核心用法
council 是 OpenClaw 平台的多模型审议工具，通过并行调用 3-5 个来自不同厂商（Anthropic、OpenAI、Google 等）的 AI 模型，对用户的复杂问题进行独立分析，最终合成包含共识、分歧、行动项的结构化报告。
用户通过 /council <问题> 触发，系统根据预配置的 council-panel.json 自动分配「深度思考者」「务实派」「广泛分析师」「技术专家」「质疑者」五种角色槽位。每个槽位绑定不同模型，确保训练数据和推理路径的多样性。
显著优点
1. 真正的多模型架构：区别于单模型角色扮演， council 调用的是物理上不同的模型实例，从根本上消除「同一模型的系统性盲区」
2. 零外部依赖：纯 OpenClaw 原生实现，无需 Python 脚本、额外 API 密钥或外部服务
3. 结构化输出：强制包含共识区、分歧点、少数意见、行动项，避免模糊结论
4. 可追溯性：支持追问特定模型观点（如「告诉我 Gemini 对第 3 点的看法」）
5. 隐私可控：仅向用户已配置的模型服务商发送数据，无第三方介入
潜在缺点与局限性
- 成本与时间：每次调用触发 3-5 次 API 请求，合成延迟约 60 秒，高频使用成本显著高于单模型
- 模型可用性依赖：若用户配置的模型少于 3 个或集中于单一厂商，无法形成有效审议面板
- 合成质量波动：最终报告质量取决于各模型输出的一致性，极端分歧时可能难以形成有意义的共识
- 语言一致性：虽承诺「始终使用用户提问语言」，但底层模型对非英语指令的理解深度不均
适合人群
- 技术决策者：架构迁移、技术选型、风险评估
- 创业者/高管：股权纠纷、战略规划、投资决策
- 研究人员：多视角文献综述、假设检验
- 对单一 AI 回答存疑、需要「第二意见」验证的用户
常规风险
1. 隐私泄露面扩大：同一问题发送给多个厂商，信任边界从单一服务商扩展到整个面板
2. 幻觉交叉验证失效：若多模型共享训练数据（如 Common Crawl），可能产生「虚假共识」
3. 角色槽位空转：配置的「质疑者」若模型本身倾向附和，批判性可能被削弱
4. 行动项幻觉：合成阶段可能生成各模型均未明确提及的「行动项」