最近在折腾 OpenClaw 的自定义模型配置，顺手用它搭了一个命令行笔记助手练手。全程用 AI 辅助写代码，从环境配置到项目跑通大概 30 分钟，记录一下过程。

一、目标

做一个命令行 Markdown 笔记助手，功能很简单：输入一段文字自动整理成结构化笔记、对已有 .md 文件做摘要、根据关键词扩写段落。

重点是——全程用 OpenClaw 辅助写代码，并且通过自定义 Provider 配置接入不同的模型，方便开发时随时切换。

二、配置 OpenClaw 自定义 Provider

OpenClaw 默认用的是官方模型，但它支持添加任何 OpenAI 兼容的 API 端点作为自定义 Provider。我这里用 ai.tikhub.io 作为统一入口，一个 Key 就能调 GPT、Gemini 等多个模型。

方法一：命令行引导

openclaw onboard

? Select a model provider: Custom provider
? Provider ID: tikhub
? Base URL: https://ai.tikhub.io/v1
? Model ID: gpt-4o
? API Key: 你的API-Key
? API compatibility: openai-completions

方法二：直接改配置文件

编辑 ~/.openclaw/openclaw.json：

{
  "models": {
    "providers": {
      "tikhub": {
        "baseUrl": "https://ai.tikhub.io/v1",
        "api": "openai-completions",
        "apiKey": "你的API-Key",
        "models": [
          { "id": "gpt-4o", "name": "GPT-4o", "contextWindow": 128000, "maxTokens": 16384 },
          { "id": "gemini-2.5-flash", "name": "Gemini 2.5 Flash", "contextWindow": 1048576, "maxTokens": 8192 },
          { "id": "gemini-2.5-pro", "name": "Gemini 2.5 Pro", "reasoning": true, "contextWindow": 1048576, "maxTokens": 8192 }
        ]
      }
    },
    "defaults": { "model": { "primary": "tikhub/gpt-4o" } }
  }
}

注意点：baseUrl 一定要以 /v1 结尾；reasoning: true 是给推理模型的标记；改完配置需要重启 OpenClaw。

验证：启动 OpenClaw，随便问一句话，能正常回复就说明配好了。

三、让 OpenClaw 生成项目代码

新建项目目录，启动 OpenClaw：

mkdir markdown-note-assistant && cd markdown-note-assistant
openclaw

在 OpenClaw 里描述需求：

> 帮我初始化一个 Python CLI 项目，功能：
> 1. 输入文字 → 调 LLM → 输出结构化 Markdown 笔记
> 2. 读取 .md 文件 → 生成摘要
> 3. 根据关键词扩写笔记段落
> 用 requests 直接调 OpenAI 兼容 API，用 click 做 CLI，
> API 地址和 Key 从环境变量读取

大概 2 分钟，OpenClaw 生成了完整的项目结构。以下是核心代码（做了一些微调）：

LLM 调用封装 note_assistant/llm.py

import os
import requests

def call_llm(prompt: str, system_prompt: str = "", model: str = "gpt-4o") -> str:
    base_url = os.getenv("AI_BASE_URL", "https://ai.tikhub.io/v1")
    api_key = os.getenv("AI_API_KEY")
    if not api_key:
        raise ValueError("请设置环境变量 AI_API_KEY")

    messages = []
    if system_prompt:
        messages.append({"role": "system", "content": system_prompt})
    messages.append({"role": "user", "content": prompt})

    resp = requests.post(
        f"{base_url}/chat/completions",
        headers={
            "Content-Type": "application/json",
            "Authorization": f"Bearer {api_key}"
        },
        json={"model": model, "messages": messages, "temperature": 0.7, "max_tokens": 2048},
        timeout=60
    )

    if resp.status_code != 200:
        raise RuntimeError(f"API 调用失败: {resp.status_code} - {resp.text}")
    return resp.json()["choices"][0]["message"]["content"]

CLI 命令 note_assistant/commands.py

import click
from .llm import call_llm

@click.group()
def cli():
    """Markdown 笔记助手"""
    pass

@cli.command()
@click.argument("text")
@click.option("--model", default="gpt-4o", help="模型名，如 gpt-4o / gemini-2.5-flash")
def organize(text, model):
    """将文字整理成结构化 Markdown 笔记"""
    system_prompt = """你是一个笔记整理助手。请将输入内容整理成结构化 Markdown：
1. 用合适的标题层级组织要点
2. 重要概念加粗
3. 末尾添加 3-5 个关键词标签"""
    click.echo(f"正在使用 {model} 整理...\n")
    click.echo(call_llm(text, system_prompt=system_prompt, model=model))

