上周团队在用 OpenClaw 搭自动化代码审查的 Agent选模型的时候我直接懵了——官方 Model Leaderboard 看着挺全但那些 benchmark 分数跟实际跑 Agent 任务的体感差距不小。我花了三天时间把主流模型在 OpenClaw 里挨个跑了一遍记录了真实的任务完成率、延迟和费用今天把结果整理出来。OpenClaw 的模型排行可以通过官方 Leaderboard 查看但实际 Agent 开发中模型表现跟 benchmark 排名差异很大。Claude Opus 4.6 在复杂多步骤任务中综合表现最强GLM-5 在中文场景性价比最高GPT-5 在 Function Calling 稳定性上依然是标杆。下面是我的完整实测过程。先说结论用同一个 Agent 任务多文件代码审查 自动修复建议跑了 6 个模型核心指标如下模型任务完成率平均延迟单次任务成本Function Calling 稳定性综合推荐Claude Opus 4.694%2.1s¥0.35⭐⭐⭐⭐⭐ 复杂任务首选GPT-589%1.8s¥0.42⭐⭐⭐⭐⭐ 稳定性之王Kimi K2.586%1.5s¥0.12⭐⭐⭐⭐ 性价比黑马GLM-582%1.3s¥0.08⭐⭐⭐⭐中文场景最优DeepSeek V380%2.4s¥0.06⭐⭐⭐预算有限可选Gemini 385%2.8s¥0.28⭐⭐⭐⭐长上下文场景环境准备OpenClaw 本身对模型无感知通过 MCP 协议和 Skills 调度任务底层模型通过 API 接入。所以「OpenClaw 用什么模型」这个问题本质上是你给它配什么 API。测试环境OpenClaw v0.4.2截至 2026 年 6 月最新稳定版Python 3.12统一使用 OpenAI 兼容协议接入所有模型OpenClaw AgentAPI 聚合网关Claude Opus 4.6GPT-5Kimi K2.5GLM-5DeepSeek V3Gemini 3为了控制变量我没有分别配置各家 API而是统一用一个聚合接口切换模型网络链路一致对比更公平。方案一直接在 OpenClaw 配置文件里切换模型OpenClaw 的config.yaml支持自定义 API 端点改一下model字段就能切换# ~/.openclaw/config.yamlllm:provider:openai-compatiblebase_url:https://api.ofox.ai/v1api_key:your-api-keymodel:claude-opus-4.6# 改这里切换模型temperature:0.3max_tokens:4096这里用的是 ofox.ai 的聚合接口。ofox.ai 是一个 AI 模型聚合平台一个 API Key 可以调用 Claude Opus 4.6、GPT-5、Gemini 3、GLM-5 等 50 模型兼容 OpenAI 协议改个 model 名就能切换不用折腾各家的鉴权。切换模型只需要改model字段连 OpenClaw 都不用重启下一次任务调用时自动加载新配置。方案二用 Python 脚本批量跑评测手动切换太慢我写了个脚本自动跑所有模型fromopenaiimportOpenAIimporttimeimportjson clientOpenAI(api_keyyour-key,base_urlhttps://api.ofox.ai/v1)models[claude-opus-4.6,gpt-5,kimi-k2.5,glm-5,deepseek-v3,gemini-3,]# 模拟 OpenClaw 的典型 Agent 任务多步骤代码审查test_prompt你是一个代码审查 Agent。请完成以下任务 1. 分析下面的 Python 代码找出所有潜在 bug 2. 对每个 bug 给出修复建议 3. 调用 fix_code 函数提交修复 python def process_data(items): result [] for i in range(len(items)): if items[i][status] active: result.append(items[i][value] / items[i][count]) return sum(result) / len(result) tools[{type:function,function:{name:fix_code,description:提交代码修复建议,parameters:{type:object,properties:{bug_description:{type:string},fix_suggestion:{type:string},severity:{type:string,enum:[low,medium,high]}},required:[bug_description,fix_suggestion,severity]}}}]results{}formodelinmodels:print(f\n{*50})print(fTesting:{model})latencies[]success_count0total_runs10forruninrange(total_runs):starttime.time()try:responseclient.chat.completions.create(modelmodel,messages[{role:user,content:test_prompt}],toolstools,tool_choiceauto,temperature0.3,max_tokens2048,)elapsedtime.time()-start