首页 / 术语百科 / Model Catalog & Tiered Pricing

💰 Model Catalog & Tiered Pricing 详解

OpenClaw v2026.4.20 成本优化 生产必备 分层定价

世界上有一种目录叫Model Catalog，它不只记录模型，还记录着每个token的价格。

凌晨3点27分，我盯着生产环境的账单发呆。这个月AI成本又超了，超了整整47%。我突然意识到——我根本不知道每个请求花了多少钱，就像你不知道外卖为什么比堂食贵一样，只知道钱包在哭泣。

然后OpenClaw v2026.4.20来了，带着Model Catalog和Tiered Pricing，像王家卫电影里那个突然出现的邮差，递给我一张账单，上面写着："你每个token都花得明明白白。"

🤔 什么是 Model Catalog & Tiered Pricing？

Model Catalog（模型目录）是OpenClaw v2026.4.20引入的一个分层定价模型缓存目录。它不只告诉你"有哪些模型"，还告诉你"每个模型花多少钱"——精确到每个token。

Tiered Pricing（分层定价）则是这套系统的核心机制：它把推理分成"标准推理"和"高级推理"两个层级，每个层级有不同的定价。就像打车软件的"快车"和"专车"——都是把你送到目的地，但体验和价格不一样。

这事儿最骚的地方在于：它支持Moonshot Kimi K2.6和OpenAI GPT-5的捆绑定价。什么意思？就是你可以用Kimi处理中文，用GPT-5处理英文，系统自动帮你算总账，比你自己拿计算器按还准。

🧠 分层定价机制原理

OpenClaw的分层定价不是拍脑袋定的，它基于一个朴素的逻辑：不是所有推理都需要"高级推理"。

推理层级 适用场景 典型模型 价格系数
标准推理 (Standard) 简单问答、格式化、摘要 GPT-4o-mini, Kimi K2.6 Lite 1x（基准价）
高级推理 (Premium) 复杂推理、代码生成、多步规划 GPT-5, Kimi K2.6 Pro, o3 3-5x（基准价）

系统会根据任务的复杂度自动判断该用哪个层级。你不用手动指定——当然你也可以强制指定，就像你可以强制叫专车去楼下便利店，只是钱包会骂你。

🎯 Moonshot Kimi K2.6 + OpenAI GPT-5 捆绑定价

这是OpenClaw v2026.4.20最骚的操作：跨提供商的捆绑定价。

传统做法是：用Kimi就只算Kimi的钱，用GPT就只算GPT的钱。但OpenClaw的Model Catalog把多个提供商的模型统一管理，支持"混合计费"：

这就像你同时办了Kimi会员和GPT会员，但有一个智能管家帮你决定每次用哪个，最后给你一张合并账单。省心。

🔄 自动提供商故障切换

Model Catalog的另一个杀手锏：自动故障切换（Auto Failover）。

假设你的主力模型是GPT-5，突然OpenAI API挂了（这事发生过，2026年3月那次宕机持续了47分钟）。传统做法：你的服务也跟着挂。

有了Model Catalog：系统自动切换到备用模型（比如Kimi K2.6），用户甚至感知不到。而且——重点来了——切换后的成本差异会自动记录，不会让你月底对账时对不上。

🤖 OpenClaw 实战应用

1. 模型目录 YAML 配置示例

# model-catalog.yaml - OpenClaw Model Catalog 配置
# 定义所有可用模型及其定价层级

models:
  # 标准推理层 - 便宜快
  - id: "gpt-4o-mini"
    provider: "openai"
    tier: "standard"
    pricing:
      input_per_1k_tokens: 0.00015  # $0.15/1M tokens
      output_per_1k_tokens: 0.0006   # $0.60/1M tokens
    context_window: 128000
    capabilities: ["text", "vision"]

  - id: "kimi-k2.6-lite"
    provider: "moonshot"
    tier: "standard"
    pricing:
      input_per_1k_tokens: 0.00012  # 比GPT-4o-mini还便宜
      output_per_1k_tokens: 0.0005
    context_window: 256000
    capabilities: ["text", "long-context"]
    preferred_for: ["chinese", "long-docs"]

  # 高级推理层 - 贵但强
  - id: "gpt-5"
    provider: "openai"
    tier: "premium"
    pricing:
      input_per_1k_tokens: 0.0015   # 10x 标准层
      output_per_1k_tokens: 0.006
    context_window: 512000
    capabilities: ["text", "vision", "reasoning"]
    thinking_modes: ["low", "medium", "high"]

