openclaw-model-rankings (v1.0.0)

维护一份本地标准化模型数据 data/model-catalog.json,供 Agent 直接读取并做筛选/排序/对比回答。

定位:纯数据底座 + 互动问答。不做报告生成,不做自动策略引擎。

快速开始

cd openclaw-model-rankings
python3 scripts/fetch-rankings.py --full

生成:data/model-catalog.json

数据更新频率

按需更新。无需定时任务,当需要做模型选型决策时运行一次即可。

数据更新命令

• 全量刷新:

python3 scripts/fetch-rankings.py --full

• 默认增量(仅更新变化模型,未变化仅刷新 availability.last_checked):

python3 scripts/fetch-rankings.py

• 可选 API Key:

OPENROUTER_API_KEY=xxx python3 scripts/fetch-rankings.py

Agent 问答指南(基于本地 JSON)

1. "X 场景推荐什么模型" 先按场景筛选 capabilities/modality,再按 pricing.prompt_per_mtok、pricing.completion_per_mtok、context.max_input_tokens 排序。

2. "预算 Y 选谁" 用预算阈值筛选 pricing,再按性价比(低价优先、上下文更大优先)排序。

3. "A vs B" 用双模型对比表输出:价格、上下文、输出上限、tool_use、structured_output、json_mode、latency。

4. "延迟最低的前 N 个" 过滤 latency != null,按 latency 升序,返回前 N。

5. "支持 128k 以上上下文且中文好" 先筛 context.max_input_tokens >= 128000 + modality 含 text;中文效果无法从 API 直接得分时,明确说明"中文能力需结合实测或外部基准"。

6. "支持 tool_use 的有哪些" 过滤 capabilities.tool_use == true 并排序输出。

7. "最便宜的 coding 模型" 过滤 capabilities.code == true,按 pricing.prompt_per_mtok、pricing.completion_per_mtok 升序。

回答约束

• 不调用外部 LLM 生成排行结论。
• 直接读取 data/model-catalog.json 并给出可解释的筛选条件与排序依据。
• 如果字段缺失(如 latency),明确标注"该模型无公开延迟字段"。