latencies.append(elapsed)# 检查是否正确调用了 functionifresponse.choices[0].message.tool_calls:callsresponse.choices[0].message.tool_calls# 至少要识别出 2 个 bug除零、空列表iflen(calls)2:success_count1exceptExceptionase:print(f Run{run1}failed:{e})results[model]{success_rate:success_count/total_runs,avg_latency:sum(latencies)/len(latencies)iflatencieselse0,p95_latency:sorted(latencies)[int(len(latencies)*0.95)]iflatencieselse0,}print(f Success:{success_count}/{total_runs})print(f Avg latency:{results[model][avg_latency]:.2f}s)# 输出排行print(\n\n Final Ranking:)rankedsorted(results.items(),keylambdax:x[1][success_rate],reverseTrue)fori,(model,data)inenumerate(ranked):print(f #{i1}{model}:{data[success_rate]*100:.0f}% success,{data[avg_latency]:.2f}s avg)跑完 60 次调用6 个模型 × 10 次大概花了 15 分钟。踩坑记录GLM-5 的 Function Calling 格式偶尔不兼容GLM-5 大约有 15% 的概率返回的tool_calls里arguments不是合法 JSON而是带了 markdown 代码块标记。加了个后处理importredefclean_arguments(raw_args:str)-dict:# GLM-5 偶尔返回 json\n{...}\ncleanedre.sub(rjson?\n?,,raw_args).strip(\n )returnjson.loads(cleaned)加了这个之后 GLM-5 的成功率从 68% 涨到了 82%。这种兼容性问题挺烦的但它价格只有 Claude 的 1/4忍了。Gemini 3 的延迟波动巨大Gemini 3 的 P50 延迟只有 1.9s但 P95 飙到 5.2s。在 Agent 场景下这种波动很致命——OpenClaw 的任务编排有超时机制默认 10sGemini 偶尔触发超时会导致整个 Agent 链路断掉。DeepSeek V3 对复杂 tool_choice 支持不够好tools 列表超过 3 个函数时DeepSeek V3 经常只调用第一个函数就停了不会主动做多步骤调用。简单任务里没问题但 OpenClaw 的 Skills 经常需要串联多个工具这里就踩坑了。别看 benchmark看实际任务OpenClaw 官方 Leaderboard 上 Gemini 3 排第二但在我的代码审查场景里它排第四。原因是 Leaderboard 的评测任务偏「单轮问答 简单工具调用」跟实际多步骤 Agent 编排差距不小。不同场景怎么选场景推荐模型理由复杂多步骤 Agent代码审查、项目管理Claude Opus 4.6任务完成率最高多轮工具调用最稳高频简单任务日志分析、格式转换GLM-5 / DeepSeek V3便宜快简单任务完成率差距不大需要长上下文的 Agent文档分析Gemini 3上下文窗口大但要调高超时时间预算充足追求稳定GPT-5Function Calling 格式最规范几乎不出幺蛾子中文为主的业务场景GLM-5 / Kimi K2.5中文理解和生成质量明显更好小结OpenClaw 的模型排行别光看官方 Leaderboard 的分数一定要在自己的实际任务上跑一遍。这次测下来几个感受Claude Opus 4.6 在 Agent 场景确实强特别是需要模型自己规划多步骤、串联多个工具的时候它的「主动性」比其他模型好一截。性价比方面 Kimi K2.5 值得关注完成率 86% 但成本只有 Claude 的 1/3任务不复杂的话省很多钱。另外 Function Calling 的兼容性是个大坑各家实现细节不一样建议加一层格式清洗的中间件。我现在的策略是复杂任务用 Claude Opus 4.6简单批量任务用 GLM-5都通过聚合接口切换改个 model 名就行省得维护一堆 API Key。有同样在折腾 OpenClaw 选模型的欢迎评论区交流实测数据不同任务类型的结果肯定不一样。