一时玩虾一时爽，省钱玩虾一直爽！

一时玩虾一时爽，一直玩虾一直爽。直到Token烧尽，钱包空空如也。感觉打工牛马养了一个活爹。

图片

接下来，我们谈谈如何让OpenClaw 省钱。

mermaid diagram

01

本地部署大模型

目前，最理想的方案就是本地部署大模型。然后让OpenClaw去访问本地模型接口。从而实现真正“零费用”，适用于生产环境不能联网、保密性较高的场景。但是，前期对硬件的要求是非常高的，尤其是对显卡的要求！。

图片

01 本地部署方案 Ollama

Ollama 是目前对新手最友好的本地部署工具，支持一条命令完成安装，全程几乎零门槛。

图片

下载和安装非常简单，支持一条命令安装。

●●●code
irm https://ollama.ac.cn/install.ps1 | iex

图片

安装完成后，可以在控制面板，根据自己电脑性能自行下载模型。

图片

模型部署完成后，在OpenClaw中执行龙虾配置项。

●●●code
openclaw config

选择model-custom provider 配置API连接。

ID为模型的名字

ID为模型的名字

当然，如果你部署了在线API 你可以将接口信息发送给龙虾。让他自己配置！

完成后，重启openclaw即可！

02 本地部署方案 vLLM

vLLM 是一款高性能、易上手的大语言模型推理与部署库，核心优势是推理速度更快、显存利用率更高，更适合有一定技术基础、追求极致运行效率的用户。

图片

由于受限于本地测试环境，这里不展开详细的部署步骤，有硬件条件、有技术基础的朋友，可以参考官方文档尝试部署，体验会比基础部署方案更出色。

mermaid diagram

02

多配置Skills

如果，我们硬件确实比较拉。只能想办法让“龙虾”多做事、少思考、通过提前配置Skill，让它知道这件事怎么做？而不是做每件事都是各种思考，造成不必要的Token消耗。

同时，由于龙虾“记性”不高。今天做的事，明天就忘记怎么做了。因此凡是都是各种思考，然后是各种尝试。最终导致Token大量的消耗。

因此，我们可以先在本地编写相关脚本，通过Skill.md文件详细说明该怎样做？

这里，我们通过分析公众号文章为例。先通过Python编写对应的分析脚本，并通过MD文件说明具体的事项和步骤。

说给龙虾怎样做

说给龙虾怎样做

减少不必要的思考和操作， 避免造成大量Token消耗。

用时3分钟内便能完成任务

用时3分钟内便能完成任务

数据分析效果

图片

mermaid diagram

03

总结

以上方案，各有优缺。当然，OpenClaw 的省钱玩法不止于此。如果你还有更好的方案，可以留言区告诉大家！

更多精彩文章 欢迎关注我们