openclaw多模型配置支持任务级动态切换模型，单模型配置则全程固定使用同一模型；前者需启用multi_model_routing并定义带routing_rule的多个模型节点，后者仅依赖default_llm字段，且在docker、进程、api三种模式下分别影响容器数量、并发能力与集群依赖。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
OpenClaw多模型配置和单模型配置的区别在于：前者允许Agent在一次任务中动态切换不同大模型处理不同子任务，后者强制全程使用同一模型完成全部推理——这直接影响上下文管理策略、工具调用链路和错误恢复机制。
多模型配置的运行逻辑
第一步：在agent_config.yaml中启用multi_model_routing开关，并定义至少两个模型节点，每个节点需明确model_type（如gpt-4o或claude-3.5-sonnet）和routing_rule（正则匹配关键词）。
第二步：当用户输入触发多个子任务时（例如“先查GitHub PR状态，再写单元测试，最后生成README”），Controller会按顺序将每个子任务路由至匹配度最高的模型节点。注意：【路由规则不支持嵌套条件，若正则冲突会导致首个匹配项生效】。
第三步：每个模型节点独立维护自己的Condenser管道，但共享同一个EventStream和SessionService——这意味着浏览器观测折叠策略可不同，但事件ID全局递增且不可重复。
单模型配置的硬约束
直接删除multi_model_routing字段，或将其设为false，系统自动降级为单模型模式。
此时所有Action都经由default_llm字段指定的唯一模型处理，Condenser压缩策略被锁定为该模型的上下文窗口上限值（例如GPT-4 Turbo固定为128K tokens）。
这一步操作起来很简单，直接把文件拖进去就行。但要注意：如果任务中包含需要高精度代码生成+低延迟网页交互的混合场景，单模型配置会因无法针对性优化而出现超时失败。
两种配置对Runtime的影响
方法一：Docker沙箱模式下，多模型配置会为每个模型节点启动独立的LiteLLM代理容器，端口由llm_port_offset参数偏移分配；单模型配置只启动一个代理容器。
方法二：本地进程模式下，多模型配置强制启用Python multiprocessing，每个模型运行在独立子进程中；单模型配置复用主线程，内存占用降低约40%但无并发能力。
方法三：远程API模式下，多模型配置要求所有模型必须注册在同一MCP服务集群内，且model_id需全局唯一；单模型配置可直连任意公开API端点，无需集群协调。
