📄 工具详情 ⚙️ 安装教程 📚 使用教程
能力标签
🤖 Agent🔄 工作流🐳 Docker💻 CLI🔗 REST API🧬 Embedding📚 RAG🖼 视觉🧠 Claude✨ GPT
OpenClaw模型桥接
⚙️
Agent工作流

OpenClaw模型桥接

基于 Python · 无代码搭建完整 AI 自动化流程
英文名：openclaw-model-bridge
⭐ 10 Stars 🍴 1 Forks 💻 Python 📄 MIT 🏷 AI 7.5分
7.5AI 综合评分
workflowai-agentdiscordllmmiddlewareontologypython
⬇ 下载源码 ZIP ⚙️ 配置说明
✦ AI Skill Hub 推荐

OpenClaw模型桥接 是 AI Skill Hub 本期精选Agent工作流之一。综合评分 7.5 分，整体质量较高。我们推荐使用将其纳入你的 AI 工具库，帮助提升工作效率。

📚 深度解析

OpenClaw模型桥接 是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升，基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化（模拟鼠标键盘操作），AI Agent 工作流通过理解任务意图、动态规划执行路径，能够处理更复杂的非结构化任务。

OpenClaw模型桥接 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。

在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

OpenClaw模型桥接，连接任何LLM到OpenClaw，生产测试中间件，支持Qwen3-235B和be。

OpenClaw模型桥接 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars
⭐ 10
开发语言
Python
支持平台
Windows / macOS / Linux
维护状态
轻量级项目，按需更新
开源协议
MIT
AI 综合评分
7.5 分
工具类型
Agent工作流
Forks
1

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

OpenClaw模型桥接，连接任何LLM到OpenClaw，生产测试中间件，支持Qwen3-235B和be。

OpenClaw模型桥接 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

📌 核心特色
  • 可视化 Agent 工作流编排，无需编写复杂代码
  • 支持多步骤自动化任务链，实现全流程无人值守
  • 与外部 API、数据库和第三方服务无缝集成
  • 内置错误处理与自动重试机制，保障稳定运行
  • 提供可复用的自动化模板，快速在同类场景部署
🎯 主要使用场景
  • 自动化日常重复性工作，将精力集中于创造性任务
  • 构建数据采集 → 处理 → 输出的完整自动化管线
  • 实现跨平台、跨系统的数据流转和业务协同
以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。
安装命令
# 方式一：pip 安装（推荐）
pip install openclaw-model-bridge

# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install openclaw-model-bridge

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/bisdom-cell/openclaw-model-bridge
cd openclaw-model-bridge
pip install -e .

# 验证安装
python -c "import openclaw_model_bridge; print('安装成功')"
📋 安装步骤说明
  1. 访问 GitHub 仓库获取工作流文件
  2. 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
  3. 上传工作流文件
  4. 按照提示配置必要的环境变量和 API Key
  5. 运行测试确认流程正常后投入使用
以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。
常用命令 / 代码示例
# 命令行使用
openclaw-model-bridge --help

# 基本用法
openclaw-model-bridge input_file -o output_file

# Python 代码中调用
import openclaw_model_bridge

# 示例
result = openclaw_model_bridge.process("input")
print(result)
以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。
配置示例
# openclaw-model-bridge 配置文件示例（config.yml）
app:
  name: "openclaw-model-bridge"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
openclaw-model-bridge --config config.yml

# 或通过环境变量配置
export OPENCLAW_MODEL_BRIDGE_API_KEY="your-key"
export OPENCLAW_MODEL_BRIDGE_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 74/100 查看 GitHub 原文 →
以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

openclaw-model-bridge

Agent Runtime Control Plane — Connect any LLM to OpenClaw with one command. Zero dependencies, 8 providers (含豆包 Seed 2.0 主力), multimodal support, reasoning capability. 将任意大模型（Qwen / OpenAI / Gemini / Claude / Kimi / MiniMax / GLM / Doubao Seed 2.0）一键接入 OpenClaw — 零第三方依赖、支持多模态、10 分钟跑通。

License: MIT Python 3.8+ [Tests]() [Providers]() [Governance]() [Security]() [Jobs]() [Fail-Fast]() [Notifications]()

