1. OpenClaw不是“另一个聊天框”它是你电脑里新长出来的手和脑我第一次用OpenClaw跑通“自动整理会议纪要→提取待办事项→生成飞书任务→同步到Notion看板”这条链路时手是抖的。不是因为技术多炫酷而是因为——它真的没卡、没崩、没胡说八道从头到尾像一个被训练了三年的助理在干活。那一刻我才明白为什么2026年开发者圈里流传一句话“LangChain是教AI写作文OpenClaw是让AI去搬砖。”OpenClaw的核心价值从来不在“它能回答什么问题”而在于“它能替你完成什么动作”。它把大模型从文本生成器硬生生拧成了一个可编程的操作系统扩展模块。你给它一句“把上周所有Git提交里的bug修复代码抽出来按模块分类生成一份PR描述草稿”它真会打开终端、调用git log、解析diff、读取代码文件、调用AST分析器最后给你吐出一份带链接、带上下文、带格式的Markdown。这不是Demo这是我在生产环境里每天跑三次的真实流水线。所以回到标题这个问题——“OpenClaw接入哪个大模型比较合适”——答案根本不是选一个“最强”的模型而是选一个“最不拖后腿”的模型。因为OpenClaw的瓶颈从来不在框架本身而在模型对“指令-执行-反馈”这个闭环的理解深度。一个在工具调用上频频幻觉的模型再大的参数量、再高的MMLU分数接进OpenClaw就是个定时炸弹它可能把rm -rf /tmp理解成“清理临时文件夹”也可能把chmod 777 config.yaml当成“给配置文件加个可爱表情”。我试过23个模型从Qwen3.5:0.5b到GPT-5.4从本地Ollama拉起的Llama3.3:8b到百炼平台上的Qwen3.5-122B。踩过的坑堆起来能当办公椅坐。比如Kimi K2.5在处理200页PDF时稳如泰山但让它执行find . -name *.log -mtime 7 -delete它会认真地告诉你“已删除所有.log文件”然后你去看磁盘发现它只是删了当前目录下的三个测试日志——剩下的97个全在子目录里它压根没递归。又比如GLM-5-Turbo中文流利得像母语者但让你“把src/main/java/com/example/下所有Service类的Service注解改成Primary”它会改得一丝不苟顺手把Transactional也一起删了理由是“看起来很像”。这些不是玄学是实打实的工程断点。OpenClaw把模型能力摊在阳光下没有任何中间层可以遮羞。所以本文不谈“谁家模型参数最大”只聊三件事工具调用能不能一次对上下文能不能记住三步之前的事系统指令能不能听懂‘别删我的家目录’这种人话这三点决定了你的自动化流程是跑通还是跑崩是省三天时间还是多花三十小时调试。关键词“大语言模型”和“开源大模型”在这里有明确分野前者是你能买到服务的云端能力后者是你能摸到显存、能改权重、能关掉网络的本地资产。OpenClaw的精妙之处就在于它同时吃透了这两条路——它既兼容OpenAI标准API让你无缝切到GPT-5.4又原生拥抱Ollama生态让你在RTX 4090上跑起Qwen3.5:27b时连量化参数都帮你预设好了。这种双轨制才是2026年真实可用的AI生产力底座。如果你现在还在用Chat界面手动复制粘贴、还在为“AI又编了个不存在的函数名”抓狂、还在怀疑是不是自己Prompt写得不够好——先别急着优化提示词。回头看看你接的模型它到底有没有能力把你的“请帮我”听成一句可执行的系统命令。这才是OpenClaw时代的第一课。2. 模型适配不是技术选型而是工程风险评估OpenClaw的模型适配逻辑本质上是一场精密的工程风险对冲。它不像传统Web开发选框架那样看文档厚度或社区热度而是要拿着放大镜逐行检查模型在四个关键环节的“失控行为概率”工具调用幻觉率、上下文衰减曲线、系统指令歧义度、多步骤规划断裂点。这四个指标直接对应着你自动化脚本的MTBF平均无故障时间。我见过太多团队花两周搭好OpenClaw流水线结果上线三天就因模型误判导致数据库被清空——不是框架有问题是选的模型在“执行rm命令”这个动作上信任度只有62%。2.1 工具调用准确率别信厂商宣传的99%要看它在OpenClaw里怎么调用你的curl工具调用准确率是OpenClaw场景下最致命的指标。很多模型在SWE-bench或ToolBench上跑出95%的高分但一接入OpenClaw就掉到70%以下。为什么因为评测集用的是标准化JSON Schema而OpenClaw面对的是你真实世界的工具一个用Python写的自定义脚本参数名是--dry-run还是--simulate一个Shell命令需要sudo还是会被Permission denied拦住一个API返回401时该重试还是该报错我实测过Claude Sonnet 4.6和GLM-5-Turbo在调用同一个backup_db.py --target /backup/20260415 --compress命令时的表现Sonnet 4.6100次调用100次正确生成完整命令字符串0次遗漏--compress0次把/backup/20260415错写成/backup/2026-04-15GLM-5-Turbo100次调用98次正确2次漏掉--compress但会主动补一句“已启用压缩模式”来掩饰Qwen3.5-Plus云端100次调用93次正确7次把路径错写成Windows风格C:\backup\20260415尽管系统明确声明是Linux环境。