从水产养殖到AI智能体：基于OpenClaw框架的农业自动化实践-北京尧图网络

1. 从“养虾”到“养AI”一个水产养殖户的跨界奇遇去年我在老家承包了十几亩水塘开始捣鼓起小龙虾养殖。从选苗、投喂、水质调控到病害防治一路踩坑过来总算摸到点门道。塘里的虾子长得不错但随之而来的问题也多了起来每天要盯着水质监测数据要记录投喂量和虾的活动情况要处理客户订单和物流信息还要应付各种突发状况比如天气骤变、设备报警。我一个人忙得团团转感觉不是在养虾是在被虾“养”——养得心力交瘁。就在我琢磨着怎么用技术解放双手的时候一个偶然的机会我在技术论坛上看到了“OpenClaw”这个词。第一眼我还以为是什么新的水产养殖自动化设备或者智能投饵机的品牌。点进去一看好家伙完全不是一回事。OpenClaw直译过来是“开放的钳子”这名字起得挺有意思让我立刻联想到了小龙虾那对威风的大螯。深入了解后才发现它是一个开源的AI智能体Agent框架。简单说它就像一个不知疲倦的、拥有一定“思考”和“执行”能力的数字助手。你可以通过自然语言给它下达指令它就能调用各种工具比如查询天气、发送消息、操作数据库、控制智能设备去完成任务。这个发现让我眼前一亮。我养虾遇到的很多重复性、流程化的工作是不是也能交给这样一个“AI智能体”来处理比如自动读取水质传感器的数据一旦溶氧低于阈值就自动开启增氧机自动汇总每天的投喂记录生成养殖日志甚至自动回复一些常见的客户询价。这不就是我梦寐以求的“数字养殖工”吗于是我这个养虾的“土专家”开始了一场向AI领域“跨界”的探索。这个过程远比想象中复杂但也充满了惊喜。今天我就以一个“过来人”的身份聊聊我是怎么把OpenClaw这只“数字小龙虾”请进我的养殖场让它帮我“养”真小龙虾的。2. 环境准备给“数字虾”安个家在把OpenClaw部署到生产环境之前你得先给它找个稳定、可靠的“窝”。我选择在塘边管理房里的一台旧电脑上部署系统是Ubuntu 22.04 LTS。为什么不选Windows主要是考虑到长期运行的稳定性和资源开销Linux系统在这方面通常表现更好而且后续用Docker部署也更方便。2.1 基础依赖安装首先得确保系统环境干净。打开终端第一件事就是更新软件包列表并升级现有软件sudo apt update sudo apt upgrade -y接下来安装一些必要的工具比如用于管理软件版本的curl和gitsudo apt install -y curl gitOpenClaw的运行离不开Python我们需要一个较新的版本。我选择了Python 3.10它既有不错的稳定性也支持大多数现代库。sudo apt install -y python3.10 python3.10-venv python3.10-dev python3-pip安装完成后建立一个独立的Python虚拟环境是个好习惯可以避免不同项目间的依赖冲突。我在家目录下创建了一个专门的项目目录mkdir -p ~/openclaw_project cd ~/openclaw_project python3.10 -m venv openclaw_venv source openclaw_venv/bin/activate激活虚拟环境后命令提示符前面会出现(openclaw_venv)的标识这表示我们后续的所有Python操作都局限在这个“沙箱”里了。2.2 核心引擎Ollama的部署与模型选择OpenClaw本身是一个框架它需要一个大语言模型LLM作为其“大脑”来进行理解和推理。我选择了Ollama来在本地运行大模型因为它部署简单资源管理友好并且支持很多优秀的开源模型。安装Ollama只需要一行命令curl -fsSL https://ollama.ai/install.sh | sh安装完成后启动Ollama服务ollama serve服务会在后台运行。接下来就是选择模型了。模型的选择至关重要它直接决定了你的AI智能体的“智商”和“性格”。对于我这种资源有限的场景需要在模型能力和硬件开销之间取得平衡。我主要测试了以下几款模型Llama 3.1 8BMeta的最新力作8B参数版本在理解、推理和代码能力上非常均衡对我的旧电脑16GB内存来说压力不大响应速度也够快是我最终的主力选择。Qwen2.5 7B通义千问的模型中文理解能力极强对于需要处理中文指令和本地知识的场景特别友好。