核心功能
SwitchBoard 是一套面向 AI 代理工作流的成本优化路由系统，核心目标是将任务分发至"能胜任该任务的最低成本模型"。其设计哲学源于一个观察：80%的代理任务属于" janitorial"（日常运维型）——文件读写、状态检查、格式转换、简单问答——这些任务不需要昂贵的推理能力。
三级模型体系
| 层级 | 成本区间 | 代表模型 | 适用场景 |
|------|---------|---------|---------|
| Tier 1 廉价 | $0.02-0.50/M tokens | DeepSeek Chat、GPT-4o-mini、Qwen3 Coder | 单步操作、确定性输出、无判断需求 |
| Tier 2 中端 | $1-5/M tokens | GPT-4o、Claude Sonnet、Gemini 2.5 Pro | 多步合成、标准模式、质量重要但非关键 |
| Tier 3 高端 | $5+/M tokens | Claude Opus 4.6、o1、GPT-4.5 | 新颖问题解决、多路径权衡、高 stakes 决策 |
显著优势
1. 成本效益极致：采用 80/15/5 分配策略（80% Tier 1 + 15% Tier 2 + 5% Tier 3），月均成本可从纯 Sonnet 的 $45 降至 $8-12，降幅达 6-10 倍
2. 延迟感知路由：区分实时代理循环（需 Tier 1 低延迟）与异步任务（可容忍 Tier 3 高延迟）
3. 硬约束优先：工具支持、上下文窗口、多模态能力在成本考量前过滤候选模型
4. 故障自动升级：内置"前次尝试失败则升级"机制，避免在弱模型上浪费 token
潜在局限与风险
隐私泄露风险：免费模型（Aurora Alpha、Free Router）可能记录提示用于提供商训练，敏感数据禁止路由至免费或未审核模型。
上下文截断隐患：未检查上下文窗口即派发任务（如将 200K token 任务发给 32K 模型）会导致静默截断，需显式前置校验。
分类误判成本："write""code"等关键词本身是弱信号——"写文件"是 Tier 1 任务而非 Tier 2。错误分类会导致：本该廉价的工作占用昂贵模型，或复杂任务在廉价模型上反复失败。
免费层可用性：免费模型存在速率限制和可变可用性，不适用于关键路径。
适合人群
- 高频 AI 代理用户：日均 100K+ token 的中重度使用者，成本敏感
- 多模型运维团队：需要统一调度 OpenRouter 上百种模型的工程团队
- 自动化工作流设计者：构建监控、报告、数据获取等定时任务的技术人员
- 预算受限的初创/个人开发者：追求"90%效果、10%成本"的性价比优先者
常规风险
| 风险类型 | 具体表现 | 缓解措施 |
|---------|---------|---------|
| API 密钥泄露 | OpenRouter key 硬编码或误提交 | 使用 `~/.openclaw/openclaw.json` 隔离配置 |
| 成本失控 | 忘记切回 Tier 1，长期以 Opus 运行 | 设置 OpenRouter 预算告警，周度 spend review |
| 数据残留 | 敏感信息经免费模型训练集泄露 | 路由前显式检查 `openrouter/free` 等标识 |
| 版本漂移 | 模型更新破坏工作流 | 锁定具体版本号（如 `deepseek-chat-v3.1`） |
集成建议
OpenClaw 用户建议默认配置：主会话用 claude-sonnet-4（平衡质量成本），sessions_spawn 显式指定 deepseek/deepseek-chat 或 qwen/qwen3-coder-next，后台监控任务用 openrouter/free。