5openclaw models list --provider anthropic  # 按提供商筛选
6
7# 查看模型状态
8openclaw models status
9openclaw models status --check    # 自动化检查
10
11# 设置主模型
12openclaw models set anthropic/claude-opus-4-5
13
14# 管理回退模型
15openclaw models fallbacks list
16openclaw models fallbacks add openai/gpt-5.2
17openclaw models fallbacks remove openai/gpt-5.2
18openclaw models fallbacks clear
19
20# 管理模型别名
21openclaw models aliases list
22openclaw models aliases add Opus anthropic/claude-opus-4-5
23openclaw models aliases remove Opus
24

5.4 智能路由示例

以下代码展示了如何根据任务特征自动选择合适的模型：

1# 这是一个概念示例，展示模型路由的逻辑
2# 实际实现可能因 OpenClaw 版本而异
3
4def select_model_for_task(task_type, privacy_required=False):
5    """
6    根据任务类型选择合适的模型
7    
8    Args:
9        task_type: 任务类型 (simple, coding, reasoning, creative, data)
10        privacy_required: 是否需要隐私保护
11    
12    Returns:
13        推荐的模型引用
14    """
15    # 隐私敏感任务使用本地模型
16    if privacy_required:
17        return "ollama/llama3.3"
18    
19    # 根据任务类型路由
20    model_mapping = {
21        "simple": "anthropic/claude-sonnet-4-5",      # 性价比高
22        "coding": "anthropic/claude-sonnet-4-5",      # 代码能力强
23        "reasoning": "anthropic/claude-opus-4-5",     # 推理能力最强
24        "creative": "openai/gpt-5.2",                 # 创意表现好
25        "data": "anthropic/claude-sonnet-4-5"         # 数据处理稳定
26    }
27    
28    return model_mapping.get(task_type, "anthropic/claude-sonnet-4-5")
29
30
31def estimate_cost(model, input_tokens, output_tokens):
32    """
33    估算 API 调用成本
34    
35    Args:
36        model: 模型引用
37        input_tokens: 输入 token 数
38        output_tokens: 输出 token 数
39    
40    Returns:
41        预估成本（美元）
42    """
43    # 模型定价（示例，实际价格请参考官方）
44    pricing = {
45        "anthropic/claude-opus-4-5": {"input": 0.015, "output": 0.075},
46        "anthropic/claude-sonnet-4-5": {"input": 0.003, "output": 0.015},
47        "openai/gpt-5.2": {"input": 0.01, "output": 0.03},
48        "qwen-portal/coder-model": {"input": 0, "output": 0},  # 免费
49        "ollama/llama3.3": {"input": 0, "output": 0}           # 本地免费
50    }
51    
52    if model not in pricing:
53        return 0
54    
55    rates = pricing[model]
56    cost = (input_tokens * rates["input"] + output_tokens * rates["output"]) / 1000
57    return cost
58

上述代码展示了模型路由的核心逻辑：首先检查隐私需求，然后根据任务类型选择最合适的模型。成本估算函数帮助开发者在选择模型时做出经济决策。

是

否

简单问答

代码生成

深度推理

创意写作

数据处理

是

否

接收任务

隐私敏感?

路由到 Ollama 本地模型

任务类型?

Claude Sonnet

Claude Sonnet / GPT-4

Claude Opus

GPT-4 / Claude

Claude Sonnet

执行任务

执行成功?

返回结果

尝试回退模型

六、成本优化实践

在多模型环境中，成本优化是一个重要课题。本节将分享一些实用的成本优化策略。

6.1 模型成本对比

不同模型的定价差异显著，合理选择可以大幅降低成本：

模型输入价格 ($/1K tokens)输出价格 ($/1K tokens)适用场景
Claude Opus 4.5$0.015$0.075复杂推理、关键任务
Claude Sonnet 4.5$0.003$0.015日常任务、代码生成
GPT-5.2$0.010$0.030通用任务、创意写作
GPT-4o-mini$0.00015$0.0006简单任务、批量处理
Qwen Portal免费免费中文任务、代码生成
Ollama免费免费隐私敏感、离线场景