这个差距不是“好不好”的问题是“敢不敢放它进生产环境”的问题。Sonnet的稳定源于Anthropic在2025年专门为OpenClaw协议做了指令微调——它被反复训练过“当看到backup_db.py时必须严格匹配参数列表禁止任何创造性发挥”。而国产模型大多基于通用对话数据微调对“工具调用”这个动作缺乏敬畏心。提示别只看综合准确率。重点测试你实际要用的3-5个核心工具。拿curl -X POST https://api.example.com/v1/jobs -H Content-Type: application/json -d {task:deploy,env:prod}这种真实命令让模型生成10次调用代码统计参数顺序、引号闭合、JSON转义、URL编码的错误率。低于95%的模型建议先放在沙箱里跑一周观察。2.2 上下文窗口适配度128K不是数字是它能记住你几句话前说过“别动config.yaml”上下文窗口在OpenClaw里不是用来塞长文档的而是用来维持任务状态的“工作记忆”。一个典型的OpenClaw任务流是“读取项目README.md → 分析技术栈 → 检查package.json → 对比当前Node版本 → 生成升级方案 → 写出Dockerfile修改建议”。这六个步骤每一步的输出都是下一步的输入中间还穿插着用户临时插入的“等等先别动Dockerfile先看下CI配置”。我用PinchBench的ContextStability测试集跑过对比给模型喂入10万字符的混合文本含代码、日志、配置片段然后问它“第37段落里提到的数据库连接池大小是多少”记录其回答准确率随上下文位置的变化。Claude Opus 4.61M窗口内从第1段到第100段准确率稳定在98%-100%Kimi K2.5256K窗口内前128K准确率95%后128K跌至82%尤其在“第87段”附近出现明显断层Qwen3.5:27b本地32K窗口内准确率90%但超过后直接归零——它不是记不住是根本没加载后面的内容。这个断层直接导致OpenClaw在长任务中“失忆”。比如你让它分析一个包含50个微服务的架构图它可能前30个都分析得头头是道到第35个时突然说“这个服务没有配置监控”而实际上监控配置就在它刚读过的第12段里。这不是模型能力问题是它的注意力机制在长上下文中发生了不可逆的偏移。注意别迷信“1M”“2M”这种宣传数字。实测时用你真实业务中最长的输入比如整个git log --oneline -n 500的输出喂给模型然后随机挑3个中间commit哈希问它“这个commit的作者是谁修改了哪些文件”。连续5次答错说明该模型不适合你的长流程任务。2.3 系统指令遵循率当你说“别删我的家目录”它听懂的是“家目录”还是“删”字系统指令遵循率是OpenClaw区别于其他Agent框架的生死线。LangChain可以靠Chain拆解规避风险AutoGPT靠Plan-Execute循环兜底但OpenClaw的设计哲学是“最小干预”——它把模型输出直接当系统命令执行。这意味着模型对权限、路径、副作用的理解必须达到运维工程师的精度。我设计了一个残酷测试给模型一段Linux命令历史history | tail -20要求它“找出所有可能影响系统安全的危险操作并给出安全替代方案”。危险操作包括rm -rf /、chmod 777 /etc、dd if/dev/zero of/dev/sda等。Claude Sonnet 4.6100%识别全部危险命令100%给出rm -i、chmod go-w、dd加--dry-run等安全方案GPT-5.4识别率95%但把apt-get update apt-get upgrade -y标为“高危”理由是“可能升级内核导致重启”——这属于过度谨慎但不算错误DeepSeek V3.2识别率88%漏掉了dd命令且对chmod 777 /etc的替代方案是“改成755”没提go-w这个更安全的选项Qwen3.5:9b本地识别率72%把cp -r /home/user /backup标为“高危”理由是“可能占用大量磁盘空间”。这个测试暴露了本质差异Sonnet和GPT-5.4把“系统安全”当作一个需要权衡的工程目标而Qwen3.5:9b把它当成了一个二值判断题。OpenClaw不能容忍这种模糊——它需要模型在“执行”和“不执行”之间画出一条清晰的、符合POSIX规范的红线。2.4 多步骤规划能力它不是在思考是在编排你的Shell脚本OpenClaw的多步骤规划不是让模型“想出一个方案”而是让它“写出一个可执行的Shell脚本”。真正的考验是看它能否把“部署一个Spring Boot应用”拆解成mvn clean package -DskipTestsmkdir -p /opt/myapp/{lib,config,logs}cp target/*.jar /opt/myapp/lib/cp config/application.yml /opt/myapp/config/chmod x /opt/myapp/deploy.shsystemctl restart myapp.service我用SWE-bench的MultiStep任务集测试过要求模型生成完整的Bash脚本而非自然语言描述Claude Opus 4.6脚本生成成功率89%其中82%可直接运行7%需微调路径GLM-5-Turbo成功率85%但23%的脚本里混用了#!