以上仅代表我个人作为普通用户的真实使用体验，不存在任何诋毁或贬低其他模型的意思。不同模型各有优劣，适合自己的场景才是最好的

图片来源网络

最近在研究OpenClaw，本着学习的目的，想看看这家伙到底能帮我做些什么。

这篇文章就记录一下我折腾这些天的真实经历，没什么高大上的内容，就是一个普通玩家的流水账，希望能给同样在折腾的朋友一点参考。

先说说我的硬件环境。我有一台飞牛NAS，最开始直接在NAS的应用中心里装了个OpenClaw，用的是Qwen 3.5的模型。烧了一个小时左右，人是彻底懵了。我在OpenClaw里充了十块钱，一开始也就是随便聊聊天，问问他是什么模型，感觉还挺新奇的。接着丢了个正经问题过去——让他帮我分析一下，怎么通过NAS端的OpenClaw来控制我电脑端上的OpenClaw。我本以为这是个很常规的请求，结果没想到分析这个问题的过程，token刷刷地在烧。我眼睁睁看着剩余额度往下掉，到最后，问题也没解决。不到一个小时，十块钱的token全烧完了。说句实话，当时我有点怀疑人生——这玩意儿到底能吃多少token？

后来在一个NAS群里聊天，群友建议我换DeepSeek V4试试看。用他们的说法，基础聊天用Flash模型，复杂推理和写代码用Pro模型，搭配着来比较划算。我就照着试了一下，让Flash接着帮我分析刚才那个控制电脑的问题。结果？还是没解决。

不过这条线也没白走。后来我换了个思路，通过微信小号把电脑上的另一个OpenClaw连上了。同样的操作逻辑，差不多的配置，我跟着一步步操作，也是断断续续折腾了将近一个小时。你猜这次DeepSeek花了多少钱？不到一块钱。我当时就觉得这事挺神奇的。查了一下数据，确实是因为缓存命中率非常高。说白了，DeepSeek在处理这类问题的时候，同样类型的问题只要有人问过，后面的人基本就是走缓存，花不了几个token。要知道之前用Qwen的时候那可是纯纯的文字生成，每一轮思考都要从头算。只能说不同模型的优化策略，差别是真的大。对于我们这种普通自费玩家来说，省钱的模型就是好模型。

很离谱吧

我在探索各类技术事物的历程大抵如下：起初，我热衷于折腾Apple TV，其目的在于解决观影难题；而后投身于软路由的研究，只因深感网络自由度欠佳；接着开始钻研NAS，是意识到那些“大姐姐”内容需要一个大容量的存储之所；随后又鼓捣云服务器与HTTPS，只为实现在家以外的地方也能便捷访问个人资料。

当探索之旅抵达OpenClaw这一节点时，其实是一次顺理成章的拓展——将人工智能能力融入我现有的基础设施体系之中。倘若你也有意学习人工智能，不妨从简单的方面入手。我自己也是从去年开始尝试GPT聊天，直至今年接触到OpenClaw后，才真正深入探索这一领域。以往，遇到诸多不解的问题，总向他人请教着实令人难为情，况且也不可能随时都有人在线等候解答。

自从有了本地AI助手OpenClaw，我能够通过微信随时咨询问题。它始终待命，全天候在线，无论你提出何种问题，它都会耐心作答，既不会表现出不耐烦，也不会嫌弃问题幼稚。至于回答的质量如何，则取决于所采用的模型。目前，DeepSeek模型着实令人满意，除了无法识别图片这一不足外，其性能足以满足我们普通玩家的日常需求。写代码、分析问题、提供建议、翻译文档，这些任务它都能出色完成。

最后，衷心祝愿DeepSeek发展得越来越好！近期，DeepSeek V4模型仍在进行打折促销活动，且一直维持当下的优惠价格。对于普通用户而言，这无疑是实实在在的福利。

简而言之，梁圣威武！国产模型若能保持出色的性能，我们定会持续使用。期望这篇文章能为同样热衷于探索技术的朋友们提供些许参考。倘若你也在研究OpenClaw、NAS或各类AI模型，欢迎在评论区分享你的经历。

以上仅代表我个人作为普通用户的真实使用体验，不存在任何诋毁或贬低其他模型的意思。不同模型各有优劣，适合自己的场景才是最好的