Ertas + OpenClaw 助力 AI 代理商
为客户部署 OpenClaw 的 AI 代理商,面临与所有依赖 API 的工具相同的利润问题:按 token 计费的成本随客户数量增长。借助 Ertas,代理商为每个客户训练模型,导出后在自己的硬件上运行,作为 OpenClaw 的后端。按 token 计费的 API 账单变成可预测的托管成本,每个代理也都熟悉其客户的业务领域。
The Challenge
OpenClaw 是目前最强大的 AI 代理框架——通过客户已在使用的消息平台实现 自主任务执行、浏览器自动化、文件管理、邮件分拣和基于 cron 的监控。对于 AI 代理商来说,它是从简单聊天机器人部署到全方位 AI 助手的自然演进。
但使用云 API 时经济模型在规模上行不通。每个客户的 OpenClaw 实例将每次交互都路由通过 GPT-4o 或 Claude——在每次分拣的邮件、每份生成的报告、每条发送的消息上产生按 token 费用。一个活跃客户每月可能花费 150-300 澳元的 API 转发费。在 10-20 个客户中,代理商面临 2,000-4,000 澳元/月的可变成本,直接侵蚀固定服务费利润。
更糟糕的是成本不可预测。客户的营销活动走红,支持量翻三倍?API 账单也翻三倍——但服务费不变。OpenClaw 的 cron 任务每 30 分钟扫描一次收件箱?这是 24/7 持续的 token 吞吐量,即使没有可操作的事项也在消耗额度。
差异化问题同样紧迫。如果每家代理商都用相同的 GPT-4o 后端部署 OpenClaw,客户实际上得到的是相同的 AI——只是包装了不同的品牌。没有护城河。技术上有能力的客户可以自己复制这个设置。
The Solution
Ertas 让代理商的 OpenClaw 部署从转售 API 转向使用代理商自己拥有的模型。做法是:在 Ertas Studio 中用每个客户的领域数据训练模型,导出后用 Ollama 或其他兼容 OpenAI 接口的服务器在本地运行,再把该客户的 OpenClaw 实例指向这个本地端点。
硬件到位后,成本结构随之改变。调用本地模型的成本是代理商已有的电力和硬件,客户的使用量即使翻三倍,账单也不会跟着翻三倍。训练在 Studio 中通过可视化画布、在 Ertas 的云端 GPU 上完成,代理商无需自建训练基础设施,还可以并行训练多个候选模型,对比后再选一个上线。这一步需要把训练数据上传到 Ertas,所以请先去除日志中的个人信息。
质量提升才是真正的卖点。为房地产客户训练的模型学到了该客户的房源、定价术语和与买家沟通的风格;为牙科诊所训练的模型熟悉诊所的预约类型、合作保险和与患者沟通的语气。通用模型每次请求都只能靠系统提示词去近似这些内容。代理商可以用每个客户预留的测试样本衡量差距,既有证据展示给客户,也为溢价定价提供依据。
Key Features
按客户微调
以 JSONL 格式上传客户的对话日志、产品目录或领域数据,或在 Data Craft 中构建数据集,然后在 Studio 的可视化画布上配置 LoRA 训练任务。训练在 Ertas 的云端 GPU 上运行,生成贴合该客户需求的模型,无需管理 GPU 基础设施。
导出并在本地运行
Hub 列出代理商训练过的所有模型。每个模型都可以下载为 GGUF(用于 Ollama、llama.cpp 或 LM Studio)或 safetensors(用于 vLLM),部署在代理商自己的硬件上。把每个客户的 OpenClaw 实例指向对应的模型,代理运行时就不依赖 Ertas,也没有按 token 计费的账单。
每个客户一个独立模型
每个客户的代理都运行在各自训练的模型上,一个客户的数据不会影响另一个客户的回复。由代理商决定每个模型在哪里运行,每个代理的请求和输出都留在那台硬件上。项目结束后,可以从 Studio 删除训练数据集。
适合代理任务的基础模型
从 Studio 的开放模型目录中选择 Qwen、Llama、Gemma、Mistral 和 Phi 等模型,参数规模从数亿到 80 亿不等。用同一份客户数据并行训练两三个候选模型,在邮件分拣、日程安排或报告生成任务上对比后,再选定要部署的模型。
Example Workflow
悉尼一家 AI 自动化代理商为房地产、酒店和专业服务行业的 12 个小企业客户管理 OpenClaw 部署。每个客户都有一个 OpenClaw 代理,通过 WhatsApp 和邮件处理邮件分拣、预约安排和客户咨询。使用 云 API 时,代理商每月花费 2,800 澳元,其中三个高流量客户(一家房地产代理、一家精品酒店和一家会计师事务所)占了 1,500 澳元。代理商逐个客户迁移到 Ertas。团队为每个客户导出三到六个月的对话记录,删除个人信息,整理成 JSONL 格式,在 Ertas Studio 中并行训练两个不同规模的基础模型,保留在该客户真实咨询的预留测试集上表现更好的那个。选定的模型从 Hub 导出为 GGUF,在代理商办公室的一台 Mac Studio 上用 Ollama 运行,每个客户的 OpenClaw 实例都指向自己的模型。切换某个客户之前,代理商会把新模型对咨询的分类和回复,与 GPT-4o 对同样消息的输出进行对比,并请客户审阅一部分回复是否符合品牌语气。迁移完成后,这些客户的成本就是 Ertas 订阅费加上电费和代理商自有的硬件,代理商还可以把用每个客户自己数据训练的模型作为高端服务出售。
Compliance & Security
每个客户的模型在代理商的硬件上运行时,代理的请求和输出都留在那里,不会发送给任何第三方 AI 提供商,代理商在 RFP 回复和企业采购问卷中因此能给出明确答复。训练在 Ertas 的云端 GPU 上进行,训练集需要上传到 Ertas:上传前请删除或遮盖对话日志中的个人信息,项目结束后从 Studio 删除数据集。为每个客户单独训练模型,可以避免一个客户的数据进入另一个客户的模型。代理商自有服务器的安全,以及对客户的合同或监管义务,仍由代理商负责。
Related Resources
微调
LoRA
GGUF
推理
适配器
多租户推理(Multi-Tenant Inference)
OpenClaw for Agencies: Per-Client AI Agents Without the API Bill
Run OpenClaw on Local Models Without API Keys
OpenClaw + Fine-Tuned Models vs. OpenClaw + GPT-4: A Practical Comparison
How to Cut Your AI Agency Costs by 90% with Fine-Tuned Local Models
Multi-Tenant AI Deployment: One Base Model, Dozens of Client Adapters
White-Label AI: Build Custom Models for Every Client
Ollama
Ertas for AI Automation Agencies
Ertas for Customer Support
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.