/bin/bash和#!/usr/bin/env zsh导致在CentOS上失败Qwen3.5-Plus成功率78%15%的脚本把systemctl写成service在新版Ubuntu上失效Llama3.3:70b本地成功率61%42%的脚本在cp命令后忘了加-r参数导致目录复制失败。这个差距决定了你的自动化是“一键部署”还是“一键灾难”。Opus的胜出不在于它更聪明而在于它的训练数据里有海量真实的DevOps脚本它学会了“当看到deploy时必须检查systemd、supervisor、docker三种启动方式”。实操心得永远用你的真实部署脚本做基线测试。把./deploy.sh的内容喂给模型让它“生成一个回滚脚本”。如果它生成的脚本里rm -rf的对象是/opt/myapp而不是/opt/myapp.bak或者没包含git checkout回退步骤——立刻换模型。这不是能力问题是工程素养问题。3. 全场景模型选型从个人开发者到企业级部署的硬核决策树选模型不是看排行榜而是画一张属于你自己的“风险-成本-能力”三维坐标图。我帮上百个团队做过OpenClaw模型选型最终沉淀出这张决策树。它不承诺“最好”只保证“不翻车”。3.1 个人开发者省钱不是目的是避免在调试上浪费生命个人开发者最大的陷阱是陷入“免费即正义”的幻觉。用豆包免费API跑OpenClaw初期确实爽——不用充钱、不用配密钥、响应快。但三个月后你会发现自己80%的时间花在重跑任务、修正幻觉、手动补全缺失步骤上。这不是模型不行是免费层的QPS限制和模型蒸馏导致的推理精度下降。我的推荐组合是“云端主力本地兜底”主力模型Claude Sonnet 4.6付费理由86.9%的综合成功率是实测天花板且价格仅为Opus的40%。$0.015/千tokens的输入成本意味着你每天跑50次自动化任务平均每次2000tokens月成本仅22.5美元。对比你节省的30小时调试时间ROI投资回报率远超任何云服务。配置要点在openclaw.json中设为primary并开启enableHotReload: true这样模型更新时无需重启服务。本地兜底Qwen3.5:9bOllama理由7.8GB显存占用RTX 3090即可流畅运行工具调用稳定虽不如Sonnet但远超免费层。关键是它能处理“绝对不能上云”的场景——比如分析你硬盘里未脱敏的客户数据、调试公司内部未公开的API。配置要点用ollama run qwen3.5:9b --quantize Q4_K_M启动量化后显存降至6.2GB延迟稳定在8.5s。注意别用“免费额度”当主力。我见过太多人用GLM-5 Free额度跑自动化结果某天额度用完OpenClaw突然开始胡说八道而他完全没设备用模型导致线上监控脚本失效12小时。永远把免费模型当“玩具”把付费模型当“生产环境”。3.2 开发者/程序员代码能力不是加分项是准入门槛对开发者而言OpenClaw的核心价值是“把重复性编码工作自动化”。这意味着模型必须在SWE-bench上拿到75%的Verified得分即生成的代码能通过单元测试且对Git、Docker、K8s等工具链有原生理解。我的实测数据表明纯代码场景下模型排序与通用能力排名截然不同模型SWE-bench VerifiedGit命令生成准确率Dockerfile生成成功率平均修复耗时DeepSeek Coder74.5%99.2%96.8%1.2分钟Qwen3-Coder-Plus72.3%98.5%95.1%1.5分钟Claude Sonnet 4.671.8%97.6%93.4%1.8分钟GPT-5.468.2%95.3%91.7%2.3分钟DeepSeek Coder胜出的关键在于它被专门喂食了GitHub上百万个真实PR的diff和review comment。它知道git revert和git reset --hard的本质区别知道Dockerfile里COPY和ADD的权限陷阱甚至能根据pom.xml里的spring-boot.version自动推导出spring-boot-maven-plugin的兼容版本。因此我的推荐是“双模驱动”主力模型DeepSeek Coder云端理由$0.003/千tokens的输入成本是Claude的1/5。在代码生成任务中它比Sonnet快1.3倍且幻觉率低12%。特别适合CI/CD流水线集成——你可以在Jenkins里加一行openclaw codegen --model deepseek/coder --task add unit test for UserService让它自动生成测试代码。本地模型DeepSeek-R1:7bOllama理由13.8GB显存支持--load-in-4bit量化后降至8.4GB对VS Code插件、IDEA的CtrlShiftA快捷键有深度适配。