智能路由：本地 Ollama 小模型处理日常请求，AIPing 云端大模型（Kimi-K2.5）处理复杂任务。
约 90% 请求走本地，零成本、低延迟。
Read https://raw.githubusercontent.com/haoruilee/aiping_router/main/README.md, run 'openclaw plugins install @aiping.cn/model_router' then follow the instructions in that file.`
每条消息按 5 个维度打分，超过阈值才路由到云端：
| 路由目标 | 触发条件 | 优势 |
|---|---|---|
| 本地模型（Ollama） | 日常对话、短代码、普通问答 | 零延迟、零成本 |
| AIPing 云端（Kimi-K2.5） | 超长上下文、大型代码分析、深度推理 | 强能力 |
如果你已经有 Ollama 在跑，直接跳到第二步。
macOS
# 方式一：官网安装包（推荐）
# 访问 https://ollama.com/download 下载 macOS 安装包，双击安装
# 安装后 Ollama 会在菜单栏常驻
# 方式二：Homebrew
brew install ollamaLinux
curl -fsSL https://ollama.com/install.sh | shWindows
访问 https://ollama.com/download 下载 Windows 安装包（.exe），安装后自动启动服务
macOS 安装包版本安装后会自动运行，无需手动启动。
Linux / 命令行安装 请手动启动：
ollama serve验证是否在运行：
curl http://localhost:11434/api/tags
# 正常返回 {"models":[...]}推荐模型（按内存占用从小到大）：
| 模型 | 大小 | 内存需求 | 适合场景 |
|---|---|---|---|
qwen2.5:0.5b |
~0.4 GB | ≥ 2 GB | 极限轻量，测试用 |
qwen2.5:4b |
~2.3 GB | ≥ 4 GB | 推荐首选，中文能力强 |
qwen2.5:7b |
~4.4 GB | ≥ 8 GB | 质量更高 |
llama3.2:3b |
~2.0 GB | ≥ 4 GB | 英文能力出色 |
phi3.5:mini |
~2.2 GB | ≥ 4 GB | 推理能力强 |
gemma3:4b |
~3.3 GB | ≥ 6 GB | Google 出品，均衡 |
# 拉取推荐模型（约 2.3 GB，国内可能需要挂代理）
ollama pull qwen2.5:4b
# 查看已下载的模型
ollama list
# 快速测试模型是否正常
ollama run qwen2.5:4b "你好"网络慢？ 可使用国内镜像：
OLLAMA_HOST=0.0.0.0 ollama serve # 确保服务在跑 # 或者直接使用 https://registry.ollama.ai 的国内节点（如有）
openclaw plugins install @aiping.cn/model_routernpm 安装遇到问题？ 也可以直接从 GitHub Release 安装：
openclaw plugins install https://github.com/haoruilee/aiping_router/releases/latest/download/aiping.cn-model_router-1.2.5.tgz
安装完成后终端会提示：
尚未配置 AIPing API Key。
➜ 运行配置向导：openclaw model-router-setup
方式一：交互式向导（推荐第一次使用）
openclaw model-router-setup向导会引导你完成以下配置（全程中文，约 2 分钟）：
第 1 步：AIPing 云端 API Key
→ 访问 https://aiping.cn/user/user-center 获取
→ 向导会立即验证 Key 是否有效
第 2 步：本地模型地址和模型名
→ 自动检测 Ollama 服务状态
→ 显示已下载模型列表，选序号即可
第 3 步：路由阈值（默认 85，约 90% 走本地）
第 4 步：连通性测试 + 保存配置
方式二：一行命令（CI/CD 或快速配置）
openclaw model-router-setup \
--aiping-api-key "QC-你的Key" \
--local-model qwen2.5:4b \
--local-proxy-url http://localhost:11434所有可用参数：
--aiping-api-key <key> AIPing API Key（必填，跳过交互提问）
--local-model <model> 本地模型名称（默认 qwen2.5:4b）
--local-proxy-url <url> 本地 Ollama 地址（默认 http://localhost:11434）
--local-proxy-key <key> 本地代理鉴权 Key（可选，LM Studio 等需要）
--cloud-model <model> 云端模型名称（默认 Kimi-K2.5）
--routing-threshold <n> 路由阈值 0-100（默认 85，越高越偏本地）
--no-fallback 禁用本地失败时自动切换到云端
插件启动后会在 OpenClaw Gateway 上注册一个 OpenAI 兼容的代理端点：
http://localhost:18789/aiping/v1/chat/completions
在 ~/.openclaw/openclaw.json 中添加自定义 provider：
{
"models": {
"providers": {
"aiping": {
"id": "aiping",
"api": "openai-completions",
"url": "http://localhost:18789/aiping/v1",
"models": [
{
"id": "aiping:claw",
"label": "AIPing 智能路由（本地+云端）"
}
]
}
}
}
}然后重启 Gateway：
openclaw gateway --restart在 OpenClaw 中选择模型 aiping:claw 即可。路由自动进行，对你完全透明。
每条消息最高得 85 分，超过阈值（默认 85）才走云端：
| 维度 | 最高分 | 触发条件 |
|---|---|---|
