2025年9月-2026年4月 ｜ 本地部署与模型调度
时间：2025 年 9 月 — 2026 年 4 月 主线：Monica 会员到期后全面转向本地部署方案 核心：自建中转、自主调度、按任务类型分流模型
本周工作内容
Monica 会员到期后，本周开始全面转向本地部署方案。先用 kimi 开通 claude 中转，配合 claude code 做本地部署开发；随后 openclaw 起势，搭建本地转接接入 chatgpt5.2 的 api；期间体验了 chatgpt 5.5 plus 会员，重点测试了 Image2 的生图能力；近期又接入 cc-switch，转接 DeepSeek-V4 模型 api 做日常调度使用。
部署链路演进：
- kimi 开通 claude 中转 → 配合 claude code 本地开发
- openclaw 本地转接 → 接入 chatgpt5.2 api
- chatgpt 5.5 plus 会员 → 测试 Image2 生图
- cc-switch → 转接 DeepSeek-V4 做日常调度
学习收获
这一通折腾下来，我对 AI 工具链的本地化部署有了比较系统的认识。从依赖第三方聚合服务，到自建中转、自主调度，我对 api 调用、模型路由、成本控制都有了实操层面的理解，不再是停留在概念上。
claude code 的本地部署让我接触到命令行下的 AI 编程工作流，和网页对话完全是两种体验，对开发场景的适配度高很多。
多模型切换也让我对各家的能力边界有了对比认知——什么时候该上推理强的模型，什么时候用多模态，什么时候用性价比高的，调度策略本身就是一门需要积累经验的学问。
期间测试 Image2 生图，也让我对当前文生图的写实度和可控性有了更新的判断。
关键认知：所谓”用好 AI”很多时候不是选最强的模型，而是让合适的模型干合适的活。
遇到的困难及解决方法
难点一：配置与环境踩坑
中转服务的密钥管理、网络代理、依赖版本三天两头出状况。我的办法是把整个配置流程文档化，每踩一个坑就记下来，慢慢攒成一份 troubleshooting 笔记，后来再遇到类似问题翻一翻就能解决，复用率很高。
难点二：openclaw 限流与不稳定
转接时遇到过 api 限流和响应不稳定的问题。我加重试机制、并准备备用模型兜底来应对。
难点三：DeepSeek-V4 非多模态失效
cc-switch 调度 DeepSeek-V4 时发现它不是多模态模型，只具备思考推理能力，处理图片类任务会直接失效。于是我把调度策略改成按任务类型分流——纯文本推理走 DeepSeek-V4 压成本，涉及图像的任务切到多模态模型，这样兼顾了能力和开销。