Uma semana de pesquisa para encontrar a configuração de modelo OpenClaw mais econômica e poderosa (Claude+Kimi+DeepSeek)

Na semana passada, fiz uma besteira.

Configurei o modelo padrão do OpenClaw como Claude 4.5 e o deixei refatorar um projeto Python antigo.

O resultado foi que acordei na manhã seguinte, o projeto não funcionava e a conta do OpenRouter tinha explodido. Ver aquele número doeu no coração.

Isso me fez perceber um problema: Estamos pensando nos Agentes de IA de uma maneira muito 'monolítica'?

Se você está em uma empresa com orçamento ilimitado, claro, pode ser atendido por GPT-5.3 Codex ou Claude 4.5 o tempo todo. Mas para desenvolvedores independentes, isso não é realista.

E não é necessário.

Após depurações repetidas, finalmente descobri uma configuração "Triângulo Dourado". Esse esquema reduziu meu consumo de tokens em 90%, e a eficiência do trabalho é até maior do que usando apenas o Claude.

O equívoco: Um modelo para governar todos

Muitas pessoas (incluindo eu antes) configuram o OpenClaw com apenas uma linha: "model": "anthropic/claude-4-5-sonnet"

Isso é como usar uma Ferrari para entregar comida.

Claude 4.5 é certamente inteligente, é o estado da arte atual. Mas você realmente precisa de um arquiteto com salário milionário para escrever console.log ou corrigir um bug estúpido como missing semicolon?

Não, você não precisa.

O trabalho do agente é, na verdade, hierarquizado. Alguns trabalhos exigem inteligência, outros exigem memória, e a maioria dos trabalhos só precisa de resistência.

A Arquitetura do Triângulo Dourado (The Golden Triangle)

Dividi meu OpenClaw em três papéis:

1. 🧠 O Arquiteto (The Architect): Claude 4.5

• Posicionamento: Caro, escasso, tomador de decisões.
• Responsabilidades: Design de alto nível, julgamento lógico complexo, formulação de SOP.
• Quando chamar: Quando você pergunta "Como essa funcionalidade deve ser projetada?" ou "Ajude-me a revisar as vulnerabilidades de segurança dessa lógica de autenticação".
• Estratégia de configuração: Defina-o como planner ou reviewer.

2. 📚 O Bibliotecário (The Librarian): Kimi 2.5

• Posicionamento: Memória enorme, nunca esquece.
• Responsabilidades: Ler documentos massivos, analisar toda a estrutura da base de código, ler centenas de páginas de manuais de API.
• Por que Kimi?: No campo de Contexto Longo (Long Context), Kimi ainda é o rei. Jogue dezenas de arquivos para ele, e ele poderá dizer com precisão qual variável foi definida em qual arquivo.
• Quando chamar: Quando iniciar uma tarefa, deixe-o escanear primeiro o diretório src/; ou deixe-o resumir o execution.log de ontem.

3. 👷 O Estagiário (The Intern): DeepSeek R1

• Posicionamento: Barato, obediente, resistente.
• Responsabilidades: Escrever funções específicas, corrigir bugs simples, gerar dados JSON, executar scripts de teste.
• Por que DeepSeek?: Porque é barato. Extremamente barato. Embora sua capacidade de codificação não seja tão incrível quanto a do Claude 4.5, é completamente suficiente para escrever lógica de negócios específica. O mais importante é que os Agentes costumam cair em um "loop de tentativa e erro". Nesses momentos, não dói usar o DeepSeek para rodar dez loops.
• Quando chamar: fix_error, generate_code, run_script.

Configuração prática (Show Me The Code)

No config.json do OpenClaw, configurei o roteador assim:

{
  "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: O acima é pseudocódigo, a configuração específica depende da sua versão do OpenClaw e suporte a plugins)

Qual é o efeito?

Desde que mudei para essa configuração:

1. Economia de dinheiro: Os custos diários de desenvolvimento caíram de $10 para cerca de $1. O DeepSeek assumiu 80% do consumo de tokens, mas representou apenas 10% do custo.
2. Sem confusão: Antes, o contexto era muito longo e o Claude também ficava tonto. Agora passo a tarefa de "compreensão de leitura" para o Kimi, ele resume o essencial e alimenta outros modelos, o contexto fica extremamente limpo.
3. Ousadia na tentativa e erro: Antes, ao ver um erro, eu não ousava deixar o Agente corrigir automaticamente, com medo de gastar dinheiro. Agora jogo direto para o DeepSeek: "Vá consertar, não volte se não conseguir consertar", sem nenhum peso na consciência.

Resumo

Não seja supersticioso com o "modelo mais forte". No mundo dos Agentes, não existe o mais forte, apenas o mais adequado.

• Claude é seu CTO.
• Kimi é sua biblioteca.
• DeepSeek é seu super estagiário que trabalha incansavelmente e dorme num saco de dormir no escritório.

Combine-os, e só então você terá uma verdadeira equipe.

P.S. Escrevi um script especificamente para monitorar o status da API desses três modelos e o progresso do lançamento do DeepSeek V4. Interessados podem vir ver: DeepSeekV4.app