  - id: "kimi-k2.6-pro"
    provider: "moonshot"
    tier: "premium"
    pricing:
      input_per_1k_tokens: 0.0012
      output_per_1k_tokens: 0.005
    context_window: 1000000  # 1M context!
    capabilities: ["text", "long-context", "reasoning"]

# 路由规则 - 自动选择模型
routing:
  default_tier: "standard"  # 默认用标准层
  auto_upgrade: true        # 复杂任务自动升级到高级层
  
  rules:
    - if: "language == 'zh' && complexity < 0.7"
      use: "kimi-k2.6-lite"    # 中文简单任务用Kimi
    - if: "language == 'zh' && complexity >= 0.7"
      use: "kimi-k2.6-pro"     # 中文复杂任务用Kimi Pro
    - if: "task == 'code' || language == 'en'"
      use: "gpt-5"             # 代码/英文用GPT-5
    - if: "context_length > 200000"
      use: "kimi-k2.6-pro"     # 超长文本用Kimi（1M context）

# 故障切换配置
failover:
  enabled: true
  strategy: "price-aware"  # 优先切换到同价位模型
  fallback_order:
    - provider: "moonshot"
      models: ["kimi-k2.6-pro", "kimi-k2.6-lite"]
    - provider: "openai"
      models: ["gpt-5", "gpt-4o-mini"]

2. 成本估算代码示例

// OpenClaw Model Catalog - 成本估算示例
// 使用 catalog.estimateCost() 预测请求成本

// 1. 估算单次请求成本
const estimateRequestCost = async (task) => {
  // 获取模型目录
  const catalog = await gateway(action="catalog.get");
  
  // 分析任务特征
  const analysis = {
    language: detectLanguage(task.input),
    complexity: await estimateComplexity(task.input),
    estimated_tokens: {
      input: countTokens(task.input),
      output: estimateOutputLength(task.type) // 根据任务类型估算输出长度
    }
  };
  
  // 让Model Catalog推荐模型并估算成本
  const recommendation = await gateway(action="catalog.recommend", {
    task: analysis,
    budget: "standard"  // 可选: "standard" | "premium" | "unlimited"
  });
  
  console.log(`推荐模型: ${recommendation.model}`);
  console.log(`预估成本: $${recommendation.estimated_cost}`);
  console.log(`成本分解:`, recommendation.cost_breakdown);
  
  return recommendation;
};

// 2. 批量成本预测 - 用于预算规划
const estimateMonthlyCost = async (dailyRequests) => {
  const catalog = await gateway(action="catalog.get");
  const predictions = [];
  
  for (const req of dailyRequests) {
    const cost = await catalog.estimate({
      model: req.preferred_model,
      input_tokens: req.avg_input_tokens,
      output_tokens: req.avg_output_tokens,
      tier: req.tier
    });
    predictions.push(cost);
  }
  
  const monthlyTotal = predictions.reduce((a, b) => a + b) * 30;
  
  console.log(`月预估成本: $${monthlyTotal.toFixed(2)}`);
  console.log(`日均成本: $${(monthlyTotal / 30).toFixed(2)}`);
  
  return monthlyTotal;
};

// 3. 实时成本追踪
const trackRealTimeCost = (session) => {
  session.on('token_usage', (usage) => {
    const cost = catalog.calculateCost({
      model: usage.model,
      input_tokens: usage.input_tokens,
      output_tokens: usage.output_tokens
    });
    
    console.log(`[成本] 本次请求: $${cost.total.toFixed(4)}`);
    console.log(`[累计] 会话总花费: $${session.total_cost.toFixed(2)}`);
    
    // 超预算告警
    if (session.total_cost > session.budget) {
      console.warn(`⚠️ 会话已超预算! $${session.total_cost} > $${session.budget}`);
    }
  });
};

3. 自动故障切换配置

# OpenClaw Gateway 配置 - 自动故障切换
# 当主模型不可用时，自动切换到备用模型

gateway(action="config.patch", raw=JSON.stringify({
  model_catalog: {
    failover: {
      enabled: true,
      health_check_interval: 30000,  // 每30秒检查一次模型健康状态
      timeout_ms: 5000,               // 5秒超时视为故障
      