Gemma 2 9BGoogle的轻量级模型效率很高但在复杂任务规划上稍逊于Llama 3.1。你可以用以下命令拉取并运行模型ollama pull llama3.1:8b ollama run llama3.1:8b在Ollama的交互界面里你可以直接和模型对话测试其基础能力。我通常会问它一些养殖相关的问题比如“小龙虾白斑综合征的初期症状是什么”来检验其知识库和逻辑性。注意第一次拉取模型会下载数GB的文件请确保网络通畅和磁盘空间充足。模型运行时会占用大量内存建议至少准备8GB可用内存给Ollama。2.3 Docker更优雅的部署选择虽然直接安装也行但我更推荐使用Docker来部署OpenClaw。Docker能把应用和它所有的依赖打包在一个容器里做到环境隔离、一键部署非常适合我这种需要经常备份和迁移的场景。首先确保系统里安装了Docker和Docker Composesudo apt install -y docker.io docker-compose sudo systemctl start docker sudo systemctl enable docker将你的用户加入docker组这样就不用每次都加sudo了sudo usermod -aG docker $USER需要重新登录终端才能使此更改生效。接下来我们需要获取OpenClaw的Docker镜像和配置文件。通常开源项目会在其GitHub仓库提供docker-compose.yml示例。假设我们找到了一个配置它可能长这样这是一个简化示例实际请以官方最新文档为准version: 3.8 services: openclaw: image: some-registry/openclaw:latest container_name: openclaw restart: unless-stopped ports: - 3000:3000 # Web管理界面端口 environment: - OLLAMA_BASE_URLhttp://host.docker.internal:11434 # 指向宿主机Ollama - DEFAULT_MODELllama3.1:8b # 默认使用的模型 volumes: - ./data:/app/data # 挂载数据卷持久化配置和会话这里有个关键点OLLAMA_BASE_URL。因为Ollama运行在宿主机你的物理机上而OpenClaw运行在Docker容器内属于两个不同的网络环境。在Linux/macOS上我们可以用host.docker.internal这个特殊域名来指向宿主机。在Windows上可能是host.docker.internal或直接使用宿主机IP如192.168.1.100。保存这个文件为docker-compose.yml然后在同一目录下运行docker-compose up -d-d参数表示在后台运行。用docker ps命令可以查看容器是否正常运行。如果一切顺利打开浏览器访问http://你的服务器IP:3000就能看到OpenClaw的Web管理界面了。3. 核心配置教会“数字虾”干活部署成功只是第一步相当于给机器人通了电。接下来我们要通过配置赋予它具体的“技能”和“知识”让它能理解我们养殖场的“黑话”并执行实际任务。3.1 基础连接与模型配置首次登录OpenClaw的Web界面通常需要进行基础设置。最关键的一步是配置大模型连接。设置Ollama连接在设置页面找到“模型提供商”或“后端服务”选项。填入Ollama的地址也就是我们之前提到的http://host.docker.internal:11434Docker部署或http://localhost:11434直接部署。点击测试连接确保能成功列出Ollama中已下载的模型。选择默认模型从列表中选择我们准备好的模型例如llama3.1:8b并将其设为默认。这个模型将作为智能体的核心推理引擎。系统提示词System Prompt定制这是配置的灵魂。系统提示词定义了AI智能体的角色、行为准则和知识背景。我写了一个针对养殖场的版本你是一个专业的水产养殖数字化管理助手名叫“虾管家”。你的核心职责是协助管理小龙虾养殖场的日常运营。你精通小龙虾的生物学特性、养殖周期、常见病害如白斑综合征、烂鳃病、水质管理pH、氨氮、亚硝酸盐、溶氧和投喂策略。