这是一份为您量身定制的 CSDN 博客草稿。内容延续了您前两篇关于 Open Claw 和 Mimi Claw 的系列教程风格，并且自然融入了您的博客标识，详细讲解了多模型切换的方法和底层逻辑。

---

open claw esp32部署 —— mimi claw （国内无代理版本）保姆级教程
open claw esp32部署 —— mimi claw
在前面的两篇教程中，我们已经成功在 Windows 环境下使用 Trae IDE 完成了 Mimi Claw 的基础部署，并跑通了“飞书 + Kimi”的国内无代理直连方案。很多朋友在后台留言问：**“我想换成最近大火的 DeepSeek 或者智谱 GLM，怎么办？”

---

1. 为什么推荐使用国内大模型？

在嵌入式 AI 开发中，网络稳定性是第一位的。使用 Anthropic 或 OpenAI 需要在固件中配置代理 IP 和端口。而使用国内模型服务（如 Kimi、GLM、MiniMax 或 DeepSeek），在国内网络环境下可以直接访问，无需代理。这大大降低了网络延迟和掉线率，非常适合我们做个人桌面助理或机器人大脑。

MimiClaw 目前原生支持以下国内模型提供商：

• Kimi (Moonshot AI)：moonshot-v1-8k, moonshot-v1-32k
• GLM (智谱 AI)：glm-4.7
• DeepSeek (深度求索)：deepseek-chat, deepseek-llm
• MiniMax：MiniMax-M2.7, MiniMax-M2.5

---

2. 模型切换实战：两种配置方式

MimiClaw 提供了两种非常灵活的配置方式，你可以根据自己的开发习惯来选择。

方式一：编译时配置（推荐，稳如老狗）

这种方式适合你已经选定了一个主力模型，长期固定使用。所有的配置都在 main/mimi_secrets.h 中完成。

1. 首先，复制示例文件：

   cp main/mimi_secrets.h.example main/mimi_secrets.h
   

2. 打开 mimi_secrets.h，找到 LLM 模型配置 区域。

3. 注释掉不需要的模型，并解开你想要使用的模型配置。以 DeepSeek 为例：

   // DeepSeek 配置示例
   #define MIMI_SECRET_API_KEY         "sk-你的真实API_KEY"
   #define MIMI_SECRET_MODEL_PROVIDER  "deepseek"
   #define MIMI_SECRET_MODEL           "deepseek-chat"
   

4. 保存后，清理缓存并重新编译烧录：

   idf.py fullclean
   idf.py build
   idf.py -p COM口 flash monitor
   

方式二：运行时串口 CLI 配置（极客最爱，动态秒切）

如果你想对比测试不同模型的响应速度和智商，每次重新编译烧录太麻烦了。MimiClaw 支持在运行时通过 CLI 命令配置。

通过串口终端（例如打开 idf.py monitor），你可以直接输入命令实时切换。

切换到智谱 GLM：

set_model_provider glm
set_model glm-4.7
set_api_key sk-你的智谱API_KEY
restart

切换到 MiniMax：

set_model_provider minimax
set_model MiniMax-M2.7
set_api_key sk-你的MiniMax_API_KEY
restart

提示：配置完成后，记得输入 restart 命令让设备重启，新的模型配置即可生效！

---

3. 进阶探讨：MimiClaw 是如何支持多模型的？

知其然，更要知其所以然。MimiClaw 为什么能这么丝滑地切换模型？

翻看项目代码的架构分析，你会发现整个系统以 app_main 为入口，初始化硬件和各个子系统，并通过 FreeRTOS 任务和队列进行通信。在处理对话的生命周期时，核心的 ReAct (Reasoning and Acting) 循环位于 agent_loop.c 中。

在网络请求层，作者设计了一个非常关键的模块：llm_proxy 大模型代理。
它位于 main/llm/llm_proxy.c。这个模块的作用相当于一个“翻译官”和“路由器”。

当 agent_loop 决定要请求大模型时，它不需要关心底层是哪个厂家的 API：

1. agent_loop 统一向 llm_proxy 发起标准请求（包含上下文记忆和工具定义）。
2. llm_proxy 提供统一的 API 调用接口，支持多种 LLM 提供商。
3. 获得云端响应后，如果返回的是工具调用（比如 “Tool Call: get_weather”），agent 就会转而去执行 tool_registry 中的工具。

这种解耦设计使得添加一个新模型变得极其简单——只需要在 llm_proxy.c 中添加对应厂商的接口地址和特定的 JSON 字段解析逻辑即可，上层的对话逻辑和工具系统完全不用动。

如果你使用的模型不在上述列表中，但它兼容 OpenAI 的 API 格式，你甚至可以直接使用自定义模型 API 功能，通过设定 set_model_provider custom 和 set_api_url 来无缝接入。

---

4. 总结

到目前为止，我们已经为 ESP32 注入了灵魂。你可以给它装上 Kimi 的快速阅读能力，或者 DeepSeek 的深度推理能力，而且一切交互都是在没有 Python 环境的纯 C RTOS 裸机上完成的。