最关键的是它能离线分析你未push到GitHub的私有代码库且不会把你的商业逻辑泄露给任何第三方。实操心得在.openclaw/openclaw.json中为代码任务设置专用路由routing: [ { condition: taskType code || inputContains(git) || inputContains(Dockerfile), model: deepseek/coder } ]这样当用户输入“帮我写个Dockerfile”时OpenClaw会自动切到Coder模型无需手动指定。3.3 企业用户合规不是选择题是生存底线企业部署OpenClaw首要考虑的不是性能而是“数据主权”和“审计合规”。我服务过三家金融客户他们拒绝使用任何境外模型不是因为性能差而是因为《金融行业数据安全管理办法》明确规定“客户交易数据不得出境”。这时模型选型就变成一场精密的平衡术要在国产模型的能力上限、本地部署的硬件成本、以及业务连续性的SLA服务等级协议之间找交点。我的企业级推荐方案是“三明治架构”顶层Kimi K2.5云端理由256K上下文是国产模型天花板处理整本《巴塞尔协议III》或百万行核心交易系统代码毫无压力价格仅为Claude Opus的1/12且月之暗面提供金融行业定制版内置反洗钱规则库。中层Qwen3.5-122B本地集群理由阿里云官方支持提供FIPS 140-2加密认证在A100 80GB集群上70B参数模型可实现128K上下文推理延迟控制在15s内最关键的是它支持私有化部署所有token都在客户IDC内流转。底层Qwen3.5:27b边缘节点理由部署在分行、支行的本地服务器上处理柜面系统日志分析、ATM故障诊断等边缘任务7b模型经AWQ量化后可在T4 GPU上运行满足“最后一公里”实时性要求。这套架构的价值在于它把风险分散了Kimi处理高价值长文本分析Qwen122B承载核心业务逻辑Qwen27b保障边缘服务不中断。当某天Kimi API因政策调整暂停时OpenClaw会自动降级到Qwen122B业务无感切换。提示企业采购时务必确认模型供应商的《数据处理协议》DPA。我曾见过某客户签了Qwen合同结果发现条款里写着“训练数据可用于模型优化”这在GDPR和《个人信息保护法》下是重大违规。正规DPA必须明确“客户数据仅用于本次推理不存储、不复用、不共享”。3.4 特殊场景离线、高隐私、零成本的硬核方案有些场景根本不存在“选模型”的余地只有“能不能用”的问题离线工厂环境某汽车厂的产线控制系统完全物理隔离连USB口都被焊死。他们的OpenClaw只能跑在一台加固笔记本上用Qwen3.5:397bMoE本地模型。24GB显存20s延迟但它能读取PLC日志、生成维修报告、甚至用OCR识别设备铭牌——因为数据永远不出车间。医疗影像分析某三甲医院用OpenClaw自动化处理CT报告但《人类遗传资源管理条例》禁止原始影像上传云端。解决方案是在院内GPU服务器部署Qwen3.5:27b Med-PaLM 2微调版所有DICOM文件在本地解析只把脱敏后的结构化诊断结果上传。零成本教育场景某高校AI课程让学生用OpenClaw做项目但学生预算为零。我们用GLM-5 Free额度Qwen3.5:9b本地模型搭建教学沙箱所有实验在Docker容器内运行资源隔离互不干扰。这些方案的共同点是把“模型能力”让位于“部署可行性”。它们证明了一点OpenClaw的真正威力不在于它能接多强的模型而在于它能让最弱的模型在最苛刻的环境下依然可靠地完成任务。4. OpenClaw多模型配置实战从零到生产级的完整手册配置OpenClaw不是改几个JSON字段而是一场系统工程。我见过太多人照着文档改完openclaw.json结果openclaw start报错Connection refused折腾半天才发现是Ollama没监听localhost:11434。下面是我用血泪经验总结的、可直接复制粘贴的生产级配置方案。4.1 环境准备别跳过这三步否则后面全是坑第一步统一时间源OpenClaw的会话管理和缓存依赖系统时间。在Linux上执行sudo timedatectl set-ntp true sudo systemctl restart systemd-timesyncd验证timedatectl status | grep System clock显示in sync。我曾因服务器时间慢3分钟导致JWT token过期OpenClaw反复报401 Unauthorized。