用 Agent 开发的小伙伴应该有个共同的感受，模型选择是个大问题。
Codex 默认跑的是 GPT-5.5，能力没问题，费用相对也合理。但国内很多小伙伴还是用不上，所以我就在想。
想找一个模型，同时满足这三个条件：Agent 任务执行能力强、上下文窗口够大、价格实惠。
这里给大家提供一个不错的选项，昆仑万维新发布的 SkyClaw v1.0。
把它接进 Codex 之后，我先后完成了两个真实项目的开发------PaiSwitch 的模型切换功能和 PaiAgent 的工作流适配。
工具调用稳定、代码质量经得住考验。关键是，输入价格比 DeepSeek V4 Pro 还便宜。
01、为什么选择Codex+SkyClaw
先说清楚这个组合的逻辑，免得大家觉得我在强行凑 CP。
Codex 是 OpenAI 推出的 Agent 编程工具，它的执行架构做得非常扎实。恐怕是目前公认的，做得最好的 Agent 框架之一。
我们也可以通过一些手段，给他配备国产模型，比如说DeepSeek V4 Pro，或者今天的主角 SkyClaw v1.0。
SkyClaw v1.0 是昆仑万维专门为 Agent 工作流训练的模型，支持百万 token 上下文。训练环境基于 OpenClaw-style agent framework 构建，覆盖了文件读取、代码编辑、内容检索、测试执行、页面观察这些高频 Agent 操作。
加上高质量的合成数据微调和 Agentic 强化学习，SkyClaw 在"长链任务执行"这件事上确实有一套。用我自己的话说就是：交给它一个活，它能从头干到尾，中间不掉链子。
跑分数据也能验证这一点：
| 评测项目 | SkyClaw v1.0 | 说明 |
|---|---|---|
| PinchBench-V2 | 87.2 | 综合 Agent 能力评测 |
| Claw-Eval Pass^3 | 59.7 | 稳定性测试（连续 3 次通过） |
| Claw-Eval Avg | 74.2 | 平均通过率 |
| Skywork-Claw-Bench | 62.9 | Skywork 自研 Agent 评测 |
在多项 Agent 专项评测中，SkyClaw v1.0 超过了 Minimax 2.7、DeepSeek V4 Flash，以及 Qwen 3.6 系列的 35B A3B 和 27B 模型。
所以这个组合的逻辑是这样的。
Codex 提供顶级的 Agent 执行框架和沙箱环境，SkyClaw 提供专门为 Agent 任务训练的推理大脑。两个东西各自做最擅长的事，拼到一起就是一个国产顶级 Agent。
02、把SkyClaw接进CC
说干就干。
第一步，在 PaiSwitch 里增加 SkyClaw 的 API 配置。
需要填三个参数：
- Base URL 填
https://api.apifree.ai/agent - 模型名称填
skyclaw-v1，如果想用轻量版本就填skyclaw-v1-lite - API Key 就是在 ApiFree 平台申请的那个
ApiFree 的注册流程很简单，注册一个账号就能拿到 API Key。上线期间免费调用，不需要申请白名单，不需要排队等审批。
想薅免费 token 的小伙伴赶紧，这种好事不知道能持续多久。
配置完成后启动 Claude Code。
如果模型选项里能看到 skyclaw-v1，说明配置成功了。用 /status 命令可以确认当前的模型状态。
到这一步，CC 的底层模型已经从 Opus 4.8 切换到 SkyClaw v1.0 了。
接下来就是真刀真枪地干活，看看 SkyClaw 到底能不能打。
03、Codex的兼容适配
Codex 本身只支持 OpenAI 的模型，要接入 SkyClaw 需要一个中间适配层。我做了一个叫 PaiSwitch 的工具来解决这个问题------它在后台做了一层协议转换，把 ApiFree 提供的 SkyClaw 接口转成 OpenAI 兼容格式，让 Codex 能够无缝调用。
第一个任务：给 PaiSwitch 增加 Codex 底层 LLM 切换功能。