Current version: v37.9.117 / 0.37.9.68 (2026-06-05) — see CLAUDE.md for full changelog. Latest milestone: V37.9.92–95 — Observer + #32 + framework 三件套同日实证 (机器化 + 制度化 + 自我演化). V37.9.92 修 V37.9.88 Mac Mini path silent failure 5 天 + V37.9.84 status.json 三方共享意识闭环. V37.9.93 Observer 自我修复 sampling artifact (smart head+tail + critique prompt 明示). V37.9.94 立 INV-CROSS-ENV-PATH-001 framework 化 MR-15 第 4 次演出后预防 (scanner 首扫即抓 V37.9.91 expert_escalation 隐藏 5th near-miss). V37.9.95 周一原则 #32 用户视角反馈第一次正向兑现 — ai_leaders_x 19→31 跨 12 派别 (新增 Anthropic/DeepMind/Safety/元老/Robotics/开源/架构创新派 12 个 handles).

V37.9.x Series Highlights (2026-05)

ThemeVersionsWhat it means
**MOVESPEED EPERM 60-day blood case CLOSED** ⭐V37.9.4 → **V37.9.81**After 60 days + 6 falsified hypotheses, V37.9.80 (5/18) identified the true root cause via log show --predicate — **macOS TCC Sandbox denies cron-derived processes accessing external volumes**. Fix = add /usr/sbin/cron to FDA. V37.9.81 (5/19) 24h data regression铁证 (12h window = 0 incidents / FDA 后 ~19h = 0 / kernel sandbox deny 0条) + INV-MOVESPEED-TCC-001 hard governance guard (auto-detect 24h ≤ 2 every day) + capture.sh stderr distinction fix (V37.9.30 取证盲区根因修复, 4-layer defense).
**Phase 4 Layer 5: Convergence Framework**V37.9.19 → V37.9.25Declared-state ↔ runtime drift detection lifted from "靠记忆" to "机器化". 5 specs running, 2 升级 machine_sync (Plan B 渐进 dry-run). MR-17 立案 (declared-state-must-converge-via-machine-not-memory).
**Phase 4 P3: Three-stage gates shadow wiring**V37.9.15pre_check → runtime_gate → post_verify 3 gates wired into request pipeline (shadow mode), policy engine 从"可查询"升级为"在请求路径上被调用产 [gate:*] log"。FAIL-OPEN 契约 + 与 ONTOLOGY_MODE 解耦.
**Cross-job fail-fast migration**V37.9.36 → V37.9.6217 scripts upgraded to **6-field deep prompt** (📌 / 🔑 / 💡 / 🎯 / ⭐ / 🎚️ project alignment, dynamic length by rating) + per-item retry (5/10/20s × 3 + V37.9.36 三层检测) + LLM_DEGRADED fallback (replaced placeholder anti-pattern) + multi-window split (>8000 chars) + rule_check 验证层 (V37.9.47 + V37.9.51 batch + V37.9.62 batch). ALIGNED_SCRIPTS 4 → **17/21** (81% coverage, remaining 4 by-design excluded).
**kb_deep_dive daily deep-dive job**V37.9.16 → V37.9.21New 22:30 HKT cron: picker selects ⭐≥4 candidate from today's notes → fetches PDF/HTML full text → 5-field LLM analysis → multi-window WhatsApp + Discord push. **Tier-aware fallback** (V37.9.17): TIER 1/2 papers prioritized over TIER 3 X tweets.
**kb_dream Multi-theme + 14-day ban-list**V37.9.68 → V37.9.68-hotfixDream redesigned for "用户视角变开拓视野" — DEEP + WIDE (5 cross-domain) + RADAR (5 准期 signals) + 总览 = **4 independent WhatsApp windows** (replaces V37.4 single window). 14-day theme normalize + ban-list (prevents Qwen-BIM 连续几周重复). 80 unit tests + V37.9.66 category B 设计假设错配 hotfix (split_dream_into_chunks helper).
**WhatsApp client folding architecture discovery**V37.9.355-layer empirical investigation revealed WA client auto-folds at ~4000 chars (not protocol limit). Budget upgraded 1400→4000 across kb_review / kb_evening / kb_deep_dive (信息密度 2.86×).
**Opportunity Radar 三件套全量集成**V37.9.45 → V37.9.56Strategic "early signal radar" 三件套 — #1 cross-source weak signal aggregation (DBSCAN + sentence-transformer) × #2 project alignment scoring (rule_check 验证 LLM ⭐) × #3 trend acceleration detection (4-week keyword acceleration). V37.9.49 #1+#3 集成 kb_dream Phase 1.5 + kb_evening prompt. V37.9.56 #2 完整集成 top_alignment_picker (Top 5 高对齐推送). See [docs/opportunity_radar_design.md](docs/opportunity_radar_design.md).
**Capability-Based Dynamic Router**V37.9.76 → V37.9.77Declarative capability framework PoC — jobs_registry adds required_capabilities + prefer + cost_tier fields, providers.find_best_provider() 30-line pure function, router_decide.py shadow mode + V37.9.77 ROUTER_ENFORCE=on opt-in feature flag (Plan B 渐进路径). 70 single tests + 反向 sabotage 真有效. V3 路标 declarative framework 核心交付.
**health_check v2.0 "系统证据周报"**V37.9.78 → V37.9.78-hotfixRe-positioned from v1.1 单薄数字到 v2.0 evidence-based weekly report — 9 段 emoji marker (🖥服务 + 🤖模型 + 📊SLO + 🛡安全 + 🏛治理 + 🛟MOVESPEED + 🐦X监控 + 📚KB + 💾SSD) + MR-8 single-source-of-truth (4 外部工具) + safe_call helper 三层 FAIL-OPEN. INV-HEALTHCHECK-001 17 checks. V37.9.78-hotfix: macOS BSD timeout 兼容性 (无 timeout → command -v gtimeout → bash -c fallback).
**SLO 三项修复 (数据驱动诊断 9 轮无盲改)**V37.9.79 → V37.9.79-hotfixV37.9.78 周报暴露 3 矛盾数据 (p95=37s + 成功=100% + 工具=0% + overall=VIOLATIONS). 9 轮诊断锁定: (1) slo_dashboard verdict 三档 PASS/FAIL/N/A (tool_calls=0 不算 FAIL) (2) latency 阈值 30000→50000ms 承认真实 baseline (3) slo_snapshot 每小时 :05 cron 注册 (V36 历史 debt). 16 新单测 + MR-10 understand-before-fix 第 N 次正向兑现.