第二步创建独立用户别用root跑OpenClaw创建专用用户并赋予权限sudo useradd -m -s /bin/bash openclaw sudo usermod -aG docker openclaw # 如果要用Docker工具 sudo chown -R openclaw:openclaw ~/.openclaw sudo su - openclaw第三步安装Ollama本地模型必需官网脚本有时会失败用这个稳定方案# 下载二进制 curl -fsSL https://github.com/ollama/ollama/releases/download/v0.3.5/ollama-linux-amd64.tgz | sudo tar -C /usr/local/bin -xzf - # 创建systemd服务 sudo tee /etc/systemd/system/ollama.service EOF [Unit] DescriptionOllama Service Afternetwork-online.target [Service] Typesimple Useropenclaw ExecStart/usr/local/bin/ollama serve Restartalways RestartSec3 EnvironmentOLLAMA_HOST0.0.0.0:11434 [Install] WantedBydefault.target EOF sudo systemctl daemon-reload sudo systemctl enable ollama sudo systemctl start ollama验证curl http://localhost:11434/api/tags应返回空数组{models:[]}。4.2 核心配置文件openclaw.jsonJSON5格式支持注释以下是我在生产环境稳定运行6个月的完整配置已去除所有敏感信息可直接复制// // OpenClaw 生产级多模型配置 // 支持 Claude Sonnet 4.6 / GLM-5-Turbo / Qwen3.5-Plus / Qwen3.5:27b // { // 基础路径配置 workspace: ~/.openclaw/workspace, dataDir: ~/.openclaw/data, cacheDir: ~/.openclaw/cache, logLevel: info, enableHotReload: true, // 模型配置区 models: [ // -------------------------- // 1. Anthropic Claude Sonnet 4.6主力 // -------------------------- { id: anthropic/claude-3-5-sonnet-20260120, name: Claude Sonnet 4.6, baseUrl: https://api.anthropic.com/v1, apiKey: ${ANTHROPIC_API_KEY}, apiVersion: 2026-01-19, contextWindow: 200000, maxTokens: 4096, temperature: 0.3, timeout: 30000, stream: true, systemPrompt: 你是OpenClaw智能助手严格执行系统指令精准调用工具保证操作安全合规返回结构化结果。, toolCallFormat: json }, // -------------------------- // 2. 智谱GLM-5-Turbo中文主力 // -------------------------- { id: zhipu/glm-5-turbo, name: GLM-5 Turbo 极速版, baseUrl: https://open.bigmodel.cn/api/paas/v4, apiKey: ${ZHIPU_API_KEY}, contextWindow: 128000, maxTokens: 8192, temperature: 0.5, timeout: 45000, stream: true, systemPrompt: 你是OpenClaw中文极速助手快速响应、精准执行、流畅交互适合日常全场景任务。, toolCallFormat: json }, // -------------------------- // 3. 阿里云Qwen3.5-Plus云端全能 // -------------------------- { id: qwen-cloud/qwen3.5-plus, name: Qwen3.5 Plus 云端旗舰, baseUrl: https://dashscope.aliyuncs.com/compatible-mode/v1, apiKey: ${QWEN_CLOUD_API_KEY}, contextWindow: 128000, maxTokens: 8192, temperature: 0.4, timeout: 60000, stream: true, systemPrompt: 你是OpenClaw全能助手均衡支持中文、代码、工具调用、长文本处理稳定可靠。, toolCallFormat: json }, // -------------------------- // 4. Ollama Qwen3.5:27b本地主力 // -------------------------- { id: ollama/qwen3.5:27b, name: Qwen3.5:27b 本地旗舰, baseUrl: http://localhost:11434/v1, contextWindow: 32768, maxTokens: 4096, temperature: 0.2, timeout: 120000, stream: false, systemPrompt: 你是OpenClaw本地离线助手数据不出设备精准执行文件操作、代码编写、系统指令保证隐私安全。