      // 故障切换策略
      strategy: "tier-preserving",    // 优先切换到同层级模型
      
      // 主备模型映射
      mappings: {
        "gpt-5": {
          primary: "openai/gpt-5",
          fallbacks: [
            "moonshot/kimi-k2.6-pro",  // 同层级，不同提供商
            "openai/gpt-4o",           // 降级到标准层
            "moonshot/kimi-k2.6-lite"
          ]
        },
        "kimi-k2.6-pro": {
          primary: "moonshot/kimi-k2.6-pro",
          fallbacks: [
            "openai/gpt-5",
            "openai/gpt-4o",
            "moonshot/kimi-k2.6-lite"
          ]
        }
      },
      
      // 成本保护：切换后价格差异超过此比例会告警
      cost_difference_threshold: 0.5  // 50%
    }
  }
}))

# 查看故障切换历史
gateway(action="catalog.failover.history", {
  since: "2026-05-01",
  limit: 50
})

# 手动测试故障切换
gateway(action="catalog.failover.test", {
  model: "gpt-5",
  simulate_failure: true  // 模拟主模型故障
})

💸 生产环境中控制AI成本

📊 成本控制的三个层次

1. 事前控制（预算规划）：用Model Catalog的estimateCost提前预测，设定每个session/agent的预算上限。就像出门前先看钱包，别等刷爆卡了才后悔。

2. 事中控制（实时路由）：让系统根据任务复杂度自动选择模型层级。简单任务别上GPT-5，就像去楼下买瓶水别开法拉利。

3. 事后分析（成本归因）：用catalog.getUsageReport()分析哪个agent、哪个任务类型花钱最多。找到"成本黑洞"并优化它。

成本优化实战技巧

优化手段 实现方式 预计节省
标准层优先 默认用standard tier，复杂任务才升级 40-60%
中文任务用Kimi 利用Kimi K2.6的价格优势 20-30%
长文本用Kimi Kimi 1M context比GPT-5便宜且能装更多 15-25%
缓存重复请求 对相同输入使用缓存，避免重复推理 30-50%
批量请求合并 将多个小请求合并为batch，降低overhead 10-20%

⚠️ 最佳实践与踩坑提醒

"如何控制成本"是代理运营团队头号挑战。

根据2026年AI运营调查报告，73%的团队表示"AI成本失控"是他们最大的痛点。以下是我们踩过的坑：

🕳️ 踩坑实录

✅ 最佳实践清单

📊 工具对比表格

特性 OpenClaw Tiered Pricing LangChain Pricing 手动成本追踪
分层定价支持 ✅ 原生支持（standard/premium） ⚠️ 需手动实现 ❌ 无
多提供商统一管理 ✅ Kimi + GPT + 其他统一目录 ⚠️ 部分支持 ❌ 各自为政
自动故障切换 ✅ 内置，支持成本感知 ❌ 无 ❌ 需自己写
捆绑定价 ✅ Kimi+GPT混合计费 ❌ 无 ❌ 无
实时成本估算 ✅ catalog.estimateCost() ⚠️ 需自己算 ❌ 事后才知道
成本归因分析 ✅ catalog.getUsageReport() ⚠️ 基础支持 ❌ 得自己写SQL
自动模型路由 ✅ 基于复杂度+语言+成本 ⚠️ 需自己配置 ❌ 无
配置复杂度 ⭐⭐ 简单（YAML配置） ⭐⭐⭐⭐ 复杂 ⭐⭐⭐⭐⭐ 很复杂
维护成本 ⭐ 低（自动更新定价） ⭐⭐⭐ 中（需手动更新） ⭐⭐⭐⭐⭐ 高（啥都得自己干）

结论：如果你在用OpenClaw，Model Catalog是必选项，不是可选项。手动追踪成本就像用算盘做大数据分析——不是不行，是太累了。

🔗 相关术语

📚 延伸阅读

💡 最后说一句：成本控制不是抠门，是让AI用得长久。就像健身不是要练成施瓦辛格，是要健康地活到老。Model Catalog帮你做到这一点——明明白白花钱，踏踏实实用AI。

🔗 相关推荐

📄 文章
OpenClaw 入门指南
 📄 文章
OpenClaw 完全教程
 📄 文章
OpenClaw 最佳实践
 📄 文章
OpenClaw 自动化工作流
 📄 文章
OpenClaw 配置详解