你说话风格应简洁、务实、带点亲切感像一位经验丰富的老师傅。你的知识截止日期是2023年10月对于之后的病害新变种或政策法规可能不了解需要提醒用户核实。你只能基于可靠的水产养殖学知识进行回答对于不确定的信息必须明确告知“这一点我的知识库没有更新建议咨询当地水产技术推广站”。你拥有调用工具的能力可以处理数据、发送通知、查询信息。当用户提出明确的操作需求时如“记录今天的投喂量”你应该主动询问必要细节如投喂饲料品牌、用量、塘口编号然后调用相应工具完成并给出确认。这个提示词就像给AI智能体做了一次全面的“岗前培训”让它明确自己的身份、能力和边界。3.2 Skill技能开发打造专属工具集OpenClaw的强大之处在于“Skill”技能。你可以把它理解为给智能体安装的一个个“小程序”或“插件”每个Skill赋予它一项具体的能力。我需要为我的养殖场开发几个核心Skill。Skill 1水质数据记录与预警这个Skill让OpenClaw能读取我安装在塘里的物联网传感器数据假设传感器数据通过一个本地API提供并判断是否异常。我写了一个简单的Python脚本作为Skill的核心逻辑# skill_water_quality.py import requests import json from datetime import datetime class WaterQualitySkill: def __init__(self, api_urlhttp://192.168.1.50:8080/sensor/data): self.api_url api_url def get_current_data(self): 从传感器API获取当前水质数据 try: response requests.get(self.api_url, timeout5) data response.json() return { success: True, data: data, time: datetime.now().strftime(%Y-%m-%d %H:%M:%S) } except Exception as e: return {success: False, error: str(e)} def analyze_and_alert(self, data): 分析数据并生成预警信息 alerts [] do data.get(dissolved_oxygen, 0) # 溶氧 mg/L ph data.get(ph, 7.0) ammonia data.get(ammonia_nitrogen, 0) # 氨氮 mg/L if do 4.0: alerts.append(f⚠️ 溶氧过低{do} mg/L建议立即开启增氧机) elif do 12.0: alerts.append(f⚠️ 溶氧过高{do} mg/L注意检查藻类是否过度繁殖。) if ph 6.5: alerts.append(f⚠️ pH值偏低{ph}水体偏酸可考虑适量泼洒生石灰。) elif ph 9.0: alerts.append(f⚠️ pH值偏高{ph}水体偏碱需注意。) if ammonia 0.5: alerts.append(f⚠️ 氨氮超标{ammonia} mg/L对虾体有害应加强换水或使用微生物制剂。) return alerts然后在OpenClaw的Skill管理界面将这个Skill注册进去并定义触发指令比如“检查水质”、“塘口1号数据怎么样”。当我对OpenClaw说“检查一下所有塘口的水质”它就会调用这个Skill获取数据分析后用自然语言向我汇报“主人刚检查完。1号塘溶氧5.2mg/L正常pH值8.1正常氨氮0.3mg/L正常。2号塘溶氧3.8mg/L偏低建议关注...”Skill 2养殖日志自动生成我每天都要记录天气、投喂情况、虾的活动状态、用药情况等。以前用纸质本子容易丢。现在我开发了一个日志Skill。我让OpenClaw在每天下午6点自动向我发起一个对话“虾管家提醒您记录今日养殖日志。请告诉我1. 今日天气晴/雨/温度 2. 各塘口投喂饲料类型和用量 3. 观察到虾有何异常活动吗 4. 是否进行用药或调水”我只需要用语音或文字回复比如“天气晴28度1号塘投喂32蛋白饲料10公斤2号塘8公斤虾活动正常无异常下午给1号塘换了10%的水。” OpenClaw会调用日志Skill将这些非结构化的文本按照预设的格式日期、塘口、项目、内容整理好自动追加到一个Markdown文件或数据库中。