| Token 数量 | 30 | 估算 > 4000 tokens |
| 代码复杂度 | 20 | 代码块 > 80 行 |
| 强推理关键词 | 15 | "逐步分析"、"深度分析"、"step by step"… |
| 多轮上下文 | 20 | 对话 > 16 轮 |
| 覆盖指令 | — | @local 或 @cloud（最高优先级） |
在消息末尾加指令，忽略所有评分：
帮我写个冒泡排序 @local → 强制本地
帮我做系统架构评审 @cloud → 强制云端
| 配置项 | 默认值 | 说明 |
|---|---|---|
aipingApiKey |
(必填) | AIPing API Key，从 用户中心 获取 |
localProxyUrl |
http://localhost:11434 |
Ollama 或本地代理地址 |
localProxyKey |
(空) | 本地代理鉴权 Key（可选） |
localModel |
qwen2.5:4b |
本地模型名称 |
cloudModel |
Kimi-K2.5 |
AIPing 云端模型 |
routingThreshold |
85 |
路由阈值 0–100（越高越偏本地） |
fallbackToCloud |
true |
本地失败时自动切换到云端 |
localTimeoutMs |
30000 |
本地请求超时毫秒数 |
debugRouting |
false |
打印路由决策日志 |
OpenClaw Gateway (localhost:18789)
└── /aiping/v1/chat/completions ← 代理端点
└── model_router 插件
├── RuleScorer（5 维度，< 1ms）
│ ├── TokenCountScorer > 4000 tokens → +30
│ ├── CodeComplexityScorer > 80 行 → +20
│ ├── ReasoningDepthScorer 强推理关键词 → +15
│ ├── MultiTurnContextScorer > 16 轮 → +20
│ └── OverrideScorer @local/@cloud 强制
├── LocalAdapter → http://localhost:11434/v1/chat/completions
└── CloudAdapter → https://aiping.cn/api/v1/chat/completions
规则引擎可扩展，实现 RuleScorer 接口即可添加新维度：
interface RuleScorer {
readonly name: string;
readonly maxScore: number;
score(request: ChatRequest): DimensionScore;
}git clone https://github.com/haoruilee/aiping_router
cd aiping_router
npm install
npm run build # 编译 TypeScript
npm test # 单元测试（47 个）
npm run test:e2e # 端到端测试（需要 Ollama + AIPing Key）
npm run release patch # 发布新版本（自动测试 → tag → CI publish）使用 PinchBench 自动化测试混合路由效果，支持本地和 CI 两种运行方式。
# 快速冒烟测试（3 个任务，约 2 分钟）
AIPING_KEY=QC-xxx ./scripts/bench.sh --preset fast
# 默认：qwen2.5:4b local + Kimi-K2.5 cloud
AIPING_KEY=QC-xxx ./scripts/bench.sh
# 自定义模型组合
AIPING_KEY=QC-xxx ./scripts/bench.sh \
--local-model llama3.2:3b \
--cloud-model DeepSeek-V3.2 \
--threshold 80
# 纯云端基线
AIPING_KEY=QC-xxx ./scripts/bench.sh --preset cloud-only
# 查看所有选项
./scripts/bench.sh --help# 使用预设
gh workflow run benchmark.yml -f preset=fast
# 自定义模型（也可在 GitHub UI 手动填写）
gh workflow run benchmark.yml \
-f local_model=qwen2.5:7b \
-f cloud_model=DeepSeek-V3.2 \
-f threshold=70| Preset | 本地 | 云端 | 阈值 | 说明 |
|---|---|---|---|---|
default |
qwen2.5:4b | Kimi-K2.5 | 85 | 均衡推荐 |
fast |
qwen2.5:0.5b | Kimi-K2.5 | 85 | 快速 3 任务验证 |
cloud-only |
qwen2.5:0.5b | Kimi-K2.5 | 0 | 纯云端基线 |
quality-local |
qwen2.5:7b | Kimi-K2.5 | 100 | 纯本地 |
deepseek |
qwen2.5:4b | DeepSeek-V3.2 | 85 | DeepSeek 云端 |
llama-local |
llama3.2:3b | Kimi-K2.5 | 85 | Llama 本地 |
full |
qwen2.5:4b | Kimi-K2.5 | 85 | 全量，2 次/任务 |
新增 preset：在 benchmarks/presets.json 追加一条记录即可。
Hybrid (threshold=85) 33.3% 9 tasks ← ~90% 走本地
Cloud (threshold=0 ) 42.6% 9 tasks ← 100% 走云端
Quality delta: +9.3pp
task_00_sanity ✅ 100% ✅ 100% 44s / 12s
task_01_calendar ❌ 0%⏱ ⚠️ 83% 125s / 16s
task_09_files ✅ 100% ✅ 100% 79s / 14s
task_11_clawdhub ✅ 100% ✅ 100% 92s / 20s
关键发现：路由按文本复杂度分流，短指令（"创建日历事件"）走本地 0.5b 模型， 但小模型缺乏工具调用能力导致失败。更换 qwen2.5:4b 或更大模型可显著改善。