什么是 多大模型智能切换？

Multi-LLM 是一款强大的模型管理实用程序，旨在优化开发者与大语言模型的交互方式。虽然系统默认使用 Claude Opus 4.5 处理高复杂度任务，但它提供了一个专门的触发器来激活本地模型选择。这使得 Openclaw Skills 用户能够在代码编写、数学计算和翻译等特定领域利用本地硬件的性能，减少对外部 API 的依赖并提高隐私性。

通过集成此技能，您将获得一个能够理解请求上下文的动态执行环境。无论您是进行大规模重构还是简单的文本摘要，Multi-LLM 都能确保正确的模型用于正确的工作，并辅以先进的降级回退机制，即使特定的本地模型缺失也能保证可靠性。

下载入口:https://github.com/openclaw/skills/tree/main/skills/leohan123123/mlti-llm-fallback

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

多大模型智能切换 应用场景

• 通过将标准代码任务分流到 Qwen2.5-Coder 等本地模型来降低 API Token 消耗。
• 使用 DeepSeek-R1 在本地运行隐私敏感的推理和逻辑分析。
• 使用轻量化本地中文大模型加速翻译和摘要工作流。
• 当 Openclaw Skills 环境中主模型不可用时，通过自动化回退链保持工作流连续性。

1. 系统监控用户输入中是否包含特定触发命令 multi llm。
2. 如果没有触发器，系统会将请求路由到默认的高性能模型 Claude Opus 4.5。
3. 当检测到触发器时，智能检测逻辑会扫描提示词中与代码、推理或语言相关的关键词。
4. 该技能会将检测到的任务类型映射到优先排序的本地 Ollama 模型列表。
5. 如果未找到首选本地模型（例如推理任务的 DeepSeek-R1），系统将遍历回退链以寻找下一个最佳可用本地替代方案。

多大模型智能切换 配置指南

要在您的 Openclaw Skills 设置中开始使用此技能，请确保已安装 Ollama 并拉取了所需的模型：

# 安装 Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 启动 Ollama 服务
ollama serve

# 拉取推荐的模型集
ollama pull qwen2.5-coder:32b
ollama pull deepseek-r1:70b
ollama pull glm4:9b
ollama pull qwen3:32b

使用 ollama list 验证您的本地环境，确保所有模型都已准备好用于切换逻辑。

多大模型智能切换 数据架构与分类体系

该技能根据任务类别和预定义的模型层级组织模型选择：

内部逻辑通过位于 scripts 目录下的 select-model.sh 和 fallback-demo.sh 处理。

name: multi-llm
description: Multi-LLM intelligent switching. Use command 'multi llm' to activate local model selection based on task type. Default uses Claude Opus 4.5.
trigger: multi llm
version: 1.1.0
author: leohan123123
tags: llm, ollama, local-model, fallback, multi-model

Multi-LLM - Intelligent Model Switching

Trigger Command: multi llm

Default Behavior: Always use Claude Opus 4.5 (strongest model) Only when the message contains multi llm command will local model selection be activated.

What's New in v1.1.0

• Renamed trigger from mlti llm to multi llm (clearer naming)
• Enhanced model existence checking with fallback chain
• Added detailed usage examples and troubleshooting
• Improved task detection patterns

Usage

Default Mode (without command)

Help me write a Python function -> Uses Claude Opus 4.5
Analyze this code -> Uses Claude Opus 4.5

Multi-Model Mode (with command)

multi llm Help me write a Python function -> Selects qwen2.5-coder:32b
multi llm Analyze this math proof -> Selects deepseek-r1:70b
multi llm Translate to Chinese -> Selects glm4:9b

Command Format

Model Mapping

Primary Model (Default): github-copilot/claude-opus-4.5

Local Models (when multi llm triggered):

Fallback Chain

If the selected model is unavailable, the system tries alternatives:

Coding:    qwen2.5-coder:32b -> qwen2.5-coder:14b -> qwen3:32b
Reasoning: deepseek-r1:70b -> deepseek-r1:32b -> qwen3:32b
Chinese:   glm4:9b -> qwen3:8b -> qwen3:32b
General:   qwen3:32b -> qwen3:14b -> qwen3:8b

Detection Logic

User Input
    |
    v
Contains "multi llm"?
    |
    +-- No -> Use Claude Opus 4.5 (default)
    |
    +-- Yes -> Task Type Detection
                |
        +-------+-------+-------+
        v       v       v       v
      Coding  Reasoning Chinese General
        |       |       |       |
        v       v       v       v
    qwen2.5  deepseek  glm4   qwen3
    coder    r1:70b    :9b    :32b

Task Detection Keywords

Examples

Example 1: Coding Task

# Input
multi llm Write a Python function to calculate fibonacci

# Output
Selected: qwen2.5-coder:32b
Reason: Detected coding task (keywords: python, function)

Example 2: Math Analysis

# Input
multi llm reasoning Prove that sqrt(2) is irrational

# Output
Selected: deepseek-r1:70b
Reason: Force command 'reasoning' used

Example 3: Quick Translation

# Input
multi llm 把这段话翻译成英文

# Output
Selected: glm4:9b
Reason: Detected Chinese lightweight task (keywords: 翻译)

Example 4: Default (No trigger)

# Input
Write a REST API with authentication

# Output
Selected: claude-opus-4.5
Reason: Default model (no 'multi llm' trigger)

Prerequisites

1. Ollama must be installed and running:

# Install Ollama
curl -fsSL https://ollama.com/install.sh | sh

# Start Ollama service
ollama serve

# Pull required models
ollama pull qwen2.5-coder:32b
ollama pull deepseek-r1:70b
ollama pull glm4:9b
ollama pull qwen3:32b

2. Check available models:

ollama list

Troubleshooting

Model not found

# Check if model exists
ollama list | grep "qwen2.5-coder"

# Pull missing model
ollama pull qwen2.5-coder:32b

Ollama not running

# Check service status
curl -s http://localhost:11434/api/tags

# Start Ollama
ollama serve &

Slow response

• Large models (70b) require significant RAM/VRAM
• Consider using smaller variants: deepseek-r1:32b instead of 70b

Wrong model selected

• Use force commands: multi llm coding, multi llm reasoning
• Check if keywords match your task type

Files in This Skill

multi-llm/
├── SKILL.md              # This documentation
└── scripts/
    ├── select-model.sh   # Model selection logic
    └── fallback-demo.sh  # Interactive demo script

Integration

With OpenCode/ClaudeCode

The trigger multi llm is detected in your message. Simply prefix your request:

multi llm [your request here]

Programmatic Usage

# Get recommended model for a task
./scripts/select-model.sh "multi llm write a sorting algorithm"
# Output: qwen2.5-coder:32b

# Demo with actual model call
./scripts/fallback-demo.sh --force-local "explain recursion"

Author

• GitHub: @leohan123123

License

MIT