یک هفته جستجو برای یافتن اقتصادی‌ترین و قدرتمندترین پیکربندی مدل OpenClaw (مدل‌های Claude+Kimi+DeepSeek)

هفته گذشته، کار احمقانه‌ای انجام دادم.

مدل پیش‌فرض OpenClaw را روی Claude 4.5 تنظیم کردم و سپس گذاشتم یک پروژه قدیمی پایتون را بازسازی کند.

نتیجه این شد که صبح روز بعد بیدار شدم، پروژه اجرا نشد و صورت‌حساب OpenRouter منفجر شده بود. دیدن آن رقم قلبم را به درد آورد.

این باعث شد متوجه یک مشکل شوم: آیا ما در مورد عامل‌های هوش مصنوعی بیش از حد 'تک‌بعدی' فکر می‌کنیم؟

اگر در شرکتی با بودجه نامحدود هستید، البته می‌توانید تمام مدت توسط GPT-5.3 Codex یا Claude 4.5 خدمت‌رسانی شوید. اما برای توسعه‌دهندگان مستقل، این واقع‌بینانه نیست.

و نیازی هم نیست.

پس از دیباگ مکرر، بالاخره یک پیکربندی "مثلث طلایی" پیدا کردم. این طرح مصرف توکن من را ۹۰ درصد کاهش داد و کارایی کار حتی از استفاده از Claude به تنهایی بالاتر است.

تصور غلط: یک مدل برای همه کارها

بسیاری از افراد (از جمله خودم در گذشته) OpenClaw را تنها با یک خط پیکربندی می‌کنند: "model": "anthropic/claude-4-5-sonnet"

این مثل این است که برای تحویل غذا از فراری استفاده کنید.

Claude 4.5 قطعاً باهوش است، این مدل SOTA (پیشرفته‌ترین) فعلی است. اما آیا واقعاً به یک معمار با حقوق میلیون دلاری نیاز دارید تا برای شما console.log بنویسد یا یک باگ احمقانه مثل missing semicolon را برطرف کند؟

نه، نیاز ندارید.

کار عامل‌ها در واقع لایه‌بندی شده است. برخی کارها به هوش نیاز دارند، برخی کارها به حافظه نیاز دارند و اکثر کارها فقط به استقامت نیاز دارند.

معماری مثلث طلایی (The Golden Triangle)

من OpenClaw خود را به سه نقش تقسیم کردم:

۱. 🧠 معمار (The Architect): مدل Claude 4.5

• جایگاه: گران، کمیاب، تصمیم‌گیرنده.
• مسئولیت‌ها: طراحی سطح بالا، قضاوت منطقی پیچیده، تدوین SOP.
• چه زمانی فراخوانی شود: وقتی می‌پرسید "این ویژگی چگونه باید طراحی شود؟" یا "کمکم کن آسیب‌پذیری‌های امنیتی این منطق احراز هویت را بررسی کنم".
• استراتژی پیکربندی: آن را به عنوان planner یا reviewer تنظیم کنید.

۲. 📚 کتابدار (The Librarian): مدل Kimi 2.5

• جایگاه: حافظه عظیم، هرگز فراموش نمی‌کند.
• مسئولیت‌ها: خواندن اسناد حجیم، تحلیل کل ساختار کدبیس، خواندن صدها صفحه راهنمای API.
• چرا Kimi؟: در زمینه زمینه طولانی (Long Context)، Kimi همچنان پادشاه است. ده‌ها فایل برایش بریزید، و او می‌تواند دقیقاً به شما بگوید کدام متغیر در کدام فایل تعریف شده است.
• چه زمانی فراخوانی شود: هنگام شروع یک کار، بگذارید ابتدا دایرکتوری src/ را اسکن کند؛ یا بگذارید execution.log دیروز را خلاصه کند.

۳. 👷 کارآموز (The Intern): مدل DeepSeek R1

• جایگاه: ارزان، مطیع، سخت‌کوش.
• مسئولیت‌ها: نوشتن توابع مشخص، رفع باگ‌های ساده، تولید داده‌های JSON، اجرای اسکریپت‌های تست.
• چرا DeepSeek؟: چون ارزان است. بسیار ارزان. اگرچه توانایی کدنویسی آن به اندازه Claude 4.5 شگفت‌انگیز نیست، اما برای نوشتن منطق تجاری مشخص کاملاً کافی است. مهمترین چیز این است که عامل‌ها اغلب در یک "حلقه آزمون و خطا" می‌افتند. در چنین مواقعی، استفاده از DeepSeek برای اجرای ده حلقه درد ندارد.
• چه زمانی فراخوانی شود: fix_error، generate_code، run_script.

پیکربندی عملی (Show Me The Code)

در config.json OpenClaw، من روتر را اینگونه پیکربندی کردم:

{
  "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"
      }
    ]
  }
}

(توجه: کد بالا شبه‌کد است، پیکربندی خاص به نسخه OpenClaw و پشتیبانی افزونه‌های شما بستگی دارد)

اثرش چیست؟

از زمانی که به این پیکربندی تغییر وضعیت دادم:

۱. صرفه‌جویی در هزینه: هزینه‌های توسعه روزانه از ۱۰ دلار به حدود ۱ دلار کاهش یافت. DeepSeek مسئول ۸۰ درصد مصرف توکن بود، اما تنها ۱۰ درصد هزینه را شامل می‌شد. ۲. بدون سردرگمی: قبلاً زمینه خیلی طولانی بود و Claude هم سرگیجه می‌گرفت. حالا وظیفه "درک مطلب" را به Kimi می‌سپارم، او خلاصه را جمع‌بندی می‌کند و به مدل‌های دیگر می‌دهد، زمینه بسیار تمیز است. ۳. جرأت آزمون و خطا: قبلاً با دیدن خطا، جرأت نمی‌کردم بگذارم عامل آن را به طور خودکار اصلاح کند، چون می‌ترسیدم پول هدر برود. حالا مستقیماً آن را به DeepSeek می‌اندازم: "برو درستش کن، اگر نتوانستی درستش کنی برنگرد"، بدون هیچ بار روانی.

خلاصه

خرافاتی در مورد "قوی‌ترین مدل" نباشید. در دنیای عامل‌ها، قوی‌ترین وجود ندارد، فقط مناسب‌ترین وجود دارد.

• Claude مدیر ارشد فناوری (CTO) شماست.
• Kimi کتابخانه شماست.
• DeepSeek کارآموز فوق‌العاده شماست که خستگی‌ناپذیر کار می‌کند و در کیسه خواب در شرکت می‌خوابد.

آنها را ترکیب کنید، تنها در این صورت یک تیم واقعی خواهید داشت.

پی‌نوشت: من یک اسکریپت نوشتم که وضعیت API این سه مدل و پیشرفت انتشار DeepSeek V4 را رصد می‌کند. علاقه‌مندان می‌توانند ببینند: DeepSeekV4.app