核心用法
CascadeFlow 作为 OpenClaw 的自定义 Provider 运行，通过 OpenAI 兼容的 /v1/chat/completions 端点接收请求。系统读取 OpenClaw 原生的事件元数据（如 metadata.method、metadata.event 及频道分类信号），自动从 17+ 个领域专属模型（编码、推理、搜索等）中选择起草模型(Drafter)与验证模型(Verifier)组合。简单任务由轻量级模型快速响应，复杂任务触发验证层升级，全程支持流式输出与多步 Agent 循环。
显著优点
1. 成本优化：避免对大模型不必要的调用，据场景可降低 30-70% Token 消耗
2. 延迟控制：中等复杂度任务响应时间显著优于单一大模型直调
3. 质量保障：Verifier 兜底机制确保高难度任务不降质
4. 原生集成：深度理解 OpenClaw 的事件/领域信号，实现比通用路由更智能的模型选择
5. 部署灵活：支持纯 Anthropic、纯 OpenAI 或混合策略，本地默认绑定 127.0.0.1
潜在局限
- 配置门槛：需正确理解 17 个领域的模型映射关系，配置错误可能导致级联失效
- 冷启动验证：首次部署需执行健康检查与对话验证两步确认
- 生态锁定：优化效果与 OpenClaw 的元数据丰富度强相关，脱离该生态收益递减
- 版本敏感：严格限定
>=0.7,<0.8版本，升级需重新验证
适合人群
- 日均调用量 >1000 次的 OpenClaw 重度用户
- 成本敏感但需要保持输出质量的 SaaS/Agent 开发者
- 拥有明确任务分类（编码/搜索/推理）的垂直场景团队
常规风险
| 风险类别 | 具体表现 | 缓解建议 |
|---------|---------|---------|
| 供应链安全 | PyPI 包被投毒 | 安装后执行 `pip hash` 校验 |
| 认证泄露 | `--auth-token` 硬编码泄露 | 生产环境使用环境变量+长随机值 |
| 暴露面扩大 | 默认本地绑定被改为 `0.0.0.0` | 强制 TLS+反向代理，禁止裸公网暴露 |
| 级联误判 | 领域信号错误导致模型错配 | 监控 `/cascade stats` 并及时调优阈值 |