@cli.command()
@click.argument("filepath", type=click.Path(exists=True))
@click.option("--model", default="gpt-4o")
def summarize(filepath, model):
    """读取 .md 文件并生成摘要"""
    with open(filepath, "r", encoding="utf-8") as f:
        content = f.read()
    system_prompt = """请生成简洁的中文摘要：一句话总结 + 3-5 条核心要点"""
    click.echo(call_llm(content, system_prompt=system_prompt, model=model))

@cli.command()
@click.argument("filepath", type=click.Path(exists=True))
@click.argument("keyword")
@click.option("--model", default="gpt-4o")
def expand(filepath, keyword, model):
    """根据关键词扩写笔记段落"""
    with open(filepath, "r", encoding="utf-8") as f:
        content = f.read()
    system_prompt = f"""找到与 "{keyword}" 最相关的段落并扩写，保持 Markdown 格式，返回完整文档"""
    click.echo(call_llm(content, system_prompt=system_prompt, model=model))

四、跑起来

export AI_BASE_URL="https://ai.tikhub.io/v1"
export AI_API_KEY="你的API-Key"
pip install -e .

测试一下：

note-ai organize "今天开会讨论了Q3的OKR，产品要用户增长20%，技术要完成微服务拆分，运营做三次大促，招聘预算批了后端3人前端2人"

输出：

## Q3 OKR 会议纪要

### 产品目标
- **用户增长 20%**（Q3核心指标）

### 技术目标
- 完成**微服务架构拆分**

### 运营计划
- 计划执行 **3 次大促活动**

### 团队扩招
- 后端：**3 人** / 前端：**2 人**（预算已批准）

---
**关键词：** `Q3 OKR` `用户增长` `微服务` `大促` `招聘`

切模型只需要改 --model 参数：

note-ai organize "..." --model gemini-2.5-flash   # 用 Gemini 2.5 Flash
note-ai organize "..." --model gemini-2.5-pro     # 用 Gemini 2.5 Pro

五、迭代开发：继续用 OpenClaw 加功能

项目跑通之后，在 OpenClaw 里用自然语言继续迭代：

加对比模式： “帮我加一个 compare 命令，同时调用两个模型处理同一段文字，把结果并排输出方便对比。” —— OpenClaw 自动用 concurrent.futures 实现了并发调用。

加文件输出： “给所有命令加 --output 参数，把结果写到 .md 文件。” —— 大概 30 秒就改完了。

Prompt 调优： 发现处理英文内容效果一般，让 OpenClaw 帮我改 system prompt 加了多语言支持。

每轮改动都是：自然语言描述 → OpenClaw 修改代码 → review 后 accept。因为 OpenClaw 本身和项目的 LLM 调用走的同一个 Provider，一个 Key 管理所有模型调用。

六、模型选择体会

实际对比了几个模型：

GPT-4o： Markdown 格式最规范，排版舒服，适合做最终输出。

Gemini 2.5 Flash： 响应速度快，支持超长上下文（1M tokens），适合开发调试和处理大文件摘要，token 费用也比较低。

Gemini 2.5 Pro： 推理能力强，复杂技术内容的结构化梳理表现更好，但响应速度慢一些。

我的策略：调试阶段用 Gemini 2.5 Flash（快且便宜），正式输出用 GPT-4o（格式好），复杂内容用 Gemini 2.5 Pro。同一个接口，切换只需要改参数。

七、踩坑记录

baseUrl 忘加 /v1。 导致请求路径拼错，这是最常见的配置问题。

配置不会热更新。 改了 openclaw.json 必须重启 OpenClaw。

超长文件导致超时。 大 Markdown 文件做摘要时要把 timeout 调大，或者先做分段。

模型名要和接口实际名称一致。 比如 Gemini 的 ID 是 gemini-2.5-flash 不是 gemini-flash，以接口的模型列表页为准。

八、小结

整个过程就是：配置自定义 Provider（5 分钟）→ 用 OpenClaw 生成项目代码（10 分钟）→ 测试调优（15 分钟）。核心思路是通过环境变量解耦 API 配置，代码里不硬编码地址，这样不管后端用什么模型服务都不用改业务代码。

项目结构很简单，感兴趣的可以自己照着搭一个：

markdown-note-assistant/
├── note_assistant/
│   ├── __init__.py
│   ├── llm.py          # LLM 调用封装
│   └── commands.py     # CLI 命令
├── setup.py
└── README.md

---

参考资源：

• OpenClaw 自定义 Provider 文档：docs.openclaw.ai
• OpenAI Chat Completions API 规范：platform.openai.com/docs
• TikHub AI API：ai.tikhub.io
• Click CLI 框架：click.palletsprojects.com