Ollama 提供了一种方式，可以从其庞大的语言模型库中下载大型语言模型，该库包括 Llama3.1、Mistral、Code Llama、Gemma 等。Ollama 将模型权重、配置和数据整合到一个由 Modelfile 指定的包中。Ollama 提供了一个灵活的平台，用于创建、导入和使用自定义或现有语言模型，非常适合创建聊天机器人、文本摘要等应用。它强调隐私，可与 Windows、macOS

现在，我们已经有大语言模型了，我们完全可以把一个小参数版本的 DeepSeek 直接部署在一台服务器上（​ 比如DigitalOcean 的H200 GPU Droplet服务器 ​），并给它配上自定义的知识库。用更灵活的方案，替代掉传统的 SaaS 方案。但是问题在于，这个机器人不是你可控的，你只能给它添加固定的回答，或者通过人工时不时地去修正它所给出的答案。最后，如果你的团队具备更强的 AI

科技大潮的演进，总是遵循着特定的客观规律。当人们依然沉浸在大模型参数量的不断狂飙、以及各种惊艳的 Agent 框架层出不穷的宏大叙事中时，苏姿丰用一份 1200 亿美金的预言，把整个行业的目光重新拉回到了最扎实、最务实的基础设施地面上。大模型的上半场，是属于科技巨头们在神坛上的 GPU 军备竞赛；而 AI 的下半场——也就是 Agent 真正走向千家万户、重构每一个普通人生产力的时代，它的胜负手则

科技大潮的演进，总是遵循着特定的客观规律。当人们依然沉浸在大模型参数量的不断狂飙、以及各种惊艳的 Agent 框架层出不穷的宏大叙事中时，苏姿丰用一份 1200 亿美金的预言，把整个行业的目光重新拉回到了最扎实、最务实的基础设施地面上。大模型的上半场，是属于科技巨头们在神坛上的 GPU 军备竞赛；而 AI 的下半场——也就是 Agent 真正走向千家万户、重构每一个普通人生产力的时代，它的胜负手则

obsidian在 2023 年，每一次关于 AI 领导力的对话都集中在模型训练成本上。而到了 2026 年，更大的挑战已不再仅仅是训练，而是推理（Inference）。训练是一次性或偶尔发生的。而推理则发生在用户的每一次提示词输入、智能体的每一次工具调用、RAG 检索或应用生成的每一次回复中。算力需求从“模型训练”向“模型推理”的转移，使 AI 的经济模式从静态的模型构建成本，转变为随着产品需求

用推理路由器，自动将不同任务匹配最佳模型，代码任务交给claude，文本任务交给deepseek，成本比全用前沿模型降低 71%。

在不修改任何业务代码的前提下，引入claudo在体验无感的同时，实现了链路的可控。虽然从表面上看，你的调用方式和交互体验没有变化，且 DigitalOcean 针对的阶梯定价与 Anthropic 官方完全持平，但在长期的团队协作中，这种“工程化路径”会逐渐显现出其不可替代的稳定性与财务透明度。当大模型能力日趋同质化时，未来的技术壁垒不再仅仅取决于“用了什么模型”，而在于“如何更稳、更省、更专业地

本文将介绍，如何在本地安装的Openclaw中，使用DigitalOcean GradientAI 的Key配置大模型。可用的大模型包括：Claude opus、Claude Sonnet、gtp-oss、Kimi、DeepSeek、Qwen、MiniMax，以及 NVIDIA Dynamo 1.0等数十种大模型。本文中介绍的API 接入方法，对云端部署的Openclaw同样适用。

轻量任务本地化：简单的代码提示交给 Copilot 或本地模型。重型任务云端化：涉及跨文件逻辑、架构设计、数据迁移脚本时，直接调用 Gradient 上的 opus 4.6。统一化管理：所有的 API 调用、模型切换和账单支付都集中在 DO 平台，不再需要到处找 Key。这种“Serverless AI”的配置方式，代表了未来开发者工作流的趋势——不为闲置的订阅买单，只为产生的价值付费。赶紧去配置

VS Code + Claude Code 官方插件 + DO 国内直连，免翻墙不封号，直接使用Claude Opus 4.7。