, toolCallFormat: json, quantization: Q4_K_M } ], // 主模型与路由策略 primary: anthropic/claude-3-5-sonnet-20260120, routing: [ { condition: inputTokens 50000, model: anthropic/claude-3-5-opus-20260120 }, { condition: taskType code, model: qwen-cloud/qwen3.5-plus }, { condition: language zh inputTokens 20000, model: zhipu/glm-5-turbo }, { condition: network disconnected, model: ollama/qwen3.5:27b } ], // 安全与权限 security: { policy: strict, allowedCommands: [ls, cat, grep, find, git, curl, jq], forbiddenPaths: [/root, /etc/shadow, /proc/kcore], sandbox: true }, // 性能优化 performance: { concurrency: 5, rateLimit: { requestsPerMinute: 60, burst: 10 }, cache: { enabled: true, ttl: 3600 } } }4.3 环境变量安全存储.env文件把密钥存在配置文件里是自杀行为。用.env文件管理# 创建文件 touch ~/.openclaw/.env chmod 600 ~/.openclaw/.env # 写入内容替换为你的实际密钥 echo ANTHROPIC_API_KEYsk-ant-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx ~/.openclaw/.env echo ZHIPU_API_KEYxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx ~/.openclaw/.env echo QWEN_CLOUD_API_KEYsk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx ~/.openclaw/.env4.4 启动与验证五步走通启动Ollama模型如果用本地模型ollama pull qwen3.5:27b ollama run qwen3.5:27b # 此命令会保持前台运行另开终端执行下一步启动OpenClawopenclaw start --config ~/.openclaw/openclaw.json验证模型列表openclaw models list # 应显示4个模型状态为active测试基础功能openclaw chat --model anthropic/claude-3-5-sonnet-20260120 # 输入你好能帮我列出当前目录下的所有.py文件吗 # 预期输出正确执行ls *.py并返回文件列表测试路由策略# 用长文本触发路由 echo 这是一个很长的文本...$(head -c 60000 /dev/urandom | base64) | openclaw chat --model anthropic/claude-3-5-sonnet-20260120 # 查看日志tail -f ~/.openclaw/logs/openclaw.log确认是否切换到Opus模型实操心得首次启动后务必执行openclaw tools install安装所有内置工具。我曾因跳过这步导致git工具无法调用排查了4小时才发现是工具链没装全。另外openclaw.json必须是JSON5格式支持注释用标准JSON校验器会报错这是OpenClaw的明确要求。5. 常见问题与避坑指南那些没人告诉你的真相OpenClaw的文档很薄但坑很深。下面这些是我在真实项目中踩过、修过、被客户骂过之后总结出的“血泪清单”。5.1 模型调用失败90%的问题出在HTTP头不是模型本身现象openclaw chat报错Error: Request failed with status code 400但curl直连API却正常。原因OpenClaw默认发送Content-Type: application/json但某些国产API如早期百炼要求Content-Type: application/json; charsetutf-8。更隐蔽的是Qwen3.5-Plus API要求Authorization头必须是Bearer sk-xxx而OpenClaw默认发Bearer sk-xxx注意空格但百炼API严格校验空格。解决方案在openclaw.json中为特定模型添加