OpenClaw 引入决策模型：让 Agent 学会何时沉默
在构建智能体（Agent）时，开发者常面临一个核心矛盾：Agent 需要频繁做出判断——哪些工具相关？哪些消息需要保留？何时该保持静默？过去，我们习惯依赖通用大语言模型（LLM）来处理这些逻辑，但这往往意味着额外的 API 调用、时间延迟和成本增加。随着 Agent 承担更多小规模的判断任务，这些“隐形”的开销开始变得不可忽视。
上周，TypeSafe 团队发布的 Jev 引发了行业对这一权衡的重新思考。今天，OpenClaw 维护者 Josh Lehman 分享了 OpenClaw 如何整合决策模型，以及这一架构如何赋予开发者更精准的掌控力。
从“对话模型”到“决策引擎”
Josh Lehman 指出，Magic 在于将 Jev 这类决策模型嵌入到正常的确定性代码流中，而非仅仅作为一个插件工具。
传统的做法是构建一个插件，让 Agent 调用 LLM 来思考何时调用 API。这就像让一个慢速的模型去指挥一个快速的 API，效率极低。
决策模型的核心优势在于其结构化输出：它接收证据和一组标准，直接返回类型化的答案——一个选择、一个分数，或是一个条件为真的概率。应用层不再需要解析一段自然语言回复，而是直接获得可用于下一步操作的确切数据。
“这并不意味着判断是完美的，但它为开发者提供了一个更聚焦的接口。”
开放架构：插件优先，拒绝锁定
OpenClaw 此次更新并未将决策模型绑定于单一供应商，而是采用了插件优先（Plugin-first）的架构。
- 独立配置：决策模型作为独立组件配置，OpenClaw 及其插件均可使用。
- 多供应商支持：TypeSafe 适配器已支持托管版的 Jev，同时也兼容本地系统，如 Jared Palmer 的 Kev。
- 统一 API：通过 Plugin SDK，插件作者只需调用
api.runtime.decisions.evaluate接口，即可利用当前 Agent 配置的决策模型，无需重复集成或配置。
目前，该功能已在包含决策模型支持的开发检查版（Development Checkouts）中可用。虽然官方提供的模型包仍在等待正式发布，但这为社区实验奠定了坚实基础。
实测数据与社区反响
Vercel 的数据显示，Jev 在其 AI Gateway 中的采用速度超越了历史记录，首日即被约 13% 的团队采用，是 GPT-5.6 系列的 2 倍，是 Fable 5.1 的 6 倍。这证明了市场对高效决策模型的强烈需求。
OpenClaw 团队也鼓励开发者自行尝试。例如，社区成员 Peter 的 Agent "Molty" 曾因过度介入无关对话而显得笨拙。通过引入决策模型，开发者可以训练 Agent 在无人对话时保持静默，从而避免无效的资源消耗。
关键指标与价值总结
| 指标 | 描述 |
|---|---|
| 性能提升 | 决策模型响应速度提升 20-200 倍 |
| 成本优化 | 相比通用 LLM 进行逻辑判断，成本降低 40-400 倍 |
| 架构灵活性 | 支持本地部署（如 Kev）与云端托管（如 Jev） |
| 集成难度 | 通过统一 SDK 接口，降低插件开发门槛 |
结语
OpenClaw 的这次更新并非要替代现有的对话模型，而是提供了一种可选的增强机制。开发者可以根据具体工作流，选择是否启用决策模型来优化 Agent 的行为。正如 Josh Lehman 所言：“我们不会取代麦当劳，但我们希望构建一个知道何时停止说话的 Agent。”
这一举措标志着 AI Agent 开发从“通用对话”向“专用决策”的范式转变，让智能体在保持灵活性的同时，拥有了工业级的执行效率。