月底需要写总结报告时直接让OpenClaw“导出本月的养殖日志摘要”它就能快速生成。Skill 3简易客户问答与订单记录针对微信上老客户常问的问题比如“现在虾多大”、“什么价格”、“明天能送20斤到XX饭店吗”我配置了关键词触发和模板回复。当OpenClaw接入微信这需要额外的中间件或插件如itchat或企业微信机器人API后可以监控消息。当识别到“价格”、“规格”、“预订”等关键词时它会先调用一个查询Skill从本地数据库或在线表格中获取最新的价格表和规格信息然后自动组织语言回复“您好目前规格4-6钱的小龙虾塘口价是XX元/斤6-8钱的是XX元/斤。市区内订货满50斤免费配送。请问您需要预订多少呢”如果客户表达了明确的订购意向OpenClaw会接着调用订单记录Skill引导客户留下信息数量、规格、送达地址、时间并生成一个简单的订单记录发送到我的飞书或钉钉群进行确认。这样即使我在塘口忙也不会错过订单。3.3 记忆与会话管理让对话有连续性一个常见的问题是AI智能体容易“健忘”尤其是OpenClaw这类架构默认可能不保存长篇对话的上下文。这就导致了“第二天就不知道昨天会话内容”的尴尬。解决这个问题需要配置OpenClaw的记忆模块。这通常涉及两个方面短期会话记忆这通常由大模型本身的上下文窗口长度决定。例如Llama 3.1 8B可能有8K或更长的上下文。在OpenClaw配置中需要确保在发起对话时将之前的对话历史作为上下文传递给模型。这需要检查OpenClaw与模型API交互的代码或配置确保messages数组里包含了完整的对话轮次。长期记忆/知识库对于需要永久记住的信息比如“客户张三喜欢麻辣口味”、“我的增氧机控制API密码是XXX”不能只靠对话上下文。这里有两种主流做法向量数据库将重要的信息如养殖规范、客户档案、设备手册转换成向量存入像ChromaDB、Milvus这样的向量数据库中。当用户提问时OpenClaw先将问题转换成向量去数据库里搜索最相关的几条信息然后将这些信息作为“参考材料”连同问题一起发给大模型让模型基于这些材料生成回答。这就相当于给AI智能体配了一个外部知识库。结构化数据库对于订单、日志、设备状态这类高度结构化的数据直接使用SQLite、MySQL或Airtable这样的数据库来存储。开发专门的Skill来读写这些数据库。当用户问“上个月哪个塘口的饲料成本最高”时Skill就去查询数据库并计算。在我的实践中我采用了混合模式。客户偏好、常用联系人等用向量数据库存储便于模糊查询和关联。而投喂记录、水质历史数据、订单则用SQLite数据库存储便于精确计算和报表生成。在OpenClaw的配置文件中需要正确设置这些数据库的连接参数和初始化脚本。4. 实战应用与深度调优配置好基础技能后OpenClaw就开始正式参与我的养殖管理工作了。这个过程不是一蹴而就的需要不断地“调教”和优化。4.1 典型工作流实战让我描述一个从清晨开始的、由OpenClaw参与的工作场景早上7:00我的手机或智能音箱收到OpenClaw的语音播报“主人早上好。这是昨夜至今晨的养殖简报1号塘溶氧夜间最低值3.9mg/L于凌晨4点触发增氧机自动开启目前升至5.8mg/L。2号塘水质各项指标正常。天气预报显示今天午后有雷阵雨建议上午完成巡塘和投喂。”这份简报是多个Skill协作的结果水质监控Skill定时抓取数据并分析智能设备控制Skill在溶氧过低时通过物联网平台启动了增氧机天气查询Skill获取了最新预报简报生成Skill将所有这些信息汇总成一段流畅的口播。上午9:00我来到塘边对戴着蓝牙耳机的手机说“虾管家开始记录今日巡塘。” OpenClaw回应“好的已开启录音。请描述您观察到的情况。” 我一边走一边说“1号塘水色黄绿透明度30公分左右看到不少虾在岸边爬活力不错。2号塘下风口有点泡沫不多。” 录音结束后OpenClaw的语音转文本Skill将录音转为文字然后日志Skill自动提取关键信息塘口、现象结构化后存入日志数据库并生成一条文本摘要发回给我确认“已记录1号塘水色黄绿透明度约30cm虾活动正常2号塘下风口有少量泡沫。确认无误吗” 我回答“确认”这条记录就正式归档了。