Menghabiskan Seminggu Mencari Konfigurasi Model OpenClaw Paling Hemat dan Kuat (Claude+Kimi+DeepSeek)

Minggu lalu, saya melakukan hal bodoh.

Saya mengatur model default OpenClaw ke Claude 4.5, dan kemudian membiarkannya memfaktorkan ulang (refactor) proyek Python lama.

Hasilnya adalah, saya bangun keesokan paginya, proyeknya tidak berjalan, dan tagihan OpenRouter meledak. Melihat angka itu membuat hati saya sakit.

Ini membuat saya menyadari satu masalah: Apakah kita berpikir tentang Agen AI terlalu 'monolitik'?

Jika Anda berada di perusahaan dengan anggaran tidak terbatas, tentu saja, Anda dapat dilayani oleh GPT-5.3 Codex atau Claude 4.5 sepanjang waktu. Namun bagi pengembang independen, ini tidak realistis.

Dan, itu tidak perlu.

Setelah debugging berulang kali, saya akhirnya menemukan konfigurasi "Segitiga Emas". Skema ini mengurangi konsumsi Token saya hingga 90%, dan efisiensi kerja bahkan lebih tinggi daripada menggunakan Claude saja.

Kesalahpahaman: Satu Model untuk Menguasai Semuanya

Banyak orang (termasuk saya sebelumnya) mengonfigurasi OpenClaw hanya dengan satu baris: "model": "anthropic/claude-4-5-sonnet"

Ini seperti menggunakan Ferrari untuk mengantar makanan.

Claude 4.5 memang cerdas, ini adalah SOTA saat ini. Tapi apakah Anda benar-benar membutuhkan arsitek bergaji jutaan dolar untuk menulis console.log untuk Anda atau memperbaiki bug bodoh seperti missing semicolon?

Tidak, Anda tidak membutuhkannya.

Pekerjaan agen sebenarnya berlapis. Beberapa pekerjaan membutuhkan kecerdasan, beberapa pekerjaan membutuhkan ingatan, dan sebagian besar pekerjaan hanya membutuhkan ketahanan.

Arsitektur Segitiga Emas (The Golden Triangle)

Saya membagi OpenClaw saya menjadi tiga peran:

1. 🧠 Arsitek (The Architect): Claude 4.5

• Positioning: Mahal, langka, pembuat keputusan.
• Tanggung Jawab: Desain tingkat atas, penilaian logis yang kompleks, merumuskan SOP.
• Kapan harus memanggil: Ketika Anda bertanya "Bagaimana fitur ini harus dirancang?" atau "Bantu saya meninjau kerentanan keamanan dari logika otentikasi ini".
• Strategi konfigurasi: Tetapkan sebagai planner atau reviewer.

2. 📚 Pustakawan (The Librarian): Kimi 2.5

• Positioning: Memori besar, tidak pernah lupa.
• Tanggung Jawab: Membaca dokumen besar, menganalisis seluruh struktur basis kode, membaca ratusan halaman manual API.
• Mengapa Kimi?: Di bidang Konteks Panjang (Long Context), Kimi masih menjadi rajanya. Berikan lusinan file, dan dia dapat memberi tahu Anda dengan tepat variabel mana yang didefinisikan dalam file mana.
• Kapan harus memanggil: Saat Anda memulai tugas, biarkan dia memindai direktori src/ terlebih dahulu; atau biarkan dia meringkas execution.log kemarin.

3. 👷 Magang (The Intern): DeepSeek R1

• Positioning: Murah, patuh, tahan lama.
• Tanggung Jawab: Menulis fungsi tertentu, memperbaiki bug sederhana, menghasilkan data JSON, menjalankan skrip pengujian.
• Mengapa DeepSeek?: Karena murah. Sangat murah. Meskipun kemampuan Coding-nya tidak menakjubkan Claude 4.5, itu benar-benar cukup untuk menulis logika bisnis tertentu. Yang paling penting adalah Agen sering jatuh ke dalam "loop trial and error". Pada saat-saat seperti itu, tidak ada salahnya menggunakan DeepSeek untuk menjalankan sepuluh loop.
• Kapan harus memanggil: fix_error, generate_code, run_script.

Konfigurasi Praktis (Show Me The Code)

Di config.json OpenClaw, saya mengonfigurasi router seperti ini:

{
  "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"
      }
    ]
  }
}

(Catatan: Kode di atas adalah kode semu, konfigurasi spesifik tergantung pada versi OpenClaw dan dukungan plugin Anda)

Bagaimana Efeknya?

Sejak beralih ke konfigurasi ini:

1. Hemat Uang: Biaya pengembangan harian turun dari $10 menjadi sekitar $1. DeepSeek menanggung 80% konsumsi Token, tetapi hanya menyumbang 10% dari biaya.
2. Tidak Ada Kebingungan: Dulu, konteksnya terlalu panjang, dan Claude juga akan pusing. Sekarang saya menyerahkan tugas "pemahaman membaca" kepada Kimi, dia merangkum intinya dan memberikannya ke model lain, konteksnya sangat bersih.
3. Berani Trial and Error: Dulu, melihat kesalahan, saya tidak berani membiarkan Agen memperbaikinya secara otomatis, takut membuang-buang uang. Sekarang saya membuangnya langsung ke DeepSeek: "Perbaiki, jangan kembali jika kamu tidak bisa memperbaikinya", tanpa beban psikologis apa pun.

Ringkasan

Jangan percaya takhayul tentang "model terkuat". Di dunia Agen, tidak ada yang terkuat, hanya yang paling cocok.

• Claude adalah CTO Anda.
• Kimi adalah perpustakaan Anda.
• DeepSeek adalah magang super Anda yang bekerja tanpa lelah dan tidur di kantong tidur di kantor.

Gabungkan mereka, dan baru setelah itu Anda memiliki tim yang nyata.

P.S. Saya menulis skrip khusus untuk memantau status API dari ketiga model ini dan kemajuan rilis DeepSeek V4. Yang berminat silakan datang untuk melihat: DeepSeekV4.app