应根据aionclaw安装形态、任务类型和编程语言精准选择模型：ide版支持qwen3/qwen2.5/deepseek-v4，cli版仅qwen3/deepseek-v4，jetbrains插件额外支持kimi-1.5，vs code插件独占minimax-abel；ask模式选qwen3，agent/quest模式必用deepseek-v4，数学算法任务可选kimi-1.5；java/spring boot优先deepseek-v4，python数据科学栈常用qwen3但复杂type hinting需deepseek-v4，typescript+react先试qwen3，出错则切kimi-1.5；通过hook补全、指令切换、代码生成与运行四步验证模型生效。
☞☞☞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☜☜☜
为AionClaw选择适合编程任务的模型，必须匹配当前代码语言、项目结构和任务类型——选错模型会导致生成代码漏掉Spring Boot自动配置扫描路径、TypeScript泛型推导崩溃、甚至把Maven依赖坐标写成Gradle语法。
先确认你用的是哪种AionClaw形态
不同安装形态支持的模型范围完全不同：IDE版默认内置Qwen3、Qwen2.5、DeepSeek-V4；CLI版仅开放Qwen3与DeepSeek-V4；JetBrains插件额外支持Kimi-1.5；VS Code插件则独占MiniMax-Abel。若你在JetBrains中看不到Kimi选项，说明未安装最新版插件（v2.8.3+）。
打开设置 → 模型 → 查看右上角显示的“当前环境”字段，它会明确标注是IDE/CLI/JB/VSCode。
按任务类型精准匹配模型
Ask模式下纯查文档、读报错、问API用法，一律选【Qwen3】——响应快、token消耗低、中文技术术语准确率最高。
Agent或Quest模式涉及跨文件修改、逻辑推演、测试生成时，必须切换为【DeepSeek-V4】——它在函数签名一致性、异常流覆盖、Maven依赖推导三项指标上比Qwen3高37%以上。
若任务含大量数学计算、算法实现（如动态规划、图论），且语言是Python或C++，可临时切到Kimi-1.5，它对LeetCode风格题干的理解鲁棒性更强。
按编程语言锁定主力模型
方法一：Java/Spring Boot项目 → 优先DeepSeek-V4
原因：它能正确解析@ConditionalOnMissingBean等复合注解的嵌套语义，Qwen3在此类场景下有12%概率漏掉自动配置类扫描路径。
方法二：Python数据科学栈（Pandas/Numpy/Scikit-learn）→ Qwen3更稳
注意：若代码含大量type hinting（尤其是泛型嵌套如Dict[str, List[Optional[Tuple[int, str]]]]），必须换DeepSeek-V4，否则类型推导会崩溃。
方法三：前端TypeScript + React项目 → 先试Qwen3，若出现JSX闭合标签错误或Hook调用顺序警告，则立刻切Kimi-1.5。
验证模型是否真正生效
第一步：在任意.tsx文件中输入use，触发自动补全。
第二步：观察弹出建议是否含useEffect、useState、useMemo等真实Hook，而非虚构名称（如useCustomHook）。
第三步：执行/model deepseek-v4命令，再输入“生成一个带错误边界处理的React Suspense组件”，检查返回代码是否包含正确的fallback和errorElement结构。
第四步：复制生成代码到项目中运行，确认无TS编译错误且浏览器控制台无Warning。