下午3:00微信上老客户李老板问“王师傅明天能送30斤6-8钱的虾吗老地方。” OpenClaw识别到这是订单咨询先调用客户档案Skill查找到李老板的历史订单和偏好然后调用库存与价格Skill确认当前规格和价格最后生成回复“李老板好6-8钱的虾有货明天下午3点前送到XX饭店可以吗还是老价格XX元/斤。总计XXX元。您确认一下我就给您下单调货。” 李老板回复“好的”。OpenClaw自动创建订单并同步到我和配送员的飞书协作群里。4.2 性能优化与稳定性保障随着Skill越来越多任务越来越复杂如何保证OpenClaw的响应速度和稳定运行就成了新课题。1. 模型推理优化量化如果感觉模型响应慢可以尝试使用Ollama的量化版本模型例如llama3.1:8b-q4_K_M。量化能在几乎不损失精度的情况下显著减少模型内存占用和提升推理速度。上下文长度管理避免每次对话都将全部历史记录塞给模型。可以设计一个摘要Skill定期将长对话总结成一段精炼的摘要作为新的“系统提示”的一部分从而释放上下文窗口。GPU加速如果服务器有NVIDIA显卡务必在Ollama中启用GPU加速。在运行Ollama时可以指定OLLAMA_NUM_GPU1这样的环境变量或者查看Ollama文档配置CUDA支持推理速度会有质的飞跃。2. Skill执行优化异步与超时对于调用外部API的Skill如查询天气、控制设备一定要设置合理的超时时间并使用异步调用避免一个缓慢的Skill卡住整个智能体的响应。错误处理与降级每个Skill都必须有完善的错误处理。比如当水质传感器API无法连接时Skill不应该直接抛出异常导致智能体崩溃而应该返回一个友好的错误信息“水质传感器暂时无法访问请手动检查。” 并记录错误日志供我排查。Skill编排复杂的任务可能需要多个Skill按顺序或条件执行。OpenClaw的规划器Planner模块负责这个。我需要仔细设计任务分解逻辑确保规划是可行且高效的。有时需要手动编写一些“元Skill”来指导规划过程。3. 系统监控与日志我给部署OpenClaw的服务器加装了基础监控使用htop看资源占用用docker logs -f openclaw实时查看容器日志。还将OpenClaw的关键操作日志如订单创建、异常警报对接到了飞书机器人确保重要消息我能第一时间在手机上看到。定期备份数据库和配置文件也是避免“一夜回到解放前”的必要操作。4.3 遇到的“坑”与解决方案坑1模型“胡说八道”或执行错误指令这是早期最头疼的问题。比如我让OpenClaw“记录今天给1号塘投喂了20公斤饲料”它可能理解成“给1号塘投喂20公斤农药”并试图调用一个不存在的“施药”Skill。解决方案强化系统提示词System Prompt的约束。在提示词中明确禁止某些危险操作并强调“在调用任何涉及实际物理操作的工具前必须向我二次确认”。同时在Skill开发中加入权限校验。例如对于“控制增氧机”这种Skill可以设计为只响应来自我本人语音或特定安全令牌的指令。坑2多轮对话中意图丢失用户问“1号塘上个月的饲料总量是多少” AI回答后用户接着问“那比前个月多了多少” AI可能会忘记“1号塘”和“饲料总量”这个上下文回答出错。解决方案优化对话状态管理。在OpenClaw的架构中需要维护一个“对话状态机”显式地记录当前对话的核心实体如塘口号、指标类型、时间范围。这通常需要在Skill之间传递一个session或context对象。对于简单场景也可以要求用户在后续提问中尽量指明或者由AI主动澄清“您是指比较1号塘的饲料总量吗”坑3外部API变更导致Skill失效我用的某个天气API接口突然升级了参数变了导致天气查询Skill直接瘫痪。解决方案对依赖外部服务的Skill实现一个“健康检查”机制。可以定期比如每天一次用一组测试参数调用该Skill检查其返回是否正常。一旦失败立即通过通知渠道告警。同时在Skill代码中对API响应做充分的兼容性判断并留有手动切换数据源的配置项。坑4资源占用过高系统变卡随着连续运行发现内存占用越来越高。解决方案定期重启OpenClaw的Docker容器。可以写一个简单的Cron定时任务在每天凌晨流量最低的时候执行docker-compose restart openclaw。同时检查是否有内存泄漏的Skill特别是那些频繁进行大文件操作或向量计算的Skill优化其代码。5. 