基础概念

🧠 大模型（Large Language Model, LLM）

大模型是一种基于深度学习、参数量巨大（数十亿到数万亿）的人工智能系统。它通过在海量文本、图像、视频等数据上进行训练，学会了理解、生成和推理的能力。

与传统软件不同，大模型不是按照人类编写的规则运行的程序，而是从数据中"长"出来的黑盒智能体。你不需要告诉它"怎么写一首诗"，你只需要说"写一首诗"，它就能做到。

主要应用领域

🦞 OpenClaw

诞生背景

2022 年底 ChatGPT 发布后，大模型呈爆发式增长：OpenAI 的 GPT 系列、Anthropic 的 Claude、Google 的 Gemini、国内的 Kimi、DeepSeek……每个模型都有自己的 API 接口、计费方式和调用格式。开发者和团队面临一个头疼的问题——如何统一管理这些模型？

OpenClaw 诞生于 2024 年，正是在这样的背景下出现的。它是一个部署在你自己服务器上的 AI 网关（AI Gateway），核心使命是：把散落各处的模型能力，聚合到一个统一的入口。

主要能力

• 多模型接入：同时配置 Kimi、DeepSeek、OpenAI、Claude 等多个服务商
• 统一接口：对外提供标准 OpenAI 格式的 API，下游应用无需改动
• 智能路由：根据任务类型、成本、可用性自动选择最佳模型
• 密钥管理：集中管理各平台的 API Key，安全可控
• 负载均衡：请求分配到多个后端，提升稳定性
• 用量监控：记录每个请求的成本和耗时，便于优化

🔤 Token 与算力

什么是 Token？

Token 是大模型处理信息的基本单位。它不是简单的"字"或"词"，而是模型在训练时学习到的文本片段。不同语言的 token 长度不同：英文约 4 个字母 ≈ 1 token，中文约 1 个汉字 ≈ 1.5–2 token。

Token 决定了三件事：

• 计费单位：API 调用按输入 + 输出的 token 数量收费（如 ¥0.01 / 千 token）
• 上下文窗口：模型的"记忆力"就是能处理的 token 上限（如 128K = 约 10 万字）
• 处理速度：模型每秒能生成多少个 token，直接决定响应快慢

算力 = 未来的竞争力

大模型的一切能力，最终都建立在算力之上。训练一个大模型需要数万张顶级 GPU 连续运转数月，推理（回答你的问题）也需要强大的芯片支撑。

• 算力决定模型规模：GPT-4 据传用了约 1.8 万亿参数，训练一次耗电 1200 万千瓦时。没有足够算力，连训练的门槛都摸不到。
• 算力决定响应速度：同样的模型，在 A100 GPU 上运行和在普通 CPU 上运行，回答速度相差数十倍。用户体验的天壤之别。
• 算力决定成本门槛：训练大模型的成本以亿美元计。全球只有寥寥几家公司有能力从头训练顶级模型，算力壁垒正在将 AI 行业推向"寡头化"。
• 算力是国家的战略资源：美国对华芯片出口管制、各国建设智算中心——算力已成为与石油、电力同等重要的战略物资。