# OpenClaw 接入 Amazon Bedrock 模型选择完全指南Nova Micro/Lite/Pro、Claude Haiku/Sonnet/Opus、Llama 三大模型家族怎么选不花冤枉钱 本文详细对比 Amazon Bedrock 上 Nova、Claude、Llama 三大模型家族的特点、适用场景和成本差异手把手教你在 OpenClaw 中配置和切换模型附带 Bedrock 四大省钱机制全解析帮你避开选型踩坑。 ## 你有没有在 Bedrock 上选模型选到头秃 上个月接了个需求给团队搭一套 AI 助手。打开 Amazon Bedrock 的模型列表我直接傻了 — 几十个模型摆在那儿。Nova 家族四个、Claude 家族三个、Llama 也有好几个版本。光 Nova 就分 Micro、Lite、Pro、Premier名字都差不多到底有啥区别 选贵了老板问你为什么成本这么高。选便宜了效果拉垮被业务方吐槽。两头为难。 战腾了两周踩了不少坑总算摸清了四道。今天把这些经验一次性整理出来帮你少走弯路。 ## 先搞清楚Bedrock 上有哪些模型 亚马逊云科技的 Amazon Bedrock 是一个全托管的大模型服务平台。你不用自己买 GPU不用操心部署和运维直接调 API 就行按用量付费。 平台上的模型主要分三大家族下面挨个说。 ### 1. Amazon Nova 家族亚马逊云科技自研 Nova 是亚马逊云科技自家研发的模型系列2024 年底推出迭代非常快。 | 模型 | 输入模态 | 核心特点 | |------|---------|---------| | Nova Micro | 纯文本 | 延迟低成本低响应飞快 | | Nova Lite | 文本图片视频 | 低成本的多模态方案 | | Nova Pro | 文本图片视频 | 性能与成本之间取得平衡 | | Nova Premier | 文本 | 推理能力强适合复杂 agentic 工作流 | Nova 家族的定位很清晰 — **便宜、快、够用**。 我实际用下来Nova Micro 的表现让我挺意外的。之前以为便宜的模型效果会很差结果发现在简单任务上准确率完全在线。翻译一段英文文档、提取 JSON 里的某个字段、把一段文字改写成另一种风格 — 这些活它干得利索又便宜。 Nova Lite 的多模态能力也是加分项。传张图片进去让它描述内容传段视频让它总结要点都能做。关键是价格只有同级别多模态模型的零头。对于需要处理图片和视频的批量任务来说性价比很高。 Nova Pro 是 Nova 家族的均衡型选手。多模态能力全面性能也上了一个台阶。日常使用中如果对多模态质量有一定要求Pro 是比 Lite 更稳妥的选择。 Nova Premier 则专注复杂推理。如果你在搭一个需要多步骤决策的 Agent 系统Premier 的推理深度会比其他 Nova 模型强不少。 ### 2. Anthropic Claude 家族 Claude 系列在开发者圈子里口碑很好尤其在代码生成和长文本理解方面。 | 模型 | 定位 | 核心特点 | |------|------|---------| | Claude Haiku | 轻量快速 | 快速响应适合简单任务 | | Claude Sonnet | 均衡型 | 质量和速度的平衡大多数开发任务的首选 | | Claude Opus | 重型推理 | 复杂推理和深度分析 | Sonnet 用着确实舒服。写代码的时候它生成的代码结构清晰、异常处理完善、注释到位还会解释设计思路。 Opus 贵是贵但处理复杂架构设计和长链推理的时候那个质量差距是肉眼可见的。有一次我让它分析一个微服务拆分方案它不但给了拆分建议还把服务间通信的协议选择、数据一致性的保障策略、灰度发布的方案都考虑到了。这种深度和全面性在其他模型上很难做到。 Haiku 适合需要快速响应的轻量级场景。比如一个实时聊天机器人用户不想等太久Haiku 的速度很快。但如果质量要求稍高一点我还是更倾向于 Nova Micro — 同样快但成本更低。 ### 3. Meta Llama 家 Llama 是 Meta 开源的模型系列。在 Bedrock 上可以直接调用托管版本不用自己折腾部署和运维。 Llama 3.3 70B 的综合能力很能打。如果你的团队已经围绕 Llama 做了 prompt 调优甚至微调迁移到 Bedrock 上的 Llama 成本很低模型行为也是一致的。 从成本角度看Llama 3.3 70B 的价格大概在 Nova Lite 和 Nova Pro 之间比 Claude 系列便宜不少。算是一个能力和成本的中间选项。 ## 按场景选模型别无脑选贵的 这是我踩完坑之后总结的场景推荐。你可以直接抄作业然后根据自己的实际体验再微调。 ### 场景一日常聊天 / 简单问答 / 文本格式化 **推荐Nova Micro** 说白了就是那些帮我翻译一下、这段话什么意思、把这个 JSON 格式化一下之类的任务。Nova Micro 响应快、成本低完全够用。 我之前犯的错就是 — 所有场景都用 Claude Sonnet。后来翻了翻请求日志好家伙翻译一句话也在用 Sonnet提取一个字段也在用 Sonnet。这些简单任务占了总调用量的 60% 以上。 全部切到 Nova Micro 后这部分成本降了几十倍。就是这么夸张。 ### 场景二代码生成 / 技术文档写作 **推荐Claude Sonnet** 写代码这件事模型质量的差距特别明显。同样一个写一个 Python 装饰器实现接口限流的需求我做过对比 - Nova Micro能写出基本功能但边界情况处理得粗糙缺少重试逻辑注释也少 - Claude Sonnet代码结构清晰有完整的异常处理注释到位还会解释为什么选择这种实现方式 - Claude Opus质量比 Sonnet 略好一点但提升幅度不大性价比不如 Sonnet 代码生成的钱不能省。Bug 的修复成本远比模型调用费用高。Sonnet 在这个场景下就是甜蜜点。 技术文档也类似。Sonnet 写出来的文档逻辑清晰、层次分明、用词准确基本不用大改。 ### 场景三复杂推理 / 架构设计 **推荐Claude Opus** 比如帮我设计一个支持百万级并发的消息队列架构或者分析这段分布式事务代码的一致性问题。这种需求需要模型有很强的逻辑推理和全局规划能力。 Opus 贵但在这种场景下值。它能考虑到的边界情况和权衡取舍比其他模型多不少。 不过千万注意 — **别所有任务都扔给 Opus**。Opus 的价格是 Nova Micro 的两百倍。拿它来翻译句子、格式化文本就像开法拉利去买菜能跑但太贵了。 ### 场景四批量处理 / 分类打标签 **推荐Nova Lite** 比如你要对几万条用户反馈做情感分析或者给几千个商品打分类标签。这种任务的特点是量大、单条逻辑简单。 Nova Lite 的多模态能力在这里是加分项 — 如果你的数据里有图片它也能一并处理不用单独搞一个图片处理管线。 配合 Bedrock 的 Batch Inference批量推理成本还能再砍半。两招叠加省得更多。 ### 场景五多模态理解图片、视频 **推荐Nova Pro性价比优先/ Claude Sonnet质量优先** 需要处理图片、视频内容的场景。Nova Pro 在多模态上做了专门优化性价比不错。Claude Sonnet 的图片理解精度更高。 我的做法是 — 要求不高的多模态任务比如图片分类、视频摘要用 Nova Pro对精度有高要求的比如图片中的细节分析、OCR 校对用 Claude Sonnet。 ## 成本差距到底有多大 绝对价格会随时闵变化这里用相对成本来对比。以 Nova Micro 为基准1x | 模型 | 相对成本输入 | 相对成本输出 | 适合场景 | |------|:---:|:---:|------| | Nova Micro | 1x | 1x | 简单文本任务 | | Nova Lite | 3x | 3x | 批量处理、多模态 | | Nova Pro | 10x | 10x | 均衡多模态 | | Claude Haiku | 10x | 12x | 快速响应任务 | | Claude Sonnet | 40x | 50x | 代码、文档、中高复杂度 | | Claude Opus | 200x | 250x | 复杂推理、架构设计 | | Llama 3.3 70B | 9x | 9x | Llama 生态迁移 | Nova Micro 和 Claude Opus 之间差了两百多倍。如果你不分场景一律用 Opus那月底的账单会非常感人。 反过来说如果你把 60% 的简单任务从 Sonnet 切到 Nova Micro光这一步就能省下很可观的成本。这不是优化这是止血。 ## 在 OpenClaw 中配置和切换模型 OpenClaw 切换 Bedrock 模型非常简单改一行配置重启就生效。 ### 基础配置 编辑你的 openclaw.yaml 文件 yaml # 默认使用 Claude Sonnet 作为主力模型 ai: model: amazon-bedrock/us.anthropic.claude-sonnet-4-20250514-v1:0 ### 切换到其他模型 Nova Micro省钱跑简单任务 yaml ai: model: amazon-bedrock/us.amazon.nova-micro-v1:0 Nova Lite批量处理 多模态 yaml ai: model: amazon-bedrock/us.amazon.nova-lite-v1:0 Nova Pro均衡型多模态 yaml ai: model: amazon-bedrock/us.amazon.nova-pro-v1:0 Llama 3.3 70B开源生态 yaml ai: model: amazon-bedrock/us.meta.llama3-3-70b-instruct-v1:0 ### 可选模型 ID 速查表 yaml # Nova 家族 # amazon-bedrock/us.amazon.nova-micro-v1:0 # 纯文本快且便宜 # amazon-bedrock/us.amazon.nova-lite-v1:0 # 多模态低成本 # amazon-bedrock/us.amazon.nova-pro-v1:0 # 多模态均衡 # Claude 家族 # amazon-bedrock/us.anthropic.claude-sonnet-4-20250514-v1:0 # 均衡主力 # Llama 家族 # amazon-bedrock/us.meta.llama3-3-70b-instruct-v1:0 # 开源模型托管版 改完配置文件后重启 OpenClaw 就生效了。不需要改任何代码。 ## 进阶用 Bedrock 的成本优化特性再省一泣 光选对模型还不够。Bedrock 平台本身还有四个成本优化功能配合使用效果更好。 ### 1. Intelligent Prompt Routing智能提示路由 这是我觉得特别实用的功能。原理很简单 — **Bedrock 自动分析每个请求的复杂度然后路由到合适的模型**。简单任务自动走便宜模型复杂任务自动走强模型。 亚马逊云科技官方数据是能省约 30%。 说白了就是 Bedrock 帮你做了分流决策。你不用自己写路由逻辑不用自己判断这个请求算简单还是复杂。系统帮你搞定。 我之前自己写了一套规则引擎做分流基于关键词和 token 长度来判断复杂度。效果一般 — 很多请求的复杂度不好用简单规则判断。后来发现 Bedrock 自带这个功能省了不少事。 ### 2. Prompt Caching提示缓存 如果你的应用有很长的系统提示system prompt而且每次请求都带着同样的系统提示开启缓存之后重复的部分不再重复计费。 官方数据是能省高达 90%。乍一看这数字很夸张但你想想 — Agent 应用的 system prompt 动辄几千 token用户实际输入可能才几百 token。大头都花在重复的 system prompt 上了。缓存掉之后省的比例就是这么高。 如果你在做 Agent 类的应用这个功能必开。 ### 3. Model Distillation模型蒸馏 用大模型比如 Opus的高质量输出去训练一个小模型。蒸馏后的小模型速度能快 5 倍成本降 75%。 适合已经跑了一段时间、任务模式固定、想进一步降本的场景。相当于给你的特定任务定制了一个小而精的模型。 ### 4. Batch Inference批量推理 不着急要结果的任务比如离线数据分析、批量内容审核、每天定时跑的分类任务可以用批量推理模式成本直接砍半。 和 Nova Lite 配合特别好 — 本来就便宜的模型加上批量推理打五折双重优惠。 ## 我的实际使用策略 分享一下我现在的搭配方案供参考 1. **默认模型设 Claude Sonnet** — 大部分开发任务都用它质量和速度的平衡点 2. **简单任务切 Nova Micro** — 翻译、格式化、简单问答没必要杀鸡用牛刀 3. **架构设计用 Opus** — 需要深度思考的时候才请出来按需使用 4. **批量处理用 Nova Lite** — 量大活简单的场景配合 Batch Inference 5. **多模态用 Nova Pro** — 图片视频理解性价比好 6. **开启 Prompt Caching** — system prompt 长的应用必开 7. **关注 Intelligent Prompt Routing** — 让系统帮你自动分流 这套组合拳下来比无脑用一个模型省了不少钱效果也没打折扣。 ## 最后说几句 选模型就像选工具。螺丝刀能解决的问题不需要搬出电钻。 核心原则就一句话**从便宜模型开始效果不够再升级。** 别反过来。一上来就全用 Opus然后因为太贵又降回来中间的成本就白花了。先用 Nova Micro 试试不够上 Sonnet还不够再上 Opus。这样你对每个模型的能力边界也更清楚。 如果你也在 Bedrock 上选模型踩过坑欢迎评论区聊聊你的经验。 --- *本文基于作者实际使用经验整理模型能力和成本可能随版本更新变化请以亚马逊云科技官方文档为准。*