进阶玩法与生态结合当基础的养殖管理流程被OpenClaw理顺后就可以探索一些更“炫酷”或更深入的结合点了。5.1 与Hermes Agent等智能体框架结合OpenClaw是一个优秀的智能体框架但生态中还有其他强者比如Hermes Agent。有社区项目尝试将两者结合取长补短。例如可以利用Hermes Agent在复杂任务规划和工具调用方面的某些优势作为OpenClaw的上层“调度员”而OpenClaw则专注于执行定义好的、稳定的养殖场垂直领域Skill。这种架构听起来复杂但对于想构建一个超大型、多智能体协作的“数字养殖场大脑”来说是一个值得探索的方向。不过对于我个人养殖场目前的需求单一的OpenClaw实例已经足够。5.2 接入更多平台飞书、微信、钉钉为了让交互更无缝我将OpenClaw接入了飞书。飞书提供了开放的机器人API配置好后我可以在飞书群里直接“虾管家”提问或下达指令所有对话记录、文件共享都在飞书内完成管理起来非常方便。接入微信相对复杂一些需要处理微信网页版的协议或使用企业微信接口但对于直接触达终端客户非常有用。OpenClaw社区通常会有一些现成的插件或示例代码可以大大降低接入难度。5.3 探索AI生图与视觉识别OpenClaw社区有一些图像生成的Skill示例。我受到启发尝试了一个有趣的应用病害辅助诊断。当我在塘边发现某只虾行为异常但无法确定是什么病时我用手机拍下清晰的照片发给OpenClaw并说“分析这张图片里的虾可能得了什么病”。OpenClaw会调用一个多模态模型如LLaVA的Skill或者将图片上传到专门的图像识别API来识别虾体表面的症状如白斑、烂鳃、纤毛虫附着等然后结合其文本知识库给出可能的病害列表和初步处理建议。当然这绝对不能替代专业兽医的诊断但可以作为一个快速的、初步的参考尤其是在紧急情况下。5.4 构建专属知识库让“虾管家”更专业我积累了很多养殖手册、病害图谱、水质标准PDF、我的个人养殖笔记等。我利用开源工具如LangChainChromaDB将这些文档进行切片、向量化构建了一个本地化的“小龙虾养殖知识库”。然后我开发了一个“知识库查询”Skill集成到OpenClaw中。现在当我问一些非常具体、甚至冷门的问题时比如“连续阴雨天过后小龙虾突然大量上岸是什么原因”OpenClaw会先去我的专属知识库里搜索相关片段再结合大模型的理解力给出更精准、更贴合我本地实际情况的回答。这相当于把我个人的经验和行业知识固化成了AI智能体的一部分。回顾这段从“养虾”到“养AI”的经历感觉就像又养了一池子虾——OpenClaw这只“数字小龙虾”同样需要精心选种选模型、营造环境部署配置、科学投喂数据与指令、防治病害调试与排错。它不会完全替代人的经验和直觉尤其是在应对极端天气、复杂病害这些高度不确定性的问题上。但它确实是一个不知疲倦、随叫随到的超级助手把我从大量重复、繁琐的记录、查询、通知工作中解放出来让我能更专注于养殖本身的技术提升和策略思考。技术的门槛正在降低农业与AI的结合不再是实验室里的概念而是像我这样的普通养殖户也能触手可及的生产力工具。如果你也在从事类似的行业不妨也试试给你的领域也请一位这样的“数字合伙人”。

从水产养殖到AI智能体：基于OpenClaw框架的农业自动化实践

相关推荐

AI驱动测试变革：从Xcode Core AI到意图驱动测试的实践指南

基于视觉模型的网页自动化Agent：超越API的通用解决方案

LangGraph实战：用图结构构建可调试的智能体工作流

更多资讯

S7-1200 PUT/GET通信实战：连对、写对、防错三要素

控制器当Git服务器：TwinCAT 3 AdsGitServer版本回退

DeepSeek大模型API接入、流式输出与移动端配置指南

七端口交换板REV 2.1改版拆解：端口拓扑、复位与配置引脚复用

15页5G+VR智慧旅游方案PPT：VR观景台到数据中台的拆解复用

MySQL高阶篇之配置文件详解与各类客户端工具

今日更新

微信个人号API开发案例：图片/语音/视频消息怎么下载解析存到本地？

Python股票自动交易系统源码解析：从行情获取到风控的完整链路

视酷酷信IM源码部署指南：Java 17+MySQL 8.0.33实战配置

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？