Ontology: What's Declaratively Defined (Phase 4 P2)

The project's most strategic asset. Evolving from "declarative knowledge" toward "run-time adjudication" — the end goal is a reusable pip install ontology-engine package so any Agent Runtime project inherits governance by writing its own YAML.

Already replaced hardcoding (Ontology is now the source of truth; Python hardcoded values are fallback-only):

Hardcoded beforeOntology source of truthVersion
ALLOWED_TOOLS = {"web_search", ...} 16 toolstool_ontology.yaml via engine.ALLOWED_TOOLSV37.8.14
Tool param CLEAN_SCHEMAS + aliasesontology.CLEAN_SCHEMAS / resolve_alias()V37.8.14
MAX_TOOLS = 12 constantevaluate_policy("max-tools-per-agent").limitV37.9.12
MAX_TOOL_CALLS_PER_TASK = 2evaluate_policy("max-tool-calls-per-task").limitV37.9.13
Security score thresholds (90, per-dimension)governance_ontology.yaml::security_configV37.9.3
applicable for temporal/contextual policies_CONTEXT_EVALUATORS dispatch table (6 policies)V37.9.13

Meaning: Changing a threshold requires editing one YAML line, zero Python changes — Phase 4 terminal state partially achieved.

Roadmap:

PhaseStatusScope
Phase 0 — Meta-rule auto-discovery✅ V36.2MRD scanners find un-covered areas automatically
Phase 1 — Equivalence proof + 3-mode feature flag✅ V36.2ONTOLOGY_MODE=off/shadow/on
Phase 2 — Shadow observation✅ V36.3Ontology runs alongside, logs drift
Phase 3 — ONTOLOGY_MODE=on✅ V37.8.14Declarative engine replaces hardcoded logic
Phase 4 P1 — 3 engine APIs + 1st policy switch✅ V37.9.12load_domain_ontology / find_by_domain / evaluate_policy
**Phase 4 P2** — Context evaluator + 2nd policy switch**✅ V37.9.13****6 matchers (hour_of_day / has_alert / has_image / task_match) + max-tool-calls-per-task wired**
Phase 4 P3 — 3-gate enforcement⏳ Nextpre-check → runtime-gate → post-verify across the proxy request pipeline
Phase 5 — Engine packaging🎯 Goalpip install ontology-engine — any Agent Runtime inherits governance

Local AI Capabilities (V29.3)

KB RAG semantic search (requires pip install)

pip3 install -r requirements-rag.txt python3 kb_embed.py && python3 kb_rag.py "AI papers"

Multimodal memory search (requires pip install + Gemini key)

pip3 install -r requirements-mm.txt python3 mm_index.py && python3 mm_search.py "cat photos" ``` </details>

Why Zero Dependencies?

