Неделя поисков: найдена самая экономичная и мощная конфигурация модели OpenClaw (Claude+Kimi+DeepSeek)

На прошлой неделе я сделал глупость.

Я установил модель по умолчанию для OpenClaw на Claude 4.5, а затем поручил ему рефакторинг старого проекта на Python.

В результате, проснувшись на следующее утро, я обнаружил, что проект не работает, а счет за OpenRouter просто взорвался. Смотреть на эту цифру было больно.

Это заставило меня осознать проблему: Не слишком ли 'монолитно' мы думаем об AI-агентах?

Если вы работаете в компании с неограниченным бюджетом, конечно, вас может обслуживать GPT-5.3 Codex или Claude 4.5 все время. Но для независимых разработчиков это нереально.

И в этом нет необходимости.

После многократной отладки я наконец нащупал конфигурацию "Золотой треугольник". Эта схема снизила мое потребление токенов на 90%, а эффективность работы стала даже выше, чем при использовании одного только Claude.

Заблуждение: Одна модель для всего

Многие люди (и я раньше) настраивают OpenClaw всего одной строкой: "model": "anthropic/claude-4-5-sonnet"

Это как развозить еду на Ferrari.

Claude 4.5, безусловно, умен, это текущий SOTA. Но действительно ли вам нужен архитектор с зарплатой в миллион, чтобы написать console.log или исправить глупый баг вроде missing semicolon?

Нет, не нужен.

Работа агента на самом деле многоуровневая. Некоторая работа требует интеллекта, некоторая — памяти, а большая часть работы требует просто выносливости.

Архитектура Золотого Треугольника (The Golden Triangle)

Я разделил свой OpenClaw на три роли:

1. 🧠 Архитектор (The Architect): Claude 4.5

• Позиционирование: Дорогой, редкий, принимающий решения.
• Обязанности: Проектирование верхнего уровня, сложные логические суждения, разработка SOP.
• Когда вызывать: Когда вы спрашиваете «Как спроектировать эту функцию?» или «Помоги мне проверить уязвимости безопасности этой логики аутентификации».
• Стратегия настройки: Установите его как planner или reviewer.

2. 📚 Библиотекарь (The Librarian): Kimi 2.5

• Позиционирование: Огромная память, никогда не забывает.
• Обязанности: Чтение массивных документов, анализ всей структуры кодовой базы, чтение сотен страниц мануалов API.
• Почему Kimi?: В области длинного контекста (Long Context) Kimi по-прежнему король. Бросьте ему десятки файлов, и он точно скажет вам, какая переменная была определена в каком файле.
• Когда вызывать: При запуске задачи дайте ему сначала просканировать каталог src/; или дайте ему резюмировать вчерашний execution.log.

3. 👷 Стажер (The Intern): DeepSeek R1

• Позиционирование: Дешевый, послушный, выносливый.
• Обязанности: Написание конкретных функций, исправление простых багов, генерация данных JSON, запуск тестовых скриптов.
• Почему DeepSeek?: Потому что он дешевый. Чрезвычайно дешевый. Хотя его способности к кодингу не так удивительны, как у Claude 4.5, его вполне достаточно для написания конкретной бизнес-логики. Самое главное, что агенты часто попадают в «цикл проб и ошибок». В такие моменты не жалко использовать DeepSeek для прогона десяти циклов.
• Когда вызывать: fix_error, generate_code, run_script.

Практическая конфигурация (Show Me The Code)

В config.json OpenClaw я настроил маршрутизатор так:

{
  "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"
      }
    ]
  }
}

(Примечание: выше приведен псевдокод, конкретная конфигурация зависит от вашей версии OpenClaw и поддержки плагинов)

Каков эффект?

С тех пор как я перешел на эту конфигурацию:

1. Экономия денег: Ежедневные расходы на разработку упали с $10 до примерно $1. DeepSeek взял на себя 80% потребления токенов, но составил всего 10% затрат.
2. Никакой путаницы: Раньше контекст был слишком длинным, и Claude тоже начинал путаться. Теперь я передаю задачу «понимания прочитанного» Kimi, он резюмирует суть и скармливает ее другим моделям, контекст становится чрезвычайно чистым.
3. Смелость в пробах и ошибках: Раньше, видя ошибку, я не решался позволить Агенту исправить ее автоматически, боясь потратить деньги. Теперь я бросаю это прямо DeepSeek: «Иди исправь, не возвращайся, если не сможешь исправить», без какой-либо психологической нагрузки.

Резюме

Не будьте суеверны в отношении «самой сильной модели». В мире Агентов нет самой сильной, есть только самая подходящая.

• Claude — это ваш CTO.
• Kimi — это ваша библиотека.
• DeepSeek — это ваш супер-стажер, который работает без устали и ночует в спальном мешке в офисе.

Объедините их, и только тогда у вас будет настоящая команда.

P.S. Я написал скрипт специально для мониторинга статуса API этих трех моделей и прогресса выпуска DeepSeek V4. Заинтересованные могут посмотреть здесь: DeepSeekV4.app