Una semana de búsqueda para encontrar la configuración de modelo OpenClaw más económica y potente (Claude+Kimi+DeepSeek)

La semana pasada hice una estupidez.

Configuré el modelo predeterminado de OpenClaw en Claude 4.5 y luego dejé que refactorizara un viejo proyecto de Python.

El resultado fue que me desperté a la mañana siguiente, el proyecto no funcionaba y la factura de OpenRouter se había disparado. Ver ese número me dolió.

Esto me hizo darme cuenta de un problema: ¿Estamos pensando en los Agentes de IA de una manera demasiado 'monolítica'?

Si estás en una empresa con un presupuesto ilimitado, por supuesto, puedes ser atendido por GPT-5.3 Codex o Claude 4.5 todo el tiempo. Pero para los desarrolladores independientes, esto no es realista.

Y no es necesario.

Después de depuraciones repetidas, finalmente descubrí una configuración del "Triángulo Dorado". Este esquema redujo mi consumo de tokens en un 90%, y la eficiencia del trabajo es incluso mayor que usando solo Claude.

El error: Un modelo para gobernarlos a todos

Mucha gente (incluido yo antes) configura OpenClaw con una sola línea: "model": "anthropic/claude-4-5-sonnet"

Esto es como usar un Ferrari para repartir comida.

Claude 4.5 es ciertamente inteligente, es el SOTA actual. Pero, ¿realmente necesitas un arquitecto con un salario de un millón para escribir console.log o arreglar un error estúpido como missing semicolon?

No, no lo necesitas.

El trabajo de los agentes está en realidad estratificado. Algunos trabajos requieren inteligencia, otros requieren memoria, y la mayoría de los trabajos solo necesitan resistencia.

La Arquitectura del Triángulo Dorado (The Golden Triangle)

Dividí mi OpenClaw en tres roles:

1. 🧠 El Arquitecto (The Architect): Claude 4.5

• Posicionamiento: Caro, escaso, tomador de decisiones.
• Responsabilidades: Diseño de alto nivel, juicio lógico complejo, formulación de SOP.
• Cuándo llamar: Cuando preguntas "¿Cómo debe diseñarse esta función?" o "Ayúdame a revisar las vulnerabilidades de seguridad de esta lógica de autenticación".
• Estrategia de configuración: Configúralo como planner o reviewer.

2. 📚 El Bibliotecario (The Librarian): Kimi 2.5

• Posicionamiento: Memoria enorme, nunca olvida.
• Responsabilidades: Leer documentos masivos, analizar toda la estructura de la base de código, leer cientos de páginas de manuales de API.
• ¿Por qué Kimi?: En el campo de Contexto Largo (Long Context), Kimi sigue siendo el rey. Tírale docenas de archivos y podrá decirte con precisión qué variable se definió en qué archivo.
• Cuándo llamar: Cuando inicies una tarea, deja que escanee primero el directorio src/; o deja que resuma el execution.log de ayer.

3. 👷 El Pasante (The Intern): DeepSeek R1

• Posicionamiento: Barato, obediente, resistente.
• Responsabilidades: Escribir funciones específicas, arreglar errores simples, generar datos JSON, ejecutar scripts de prueba.
• ¿Por qué DeepSeek?: Porque es barato. Extremadamente barato. Aunque su capacidad de codificación no es tan asombrosa como la de Claude 4.5, es completamente suficiente para escribir lógica de negocios específica. Lo más importante es que los agentes a menudo caen en un "bucle de prueba y error". En esos momentos, no duele usar DeepSeek para ejecutar diez bucles.
• Cuándo llamar: fix_error, generate_code, run_script.

Configuración práctica (Show Me The Code)

En el config.json de OpenClaw, configuré el enrutador así:

{
  "router": {
    "defaults": {
      "model": "deepseek/deepseek-r1"
    },
    "overrides": [
      {
        "taskType": ["planning", "reasoning", "security_audit"],
        "model": "anthropic/claude-4-5-sonnet"
      },
      {
        "taskType": ["context_reading", "summary", "search"],
        "model": "moonshot/kimi-2.5-128k"
      },
      {
        "taskType": ["coding", "debugging", "scripting"],
        "model": "deepseek/deepseek-r1"
      }
    ]
  }
}

(Nota: Lo anterior es pseudocódigo, la configuración específica depende de tu versión de OpenClaw y el soporte de complementos)

¿Cuál es el efecto?

Desde que cambié a esta configuración:

1. Ahorro de dinero: Los costos diarios de desarrollo bajaron de $10 a aproximadamente $1. DeepSeek asumió el 80% del consumo de tokens, pero solo representó el 10% del costo.
2. Sin confusión: Antes, el contexto era demasiado largo y Claude también se mareaba. Ahora le doy la tarea de "comprensión lectora" a Kimi, él resume lo esencial y se lo da a otros modelos, el contexto es extremadamente limpio.
3. Atreverse a probar y errar: Antes, al ver un error, no me atrevía a dejar que el Agente lo arreglara automáticamente, por miedo a gastar dinero. Ahora se lo tiro directamente a DeepSeek: "Ve a arreglarlo, no vuelvas si no puedes arreglarlo", sin ninguna carga psicológica.

Resumen

No seas supersticioso con el "modelo más fuerte". En el mundo de los Agentes, no hay el más fuerte, solo el más adecuado.

• Claude es tu CTO.
• Kimi es tu biblioteca.
• DeepSeek es tu súper pasante que trabaja incansablemente y duerme en un saco de dormir en la oficina.

Combínalos, y solo entonces tendrás un verdadero equipo.

P.D. Escribí un script específicamente para monitorear el estado de la API de estos tres modelos y el progreso del lanzamiento de DeepSeek V4. Los interesados pueden venir a ver: DeepSeekV4.app