OpenClaw使用感受

這篇其實算是有感而發，我用OpenClaw差不多1個多月了，最直接的感受就是安裝終於變簡單了，但隨著架構越來越複雜，龍蝦的腦隨即也需要越來越好的模型來帶。

先說說我的配置，我的方式是Ubuntu中開一個VM專門給龍蝦用，VM的配置是

白話文就是VM配置為 4核心 16GB 256GB，目前龍蝦腦接的是OpenAI Codex GPT 5.4

我主要用來做什麼呢？

管理行程/Email這種事我是絕對用不到的，因為我沒有那麼多事情可以管(生活相對單純)，email裡面也都是認證信, 垃圾信

我其實主要還是拿來做一些side project，驗證一些自己的想法看看能不能落地。用手機隨時監視進度跟下命令真是太爽了。

在模型上我走過的彎路，因為架構與上下文的關係，龍蝦很吃Token，大概每個人都沒想到這一點，高級Token真的是爆炸貴加上Gemini oAuth (AI Plus方案)被 google 封起來後真的是．．．跟龍蝦協作聊天比上酒店還貴。

Gemini oAuth這條路我就不說了(因為也用不了了，剛開始真的爽用)

自從這條路被封了之後，我開始使用OpenRouter API搭配Gemini Cli，剛開始的時候還好，我的用法大致上是OpenRouter選相對便宜一些的模型，做了幾個Gemini Cli Skill，讓Agent寫代碼的時候直接使用Gemini Cli，這樣緩解了一些token費用焦慮。

但是，用便宜模型(MinMax, Kimi, gemini flash, gpt-mini)當作大腦，隨即而來所帶來的問題就是, 因為模型本身考慮的不周到，當發出任務給Sub Agent時Sub Agent回報的成果很不穩定，整個行為變回了幾年前那種，AI為了完成任務敷衍了事的狀態，比如說我的流程通常是，SubAgent調用 Gemini Cli 做一個骨架(裡面都是mock)流程驗證通過後，然後再用Gemini Cli每一個mock去補實際邏輯，在高級模型的狀況下這套流程很完美（如Gemini 3 Pro，GPT 5.2-4），在便宜模型下則錯誤百出，為了驗證通過太常出現修修補補，邏輯跳過，維持Mock等等的問題，做的非常非常的敷衍，這跟以前AI會搞錯目的一樣(目的變成跑通流程而非把程式做好)，讓我debug的非常非常非常之痛苦(因為這跟以前用IDE協作不一樣，用龍蝦這種黑箱你幾乎只能相信他)即便是便宜模型Token的費用也沒有比較少，反而變成Token錢花了時間花了，但沒有達成想要的結果。

最後我解決的方式是，一律使用高級模型，我現在的處理方式是，直接訂閱Chat GPT商業方案，兩個帳號版本。Codex額度是分開算的而且比Plus多。

目前運作算是良好。所以奉勸用龍蝦的人，請不要覺得高級頂級模型可惜，他真的可以幫你省下很多很多的時間與費用。

Agent 系統的成本 其實不是 單次推理成本，如果混在一起看你就糟了，這才是真正的成本算法

總成本 =（模型品質 × 任務成功率）+（錯誤修復成本 × 迭代次數）