6.2 提示缓存优化

Anthropic 提供的提示缓存功能可以显著降低重复内容的处理成本：

1{
2  agents: {
3    defaults: {
4      models: {
5        "anthropic/claude-opus-4-5": {
6          params: { cacheRetention: "long" }  // 1小时缓存
7        },
8        "anthropic/claude-sonnet-4-5": {
9          params: { cacheRetention: "short" }  // 5分钟缓存
10        }
11      }
12    }
13  }
14}
15

缓存优化的效果：

  • 系统提示：缓存后无需重复计费
  • 长上下文：文档分析场景节省 80%+ 成本
  • 多轮对话：历史消息缓存减少重复处理

6.3 分层模型策略

采用分层策略，根据任务重要性选择不同级别的模型：

1{
2  agents: {
3    // 主智能体：处理重要任务
4    defaults: {
5      model: { primary: "anthropic/claude-opus-4-5" }
6    },
7    
8    // 子智能体列表：处理不同优先级任务
9    list: [
10      {
11        id: "quick-helper",
12        model: { primary: "anthropic/claude-sonnet-4-5" },
13        description: "快速响应日常问题"
14      },
15      {
16        id: "code-assistant",
17        model: { primary: "qwen-portal/coder-model" },
18        description: "代码生成与审查"
19      },
20      {
21        id: "private-processor",
22        model: { primary: "ollama/llama3.3" },
23        description: "处理隐私敏感数据"
24      }
25    ]
26  }
27}
28

6.4 成本监控与分析

OpenClaw 提供了模型状态监控功能，帮助追踪使用情况：

1# 查看模型状态和认证信息
2openclaw models status
3
4# JSON 格式输出，便于分析
5openclaw models status --json
6
7# 自动化检查（缺失/过期时退出码非0）
8openclaw models status --check
9

建议的成本监控实践：

  1. 定期审查：每周检查模型使用分布
  2. 设置预算：为不同项目设置 API 调用预算
  3. 优化提示：精简提示词，减少不必要的 token 消耗
  4. 使用缓存：充分利用提示缓存功能
  5. 选择合适模型：简单任务使用轻量模型

40% 20% 15% 15% 10% 模型成本分配建议 Claude Sonnet (日常任务) Claude Opus (关键推理) GPT-4o-mini (批量处理) Qwen (中文任务) Ollama (隐私敏感)

七、总结

OpenClaw 的多模型配置与切换机制为现代 AI 应用开发提供了强大而灵活的解决方案。通过本文的详细介绍，我们深入了解了以下核心内容：

🎯 多模型支持的价值：在 AI 模型生态日益多元化的今天，单一模型已无法满足所有需求。OpenClaw 的多模型架构让开发者能够根据任务特点灵活选择最合适的模型，在性能、成本和隐私之间取得最佳平衡。

🔧 丰富的提供商支持：OpenClaw 支持主流模型提供商，包括 OpenAI（API 和 Codex 订阅）、Anthropic（API 和 setup-token）、Qwen（免费 OAuth）以及 Ollama（本地模型）。每种提供商都有其独特的认证方式和配置方法，满足不同场景的需求。

⚙️ 灵活的配置体系：通过 openclaw.yaml 配置文件，开发者可以精细控制模型选择、回退机制、参数设置等各个方面。配置结构清晰，支持环境变量引用、模型别名、自定义提供商等高级功能。

🔄 多样的切换机制：Default 默认模型、Reasoning 推理模型、Per-Session 会话级切换，以及自动回退机制，构成了完整的模型切换体系。无论是静态配置还是动态调整，OpenClaw 都能优雅应对。

📊 智能路由策略：基于任务类型的模型路由策略，结合成本优化实践，帮助开发者在保证服务质量的同时有效控制成本。提示缓存、分层模型策略、成本监控等手段，进一步提升了资源利用效率。

