OpenClaw 智能模型路由 — 让对的模型做对的事
PolyMind 是 OpenClaw 的模型路由 Skill。它在你对话时自动识别任务场景（写代码、做研究、快速回复……），把请求路由到最合适的 LLM，不需要你手动切换模型。
核心价值：你配置一次，之后每次对话自动选最优模型。免费，开源，MIT。
OpenClaw 支持接入多个 LLM Provider，但用户需要手动选择模型。PolyMind 把这个决策自动化：
用户消息 → 场景识别 + 复杂度评估 → 路由到最优模型 → 正常对话
例如：重构认证模块（coding.high）自动路由到 Claude Opus 4.6，简单分析（reasoning.low）用 GLM-5.1，快速确认用 MiniMax-M2.7。默认每轮消息独立路由，同一对话中可以自动切换模型；但对极短 continuation / follow-up（如“继续”“再试一次”），会优先继承上一轮的场景上下文，避免把真正的编码任务误降为 fast。如果 primary 不可用，沿 fallback 链降级，对话不中断。
# 通过 ClawHub
clawhub install polymind
# 或手动
git clone https://github.com/DrDexter6000/polymind.git ~/.openclaw/workspace/skills/polymind/polymind setupPolyMind 会扫描你已安装的模型，结合场景匹配推荐最优配置，确认后一键启用。
安装后无需额外操作。PolyMind 通过 before_model_resolve Hook 自动工作：
# 查看当前路由状态
/polymind status
# 调整配置
/polymind configPolyMind 注册为 OpenClaw Plugin，拦截模型解析阶段。默认每轮消息都独立路由（Turn-level），同一对话内可以自动切换模型；对高置信度的极短 continuation 则走最小继承逻辑：
1. 用户发送消息
2. OpenClaw 触发 before_model_resolve hook
3. PolyMind 三段式分析:
├─ ContinuationDetector: 检测极短 follow-up 是否继承上一轮 scene
├─ SceneClassifier: 判定场景 (coding / reasoning / writing / fast)
└─ ComplexityEstimator: 评估复杂度 (high / medium / low)
4. 组合 (scene + complexity) → 查路由表 → 返回 { modelOverride, providerOverride }
5. OpenClaw 使用路由结果调用模型
PolyMind 不是传统意义上的 session 级路由器。在同一对话中，大多数消息都重新判断；只有高置信度的短 continuation 会临时继承上一轮 scene：
用户: 帮我分析这个架构的问题 → reasoning.high → Gemini 3.1 Pro
用户: 好，帮我重构这个函数 → coding.high → Claude Opus 4.6
用户: 写个 commit message → writing.low → GLM-5-Turbo
用户: ok → fast → MiniMax-M2.7
同一对话四轮消息，四次路由，四个模型。用户无感，体验最优。
纯 Turn-level 路由在真实多轮任务中有一个典型误判：
用户: 帮我重构这个认证模块 → coding.high
用户: 继续 → 如果完全独立分类，容易误掉到 fast
Stage 1 会加入一个最小 continuation detector：
- 只处理高置信度、极短的 follow-up（如“继续”“再试一次”“按这个改”）
- continuation 默认继承上一轮的
scene - continuation 默认将
complexity视为low，而不是盲目继承上一轮的high - “好的 / ok / thanks” 这类确认消息仍然走
fast
| 场景 | 触发特征 | 路由策略 |
|---|---|---|
| Coding | 代码生成、调试、重构 | 代码能力最强的模型 |
| Reasoning | 分析、规划、复杂推理 | 推理能力最强的模型 |
| Writing | 文档、邮件、内容创作 | 写作能力最优的模型 |
| Fast | 简短问答、确认、闲聊 | 响应速度最快的模型 |
传统路由器只看场景，PolyMind 同时评估复杂度。"帮我写个 hello world" 和 "帮我重构整个认证模块" 都是 coding，但不需要用同一个模型 — 前者用轻量模型就够了，后者才值得上顶级模型。
复杂度信号（本地评估，不调用 LLM）：
- high: 消息长（>100 tokens）、含代码块、引用多文件、多步骤请求
- low: 消息短、单步骤、轻量 follow-up 类（"改一下变量名"、"换个方式"）
- medium: 其余情况
注：高置信度 continuation 会在复杂度评估之前单独处理，不与普通
low信号混为一谈。
每个场景支持按复杂度分级路由。高复杂度用顶级模型，低复杂度用轻量模型，一个月能省几十美元而不损失体验。
{
"polymind": {
"modelHints": {
"claude-opus": { "scenes": ["coding", "reasoning"], "tier": 1 },
"my-custom-model": { "scenes": ["writing"], "tier": 2 }
},
"routes": {
"coding": {
"high": { "primary": "anthropic/claude-opus-4-6", "fallbacks": ["openai/gpt-5.4-codex", "modelstudio/kimi-k2.5"] },
"medium": { "primary": "anthropic/claude-sonnet-4-6", "fallbacks": ["modelstudio/kimi-k2.5", "zhipu/GLM-5-Turbo"] },
"low": { "primary": "modelstudio/kimi-k2.5", "fallbacks": ["zhipu/GLM-5-Turbo"] }
},
"reasoning": {