这个需求意味着 SkyClaw 要做这么几件事：先把项目现有的代码读一遍，搞清楚 PaiSwitch 的架构和模块划分；然后参考 Claude Code 已有的 settings.json 模型切换机制，设计一个类似的方案；再把方案实现出来，写完代码还得跑通测试。
在 CC 里输入：
参考 Claude Code 的 settings.json 模型切换机制，给 PaiSwitch 增加 Codex 的底层 LLM 切换功能，支持通过配置文件切换 SkyClaw v1.0、DeepSeek V4 Pro 等模型。
SkyClaw 接到任务后没有急着动手写代码。它做的第一件事是读项目代码，从入口文件开始，逐步深入到各个模块，搞清楚现有的代码结构和各组件之间的调用关系。
读完代码后，SkyClaw 自己梳理了一个任务清单，拆成了四个子任务：配置文件解析模块、模型路由层、API 适配器、命令行参数支持。每个子任务之间有清晰的依赖关系，按顺序做下来就能完成整个功能。
然后就开始逐个模块地写代码了。
写代码的过程我全程观察了一下，有一个细节让我印象比较深。
就是它对上下文的保持。从开始到结束，SkyClaw 一直记得自己在做什么、做到了哪一步、下一步该干什么。这在长链任务中非常关键。
最终交付了一个完整的模型切换功能。PaiSwitch 现在支持在 GPT-5.5、DeepSeek V4 Pro 和 SkyClaw v1.0 之间自由切换，通过配置文件或命令行参数都可以指定。
总的来说，这个任务的完成质量超出了我的预期。
04、SkyClaw 改造 PaiAgent
PaiSwitch 的功能开发完成后，我又给 SkyClaw 安排了第二个任务，把 SkyClaw 自己适配进 PaiAgent 的工作流系统。
PaiAgent 是我做的一个开源工作流编排项目，在 GitHub 上已经有 400 多个 star 了。它的核心功能是让用户通过可视化界面编排 AI 工作流，把多个 LLM 节点、工具节点串联起来完成复杂任务。
问题出在 PaiAgent 的 LLM 节点上。它原本适配了 OpenAI、DeepSeek、GLM 这些常见的模型提供商，每个提供商有各自的 API 格式、认证方式和参数规范。SkyClaw 通过 ApiFree 提供服务，API 格式跟现有的提供商不一样，直接配进去会报错。
来，让 SkyClaw 自己解决这个问题。
先把 Codex 的底层模型切换到 SkyClaw。
重启 Codex，确认模型切换成功。
然后把报错信息作为提示词输入：
我给 PaiAgent 配置了 skyclaw 模型，但不适配 18:49:34 ❌ 节点 llm 执行失败: 不支持的提供商类型: skyclaw-v1.0。这是 apifree 的官方 API。
SkyClaw 先去找 PaiAgent 的 LLM 提供商注册代码，把现有的适配层架构搞明白。每个提供商都实现了同一个接口，通过工厂模式按名称创建对应的适配器。然后 SkyClaw 照着这个模式，新写了一个 SkyClaw 适配器，处理了 API 格式转换、请求头认证、响应解析这些细节。
改完之后重新跑工作流，通了。
PaiAgent 的 AI 播客工作流能够正常调用 SkyClaw 来生成播客脚本了，音频质量跟用 DeepSeek 跑出来的没有明显差别。
等于是 SkyClaw 自己给自己铺了路，自己的命运自己掌握了，哈哈。
05、SkyClaw的定价
Agent 模型好不好用是一回事，用不用得起是另一回事。
跑 Agent 任务跟普通的对话问答不一样。普通问答是一问一答，两次 API 调用就结束了。Agent 任务是一个长链条------模型要反复地读代码、分析问题、制定方案、写代码、跑测试、看结果、修代码，一个中等复杂度的任务跑下来，可能要调用模型几十次。每次调用都要消耗输入和输出 token。
所以 Agent 场景下，模型的单价是乘以调用次数的，token 成本不菲。
SkyClaw 的定价我仔细看了两遍。
输入价格只有 DeepSeek V4 Pro 的二十四分之一，大约是 MiniMax M2.7 的四分之一。
况且还有 SkyClaw-v1.0-lite 版本。同样的架构和训练方法，更小的参数量，推理速度更快，成本更低。对延迟敏感或者预算紧张的场景，Lite 版本是一个很实用的选择。