展望未来，随着 AI 模型技术的持续发展，OpenClaw 的多模型架构将继续演进，支持更多新兴模型提供商，提供更智能的路由算法，助力开发者构建更强大的 AI 应用。无论是个人开发者还是企业团队，都能从 OpenClaw 的多模型支持中受益，专注于业务创新，而非基础设施的复杂性。🚀

参考资料

  1. OpenClaw 官方文档 - 模型提供商：https://docs.openclaw.ai/providers/
  2. OpenClaw 官方文档 - 模型配置：https://docs.openclaw.ai/providers/models/
  3. OpenClaw 官方文档 - OpenAI 配置：https://docs.openclaw.ai/providers/openai/
  4. OpenClaw 官方文档 - Anthropic 配置：https://docs.openclaw.ai/providers/anthropic/
  5. OpenClaw 官方文档 - Qwen 配置：https://docs.openclaw.ai/providers/qwen/
  6. OpenClaw 官方文档 - Ollama 配置：https://docs.openclaw.ai/providers/ollama/
  7. OpenClaw 官方文档 - 模型提供商概念：https://docs.openclaw.ai/concepts/model-providers/
  8. OpenClaw 官方文档 - 模型 CLI：https://docs.openclaw.ai/concepts/models/
  9. Ollama 官方网站：https://ollama.ai
  10. Anthropic 官方文档：https://docs.anthropic.com

《OpenClaw 多模型配置与切换详解》 是转载文章，点击查看原文。

上一篇：03ab-PyTorch安装教程 📚

下一篇：🚀 2026 年 4 月 GitHub 十大热门项目排行榜 🔥

相关推荐

树莓派4b + USRP B210 搭建反无人机（反无）系统（ HTML + CDN ）
MC数据局2026/4/23

brainstorming: 硬件能力分析 1. USRP B210 的能力边界 参数规格对反无系统的意义频率范围70 MHz – 6 GHz✅ 覆盖无人机主流频段（2.4G / 5.8G / 915M / 433M）瞬时带宽最大 56 MHz（USB 3.0）✅ 可一次看完整个 2.4G ISM 频段（83.5 MHz）虽勉强但可用通道数2×2 MIMO✅ 可做双天线测向（干涉/相位差）ADC12-bit灵敏度够用接口USB 3.0⚠️ 树莓派的瓶颈在这里 2. 树莓派的瓶颈（⚠️ 关

Flink技术实践-FlinkSQL Join技术全解
大大大大晴天️2026/4/15

一、背景介绍 在离线批处理场景中，编写一个 Join SQL 是再平常不过的操作——两张有限的数据集，在某个键上关联，输出结果。但当你把这套 SQL 语义移植到实时流处理场景时，一切都变了。 特性批处理 Join流处理 Join数据特征有限、静态、全量数据集无限、动态、无界数据流执行模式一次性全量匹配，结果固定持续计算，结果随新数据实时更新状态管理无需长期状态，计算完成即释放必须维护历史状态以匹配未来数据时间维度无时间概念，基于完整数据集强依赖事件时间 / 处理时间处理乱序与延迟计算成本可预

当代码不再为人而写：Claude Code 零注释背后的 Harness 逻辑
mCell2026/4/7

前几天 Claude Code 因为 sourcemap 没关，导致源码被公开。这件事在技术圈引起的讨论密度很高，因为这种真正跑在生产环境里的闭源通用 Agent 产品，它的内部实现本身就是一份高价值的学习材料。 我看了一些解析文章。有讲它设计模式的，有分析它安全边界的，也有拆解 Prompt 架构的。 但有一个细节我反复确认了一下： Claude Code 内部要求，不要写任何注释。 第一反应是反直觉。 注释难道不是为了理解代码吗？我从写代码以来接受的教育就是：复杂逻辑要写注释，接口参数要写注

