Openclaw Model Rankings

该 Skill 用 Python 脚本从 OpenRouter 拉取模型排行与价格数据，生成并维护本地 data/model-catalog.json，供 Agent 直接读取。支持按预算、上下文长度、tool_use、json_mode、延迟等条件筛选排序，以文字形式给出推荐或双模型对比，并可区分全量刷新与增量更新，API Key 为可选。

evan-zhang

热度 27.52

最近更新 2026-05-20 03:34:26

分类：数据依赖：代码执行 / 读写文件 / 第三方 API应用场景：推荐 / 数据处理 / API 集成 / 研究

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add openclaw-model-rankings

Metadata

name: openclaw-model-rankings
description: 本地化 OpenRouter 模型目录与问答筛选 Skill。用于"openrouter 模型选型/openrouter 价格对比/openrouter 模型排行/openrouter 模型推荐"等问题；触发词包括：openrouter 模型、模型预算选型、最便宜模型、支持 tool_use、支持 function calling、支持 JSON mode、128k 上下文、模型延迟、模型对比。当用户提到 openrouter 模型相关问题时触发。
homepage: https://github.com/evan-zhang/agent-factory/issues
version: v1.0.1
tools_provided: [{"name":"fetch-rankings","category":"exec","risk_level":"low","permission":"read","description":"从 OpenRouter 获取模型排行和价格数据","status":"active"}]

openclaw-model-rankings (v1.0.0)

维护一份本地标准化模型数据 data/model-catalog.json,供 Agent 直接读取并做筛选/排序/对比回答。

定位:纯数据底座 + 互动问答。不做报告生成,不做自动策略引擎。

快速开始

cd openclaw-model-rankings
python3 scripts/fetch-rankings.py --full

生成:data/model-catalog.json

数据更新频率

按需更新。无需定时任务,当需要做模型选型决策时运行一次即可。

数据更新命令

全量刷新:

python3 scripts/fetch-rankings.py --full

默认增量(仅更新变化模型,未变化仅刷新 availability.last_checked):

python3 scripts/fetch-rankings.py

可选 API Key:

OPENROUTER_API_KEY=xxx python3 scripts/fetch-rankings.py

Agent 问答指南(基于本地 JSON)

"X 场景推荐什么模型" 先按场景筛选 capabilities/modality,再按 pricing.prompt_per_mtok、pricing.completion_per_mtok、context.max_input_tokens 排序。
"预算 Y 选谁" 用预算阈值筛选 pricing,再按性价比(低价优先、上下文更大优先)排序。
"A vs B" 用双模型对比表输出:价格、上下文、输出上限、tool_use、structured_output、json_mode、latency。
"延迟最低的前 N 个" 过滤 latency != null,按 latency 升序,返回前 N。
"支持 128k 以上上下文且中文好" 先筛 context.max_input_tokens >= 128000 + modality 含 text;中文效果无法从 API 直接得分时,明确说明"中文能力需结合实测或外部基准"。
"支持 tool_use 的有哪些" 过滤 capabilities.tool_use == true 并排序输出。
"最便宜的 coding 模型" 过滤 capabilities.code == true,按 pricing.prompt_per_mtok、pricing.completion_per_mtok 升序。

回答约束

不调用外部 LLM 生成排行结论。
直接读取 data/model-catalog.json 并给出可解释的筛选条件与排序依据。
如果字段缺失(如 latency),明确标注"该模型无公开延迟字段"。