刚开始玩 OpenClaw 的时候，正好赶上智谱大模型在做活动，完成实名认证即可获得 500 万 tokens。这种羊毛肯定要薅，于是我顺手完成了认证，拿到了 GLM-4.7 体验包。
时间一晃过去一个月。实际上，这段时间里我主要是用 OpenClaw 做一些部署实验，并没有真正高频使用。和我那只名叫 “小龙虾” 的助手对话次数其实并不多。但令人意外的是——500 万 tokens 就这么悄悄用完了。
如果只是偶尔测试都能消耗这么快，那以后每天都用还得了？果然 tokens 用起来如流水，要是赚钱的速度也能像 tokens 消耗得这么快就好了。
考虑到以后使用 OpenClaw 的频率可能会越来越高，看起来在通过 AI 赚到钱之前，反而要先投入一笔 tokens 成本。既然如此，何不把 OpenClaw 接入到公司自建的大模型中？
按理说这应该是一件很openclaw 部署简单的事情。公司部署的大模型提供的是 OpenAI 兼容 API，而几乎所有 AI 产品（包括 OpenClaw）都支持这种接口格式。
然而在实际操作时却遇到了一些波折。这里不得不吐槽一下某些 AI 工具：给出的配置方法完全不靠谱，按照它们的步骤尝试了好几次都没有成功。最后我直接翻阅了 OpenClaw 的官方文档，才终于把问题解决。
回头想想原因也很简单：OpenClaw 的迭代速度非常快，很多 AI 学到的还是旧版本的配置方式，并不适用于当前版本。因此，我把整个配置过程记录下来，希望能给后来者省一点时间。
其实配置的过程非常简单，只用修改 OpenClaw 的配置文件 文件，加入如下内容：
其中，baseUrl 就是自部署大模型时对外提供的 API 接口， 一般分配到个人，这个需要找负责部署的人拿到。在公司内部部署，可能不止部署一个大模型，可以在 “models” 字段以数组的形式列出。“id” 是在 OpenClaw 配置文件中用来区分大模型的，需要全局唯一，”name” 则是实际部署大模型的名称。
添加完模型之后，还需要指定 默认使用哪个模型：
这里有一个需要注意的小细节：
这个位置下面 也有一个节点，但它和前面定义模型的节点并不是同一个用途，不要混淆。
在这里主要做两件事：
默认模型通过 字段指定。
修改完成后，重启 OpenClaw：
可以通过命令查看 OpenClaw 当前加载的模型：
当然，你也可以直接问 OpenClaw：
至此，自部署大模型就配置完毕，是不是非常简单？
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/287429.html原文链接：https://javaforall.net