C# 基于OpenCv的视觉工作流-章43-轮廓匹配
sali-tec2026/3/29

C# 基于OpenCv的视觉工作流-章43-轮廓匹配 本章目标： 一、匹配原理； 二、模板创建； 三、模板匹配； 本章与章41模板匹配基本相似，在章42基础上，先对图像进行边缘检测，提取轮廓，以轮廓制作模板，匹配时也先对原图进行边缘检测，提取轮廓，最后再进行匹配。整体不同处在于先对图像进行预处理，好处在于匹配适应性更高，对光线明暗不同的图像也能进行更好的匹配。 一、匹配原理 章41已介绍，不再详述； 二、模板创建 边缘检测、轮廓提取在前文章节已介绍，不再详述； 三、模板匹配 参考章42；

OpenCodeUI 让你随时随地 AI Coding
三金得鑫2026/3/21

Hi，大家好，我是三金～ 自从用了 OpenCode + OMO 之后，写起代码来如沐春风，特别得劲！（除了比较烧 token） 但是 TUI 用久了之后吧，又有了一点别的想法： 能不能远程链接？让我随时随地都能 AI Coding。 Web 界面要“看着顺眼、点起来顺手” 所以当我在 L 站看到有佬友开源 OpenCodeUI 的时候，第一反应就是：许愿许成功了？ OpenCodeUI 是 OpenCode 的第三方 Web 前端界面。它和 OpenCode 的客户端有点像，整体风格偏简约

电商企微机器人：从自动欢迎语到订单转化，打造私域闭环
2501_941982052026/3/13

能力介绍 电商私域机器人不仅是客服工具，更是 24 小时在线的虚拟导购。通过 API 联动电商平台的商品库与促销引擎，机器人可以根据用户的咨询轨迹自动发送商品卡片、优惠券及限时秒杀信息。它支持精准的关键词触发与定时任务，帮助企业在不增加人工成本的前提下，提升私域社群的活跃度与复购率。 10分钟接入 Demo 首句自动响应：配置好友申请回调，用户通过后秒级发送包含“新人礼包”的欢迎语。 关键词转单：设置机器人监控特定关键词（如“怎么买”、“多少钱”），自动回复带参数的商品小程序路径。

redis stream用作消息队列极速入门
ChesterZhang2026/3/5

背景 最近做了几个需求都用了redis stream用作消息队列，感觉redis stream相当大轻量化，易于上手，且功能强大，为此特意实现了了一个极简但实用的 redis stream 的示例 redis stream 的三个概念 stream, consumer group , consumer 要想学会如何使用 redis stream, 最重要的就是理解 stream, consumer group , consumer 三者的关系。 简单来说： stream 为消息流, 类似于传

React Native 开发环境准备
zh_xuan2026/2/24

一、环境准备 我的环境： 二、建立独立RN工程 1、初始化创建工程 npx react-native init RNApp --version 0.73.4 --skip-install 这个命令提示： ��️ The `init` command is deprecated. E:\android\projects\RNDemo4>cd RNApp - Switch to npx @react-native-community/cli init f

【C++】模拟实现 红黑树(RBTree)
yuuki2332332026/2/16

前言： 在掌握 AVL 树的严格平衡机制后，我们发现其虽能将树高严格控制在 O(logN)，但「高度差≤1」的强约束也带来了明显代价：插入 / 删除操作中频繁的旋转（最多两次双旋）大幅增加了写操作的开销，且每个节点需额外存储平衡因子和父指针，空间利用率较低。 为解决这一问题，红黑树（Red-Black Tree）作为一种近似平衡的二叉搜索树应运而生 —— 它放弃了 AVL 树 “严格平衡” 的要求，转而通过「节点颜色标记 + 5 条核心规则」实现 “黑高一致” 的弱平衡，将任意根到叶子的路径

Git常用操作指令
stu_kk2026/2/7

最近给公司小伙伴安排了一下git培训，写了个常用指令，记录一下 一、配置与初始化（首次使用/新建仓库） 指令 功能说明 git config --global user.name "你的姓名" 配置全局用户名（会显示在提交记录中） git config --global user.email "你的公司邮箱" 配置全局用户邮箱 `git config --list 查看配置

上一篇：03ab-PyTorch安装教程 📚

下一篇：🚀 2026 年 4 月 GitHub 十大热门项目排行榜 🔥

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 XYZ博客