Core services (tool_proxy.py, adapter.py, proxy_filters.py) use only Python standard library — http.server, json, urllib. No pip install, no virtual environment, no Docker. This is a deliberate architecture decision: every dependency you remove is one fewer reason someone can't run your system.

Build index (first time, or --reindex to rebuild)

python3 kb_embed.py # 4339 chunks in ~8s on Mac Mini

Auto-Deployment

Claude Code → claude/branch → PR → main → auto_deploy (2 min) → Mac Mini
                                                ↓
                               git pull → test → file sync (81 files) → smart restart
                                                ↓
                               preflight_check.sh --full (19 checks)

The auto_deploy.sh script maps 84 repo files to runtime locations (V37.9.43-hotfix added wa_e2e_test.sh) and only restarts services when core files change. Hourly drift detection via md5 checksums with WhatsApp + Discord alerts. Status.json exempt from drift (legitimate divergence between Claude Code snapshots and cron-refreshed runtime).

Quick Start (10 minutes)

Three steps. Zero third-party dependencies. Any LLM provider.

```bash

Step 2: Set any ONE API key — quickstart auto-detects your provider

export OPENAI_API_KEY="sk-..." # OpenAI (GPT-4o) export GEMINI_API_KEY="..." # Google Gemini export ANTHROPIC_API_KEY="sk-ant-..." # Anthropic Claude export MOONSHOT_API_KEY="..." # Kimi (Moonshot AI) export MINIMAX_API_KEY="..." # MiniMax export GLM_API_KEY="..." # GLM (Zhipu AI) export REMOTE_API_KEY="..." # Custom Qwen endpoint

Full Guide

See docs/GUIDE.md for the complete bilingual walkthrough including 26 hard-won production lessons.

Configuration & Testing

FileDescription
jobs_registry.yamlUnified job registry — 39 jobs (35 active, 4 disabled), system cron
check_registry.pyRegistry validator — ID uniqueness, paths, fields
gen_jobs_doc.pyAuto-generate job docs from registry + drift detection
test_providers.pyUnit tests for providers
test_tool_proxy.pyUnit tests for proxy_filters
test_check_registry.pyUnit tests for check_registry
test_data_clean.pyUnit tests for data_clean
test_adapter.pyUnit tests for adapter
test_kb_business.pyUnit tests for KB business logic
test_cron_health.pyUnit tests for cron health
test_status_update.pyUnit tests for status_update
test_audit_log.pyUnit tests for audit_log
test_config_slo.py**V32** Unit tests for config_loader + slo_checker + incident_snapshot + ProxyStats SLO
full_regression.shFull regression runner — all tests must pass before push (auto-updates status.json test_count)
.githooks/pre-commit**V32** Pre-commit hook — API key/phone leak + syntax checks
.github/workflows/ci.yml**V32** GitHub Actions CI — 9 test suites + config validation + security scan
CLAUDE.mdProject context for AI-assisted development

KB RAG Semantic Search (Zero API Calls)

```bash

Multimodal Memory Search (Gemini API)

python3 mm_index.py                    # Index media files
python3 mm_search.py "猫的照片"         # Semantic search
python3 mm_search.py --stats           # Index stats
🎯 aiskill88 AI 点评 A 级 2026-06-05

OpenClaw模型桥接是一个开源AI工作流，连接任何LLM到OpenClaw，生产测试中间件，支持Qwen3-235B和be。虽然星数较少，但项目描述清晰，代码质量良好，值得关注。

📚 实用指南（长尾问题）
适合谁
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
  • 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
  • Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • embedding 模型与查询模型不一致导致检索失效
  • Python 依赖冲突：建议用 venv / uv 隔离环境
部署方案
  • Docker：openclaw-model-bridge 提供官方镜像，docker compose up 一键启动
  • CLI：直接 npm install -g / pip install，命令行调用
  • 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
openclaw-model-bridge 中文教程openclaw-model-bridge 安装报错怎么办openclaw-model-bridge Docker 部署openclaw-model-bridge Agent 工作流openclaw-model-bridge 与同类工具对比openclaw-model-bridge 最佳实践openclaw-model-bridge 适合谁用