"high": { "primary": "google/gemini-3.1-pro", "fallbacks": ["anthropic/claude-opus-4-6", "zhipu/GLM-5.1"] },
"medium": { "primary": "anthropic/claude-sonnet-4-6", "fallbacks": ["zhipu/GLM-5.1", "modelstudio/kimi-k2.5"] },
"low": { "primary": "zhipu/GLM-5.1", "fallbacks": ["modelstudio/kimi-k2.5"] }
},
"writing": {
"high": { "primary": "anthropic/claude-sonnet-4-6", "fallbacks": ["openai/gpt-5.4", "zhipu/GLM-5-Turbo"] },
"low": { "primary": "zhipu/GLM-5-Turbo", "fallbacks": ["bailian/qwen3.6-plus"] }
},
"fast": {
"primary": "minimax/MiniMax-M2.7-highspeed",
"fallbacks": ["google/gemini-3.1-flash", "zhipu/GLM-5-Turbo"]
}
}
}
}设计思路：
- 前端放国际顶级模型保证质量上限，尾部放国产模型兜底可用性和成本
- fast 场景不分复杂度（本身就是轻量场景）
- writing 场景简化为 high/low 两级（medium 合入 high）
- 用户通过
/polymind setup根据自己的 Provider 生成个性化配置 modelHints允许用户覆盖 / 补充内置的模型能力种子，不需要等 PolyMind 更新才支持新模型
PolyMind 分阶段交付，每个阶段独立可用，同时为下一阶段预留扩展接口：
| 阶段 | 目标 | 状态 |
|---|---|---|
| Stage 1 | 场景路由 — Turn-level 场景识别 + continuation-aware 最小继承 + 复杂度感知路由 | ✅ 已交付 (v0.1.0) |
| Stage 1.5 | 数据融合 — 线上 Benchmark 集成 + 健康检查 + 模型能力自动映射 | 🔬 设计完成 |
| Stage 2 | 深度路由 — SubAgent 角色路由 + Prompt 适配 | 规划中 |
| Stage 3 | 路由进化 — 隐式质量信号 + 模型组合管理 | 规划中 |
| Stage 4 | 生态闭环 — Harness 编排 + 社区路由智慧 | 远期愿景 |
Stage 1 解决"选对模型"，但 PolyMind 的终极目标是让 OpenClaw 成为自主进化的数字员工团队：
- Stage 2 引入 Agent 角色（Artisan/Scholar/Scribe/Envoy...），不同子任务由不同角色承接，每个角色绑定最优模型。同时探索 Prompt Adaptation — 路由时自动适配目标模型偏好的提示词格式（如 Claude 偏好 XML 结构，GPT 偏好 Markdown），提升跨模型输出质量
- Stage 3 引入
.polymind/持久化记忆，通过隐式质量信号（用户是否重试、是否手动切换模型、对话轮次是否异常）自动调优路由权重，无需用户显式反馈。同时提供 Model Portfolio 视角 — 展示用户的模型依赖集中度、单点故障风险、月度成本分布，推荐多样化方案 - Stage 4 实现目标级编排 + Community Routing Intelligence：聚合所有 PolyMind 用户的匿名路由效果数据，生成社区驱动的活排名（"coding 场景中 Opus 4.6 首次满意率 94%"），替代静态模型排名
Stage 1 的设计会为这些远期目标预留扩展点（参见 ROADMAP.md）。
OpenClaw
├── Plugin: before_model_resolve hook (默认每轮触发)
│ └── PolyMind 路由决策引擎
│ ├── ContinuationDetector (极短 follow-up 最小继承)
│ ├── SceneClassifier (场景识别)
│ └── ComplexityEstimator (复杂度评估)
├── Contract: local OpenClaw host contract
│ └── 本地 mock / adapter 类型层，等待官方类型稳定
├── Skill: /polymind 命令
│ └── setup, status, config
└── (Stage 2+) sessions_spawn modelOverride
└── SubAgent 级角色路由 + Prompt Adaptation
- Turn-level + 最小 continuation 继承：默认每轮独立路由；只有极短、高置信度 follow-up 继承上一轮上下文
- 场景 + 复杂度 二维路由：场景决定"用什么类型的模型"，复杂度决定"用什么级别的模型"。Cost-aware 的核心
- Plugin + Skill 混合：模型路由必须通过 Plugin hook 实现，用户交互通过 Skill 实现
- 配置写入 openclaw.json：路由配置作为
polymind字段写入用户主配置，不引入额外配置文件 - 本地 Host Contract 层：在官方 OpenClaw 类型未稳定前，先用仓库内 contract 层开发和测试，避免
any
polymind/
├── README.md # 本文件（项目 SSOT）
├── SKILL.md # OpenClaw Skill manifest
├── src/
│ ├── plugin/ # Plugin 实现（hook + 路由引擎）
│ ├── contract/ # OpenClaw host contract / mock interfaces
│ └── skill/ # Skill 实现（命令处理）
└── .dev/
└── docs/ # 开发文档（PRD、架构、路线图）
PolyMind 的理念受 oh-my-openagent 启发。但 OpenClaw 是 24/7 自主数字员工平台，和 OpenCode 的终端配对编程模式有本质区别，因此 PolyMind 是面向 OpenClaw 场景的全新设计。
MIT