上线期间通过 ApiFree 可以免费调用。想试的小伙伴赶紧去注册，这种免费额度不知道还能持续多久。
对于个人开发者来说，Agent 开发最大的门槛从来不是技术。框架有 Codex 和 Claude Code，工具链也很成熟。真正卡脖子的是模型成本。
好的模型调用贵，便宜的模型干不了 Agent 的活。SkyClaw 在这两个维度上同时做到了不错的水平，确实给个人开发者提供了一个很实际的选择。
06、天工超级智能体
聊了这么多 SkyClaw 在第三方 Agent 框架里的表现，也得说说它的"原生主场"------天工超级智能体。
天工是昆仑万维打造的一个多智能体协同平台。在对话框里给它一个任务目标，它会自动拆解任务、调度多个专家级智能体、端到端交付成品。
什么意思呢？举个我自己的真实案例。
最近在写 AI 编程工具的横评文章，需要一份 Claude Code、Codex、Qoder 的竞品分析。以往的做法是自己翻官网、查文档、整理数据、做对比表格、排 PPT，前前后后要忙大半天。
这次我甩给天工一句话就完事了。
天工调用了联网搜索、数据分析等多个 MCP 工具，大概跑了十五分钟。
最终输出了两样东西。第一份是深度分析报告，一共九个章节，内嵌了七个用 Chart.js 做的交互式数据图表，覆盖产品概览、核心指标对比、功能差异、定价策略、生态适配、优劣势和选型建议。每个数据都标注了来源。
第二份是团队分享 PPT，十三页，从封面到综合评分，结构清晰，排版干净。
这个 PPT 不是那种"能看但还得自己大改一遍"的半成品。字号统一、间距合理、配色也不辣眼睛，页面之间的逻辑衔接顺畅。直接拿去团队内部分享完全没问题，不丢面子。
天工内置了全模态编辑器，文档、PPT、表格、图片都能在线编辑和导出。不过我觉得大多数时候不太需要改，直接用就行了。
云端虚拟机和定时任务
天工在云端给每个用户开了一台虚拟机，所有任务执行和文件读写都在云端完成。甚至可以关掉浏览器去做别的事情，回来它还在跑，文件也不会丢。
支持多线程并行，多条复杂工作流可以同时跑：写文档、做 PPT、跑数据分析，不用排队等候。
天工还接入了飞书 IM，支持定时自动化。不需要打开浏览器，直接在飞书里下达任务。
我配了一个实用的定时任务------每天早上八点，天工自动搜索过去二十四小时的 AI 行业动态，筛选五到八条有价值的热点（去掉营销稿和重复信息），推送到我的飞书。
每天早上打开飞书，一份筛选好的 AI 行业日报已经安静地躺在那儿了。
旗舰模型和技能广场
天工内置了多个顶级模型可以随意切换。除了自家的 SkyClaw 系列，还有 DeepSeek V4 Pro、GLM-5.1 等。不确定选哪个就用智能调度模式，让系统根据任务复杂度自动匹配。
技能广场是天工另一个实用的地方。文档、PPT、图片生成、表格处理、网页搭建、视频制作（接入了 Seedance 2.0 和 Kling 3.0），各种专家级 Skill 都有。
我测了一个场景，让天工做一份"新员工 AI 工具使用培训"PPT。
它先梳理了培训大纲，逐页生成内容和排版，最后输出 .pptx 文件。做 PPT 的同时还能参考之前上传的文档、联网搜索数据、读取 Excel 提取指标。这种跨模态的协同在很多单点 AI 工具上是做不到的。
天工还支持自定义 Skill，描述自己的工作场景和需求，天工帮忙创建专属技能。用的次数越多，天工对使用者的工作习惯和偏好就越了解，生成的结果也越贴合实际需要。
去年我就体验过天工的海外版 Skywork，跟全球顶尖的 AI 产品正面交锋了一整年之后，国内版做了一次大的跨代升级。给我的体感是，它不是慢慢迭代出来的产品，是带着实战经验回来的。
ending
Codex 加上 SkyClaw v1.0，确实跑出了一个让我比较满意的组合。
PaiSwitch 的模型切换功能，从读代码到拆任务到写代码到跑测试到修 bug。PaiAgent 的工作流适配，看了报错、找到代码、写了适配器、跑通工作流。
SkyClaw 的 API 目前通过 ApiFree 平台免费开放。如果大家也在折腾 Agent 开发，或者只是想找一个性价比高的模型跑 Codex，都值得去试试。
【一台电脑，一个好用的 Agent 模型，能干的事情比你想象的多。】
我们下期见。