⚡ 核心功能

👥 适合谁
  • 构建多智能体协作系统的 Agent 开发者
  • 构建企业知识库 / RAG 检索应用的团队
⭐ 最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
  • 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
  • Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
⚠️ 常见错误
  • API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • embedding 模型与查询模型不一致导致检索失效
  • Python 依赖冲突：建议用 venv / uv 隔离环境

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 使用场景

  • 自动化日常重复性工作，将精力集中于创造性任务
  • 构建数据采集 → 处理 → 输出的完整自动化管线
  • 实现跨平台、跨系统的数据流转和业务协同

⚖️ 优点与不足

✅ 优点
  • +MIT 协议，可免费商用
  • +大幅减少重复性人工操作
  • +可视化流程，清晰直观
  • +可扩展性强，支持复杂场景
⚠️ 不足
  • −初始配置和调试需投入一定时间
  • −强依赖外部服务的稳定性
  • −复杂场景需具备一定技术基础
⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。

🔗 相关工具推荐

LLM资源合集（精选）
精选100+可直接运行的AI Agent和RAG应用集合。包含完整工作流示例、智能代理框架和检索增强生成系统。适合AI开
Graphiti知识图谱引擎
Agent工作流
LangChain AI开发框架
Agent工作流
ai-agents-for-beginners Agent工作流
微软官方开源项目，提供12堂系统课程学习AI智能体框架。涵盖工作流设计、RAG检索增强、多智能体协作等核心技能。适合AI
📚 相关教程推荐
天涯社区重启：一个时代结束后，AI社区时代正在开始
帮助中心 · AI Skill Hub
📰 相关 AI 新闻
AI 前沿资讯：Feel like I'm becoming the glu…
AI 资讯 · 知识关联
AI 前沿资讯：We kept improving the AI. Noth…
AI 资讯 · 知识关联
AI 前沿资讯：You guys were right - Qwen 3.6…
AI 资讯 · 知识关联
AI 开源生态最新进展
AI 资讯 · 知识关联
🍿 AI 圈相关吃瓜
AutoGPT 自主完成了任务：把我的文件夹全部重命名了
AI 圈观察
设计 Agent 说能生成视频，我信了
AI 圈观察
我用了个 Claude 代码优化 Prompt，代码更优雅了，Bug 更多了
AI 圈观察
🗺️ 相关解决方案
agent
ai-agent-workflow
workflow
ai-workflow-templates
docker
docker-deploy
cli
cli-productivity
🧩 你可能还需要
基于当前 Skill 的能力图谱，自动补全的工具组合
技能寻求者
MCP · Agent · 工作流
CrewAI 多代理协作平台
MCP · Agent · 工作流
total-agent-memory MCP工具
为Claude Code和Codex CLI提供持久化记忆功能的开源MCP工具。自动提取知识图谱，支持多轮对话上下文保留，适合需要长期记忆和
natively-cluely-ai-assistant — Claude Skill 中文使用文档
免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。
gptme Agent工作流
MCP · Agent · 工作流
Minutes会议记录助手
MCP · Agent · 工作流

❓ 常见问题 FAQ

openclaw-model-bridge 是一款Python开发的AI辅助工具。开源AI工作流：Connect any LLM to OpenClaw — production-tested middleware for Qwen3-235B and be。⭐10 · Python 主要应用场景包括：用于连接LLM到OpenClaw的生产测试中间件，支持Qwen3-235B和be。。
💡 AI Skill Hub 点评

经综合评估，OpenClaw模型桥接 在Agent工作流赛道中表现稳健，质量良好。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。

⬇️ 获取与下载
⬇ 下载源码 ZIP

✅ MIT 协议 · 可免费商用 · 直接从 aiskill88 服务器下载，无需跳转 GitHub

📚 深入学习 OpenClaw模型桥接
查看分步骤安装教程和完整使用指南，快速上手这款工具
⚙️ 安装教程 📚 使用教程
🌐 原始信息
原始名称 openclaw-model-bridge
原始描述 开源AI工作流：Connect any LLM to OpenClaw — production-tested middleware for Qwen3-235B and be。⭐10 · Python
Topics workflowai-agentdiscordllmmiddlewareontologypython
GitHub https://github.com/bisdom-cell/openclaw-model-bridge
License MIT
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/bisdom-cell/openclaw-model-bridge

收录时间：2026-06-05 · 更新时间：2026-06-06 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。