每一个前沿模范家庭
一次订阅即可实现所有这些。在单个对话中在它们之间切换 - 无需安装任何内容，也无需创建提供商帐户。
Anthropic Claude
对长文档的仔细推理、严格的代码审查以及名册中最可靠的说明。
型号
- Claude Opus 5
- Claude Sonnet 5
- Claude Fable 5
- Claude Haiku 4.5
OpenAI GPT
广泛的通用功能，具有出色的工具使用和可靠的结构化输出。
型号
- GPT-5
- GPT-5 mini
- GPT-4o
- o4-mini
Google Gemini
非常大的上下文窗口、快速响应以及图像、音频和视频的本机处理。
型号
- Gemini 3 Pro
- Gemini 3 Flash
- Gemini 2.5 Flash
Moonshot Kimi
长上下文分析和代理工作只需前沿定价的一小部分。
型号
- Kimi K2
- Kimi K2 Thinking
Zhipu GLM
强大的双语推理能力和明确的思维模式可以帮助您解决更困难的问题。
型号
- GLM-5.1
- GLM-5
- GLM-4.7 Thinking
Alibaba Qwen
跨各种模型大小（从快速到非常大）的出色代码生成。
型号
- Qwen3 235B
- Qwen3 80B
- Qwen3-Coder-Next
DeepSeek
数学、算法和逐步推导，以及专用的推理变体。
型号
- DeepSeek V3.2
- DeepSeek R1 0528
xAI Grok
快速对话回答并了解最近发生的事件。
型号
- Grok 4
- Grok 4 Fast
Amazon Bedrock
AWS 托管模型，适用于已在 Amazon 上运行工作负载的组织。
型号
- Nova Pro
- Titan
- Bedrock-hosted Claude
该名册跟踪每个提供商的发布时间表。当新的 Frontier 型号发货时，它会出现在您的型号列表中 - 没有计划更改，没有新合同，没有第二个账单。
选择型号的五种方法
自动是默认设置，可以很好地处理大多数工作。当您想要自己做出决定，或者希望它偏向特定方向时，其他四个就存在。
- 汽车
- ClawAI 对每条消息进行分类——代码、推理、分析、创意、图像、日常——并将其发送给在该类别中表现出色的模型。
- 手动的
- 将一个模型固定到对话中。每条消息都会发送给它，直到您更改它为止。
- 低延迟
- 更喜欢可以回答的最快模型，以进行快速的来回工作，其中等待的成本比稍弱的答案要高。
- 高推理
- 对于唯一重要的是正确性的问题，无论速度或成本如何，都首选最强的推理模型。
- 节省成本
- 更喜欢仍然可以处理请求的最便宜的型号，因此固定津贴可以覆盖更多的工作。
你总能看到决定
每个答案都包含产生它的提供商和模型、路由选择背后的置信度得分、驱动它的原因以及它相对于你的津贴的成本。如果提供者在请求过程中失败，介入的模型也会被记录。
使用多个模型的九种方法
单一模型的单一答案通常就足够了。如果不是，这些模式会针对同一问题建立多个模型。
- 比较
- 一次向最多五个模型发送一个提示，并并排阅读每个答案，以及每个模型的延迟和令牌计数。
- 共识
- 在多个模型中运行相同的提示，并从他们同意的地方合成一个答案，并标记他们不同意的地方。
- 升级
- 从快速、廉价的模型开始，然后自动升级到更强的模型，但前提是答案低于质量阈值。
- N 中最佳
- 针对同一提示生成多个候选答案并保留得分最高的答案。
- 维修
- 修复已有答案中的特定缺陷——损坏的代码块、错误的数字——而不是重新生成整个答案。
- 核实
- 让第二个模型在您看到答案之前检查答案的正确性，并对修订轮次进行可配置的限制。
- 角色包
- 通过一个由角色专门模型组成的小团队（规划者、评论家、作家）运行提示，每个模型都会移交给下一个模型。
- 管道
- 将其中的几个阶段链接到一个命名工作流中，您可以根据新输入重新运行。
- 法官与批评家
- 独立模型根据明确标准对响应进行评分；批评者通过添加了关于薄弱环节及其原因的书面反馈。
免费计划包括“比较”、“判断”和“研究”各一次试运行。付费计划的每月配额随级别而增加，团队及以上级别则没有上限。
对话之间承载的记忆
ClawAI 会记住值得记住的内容 - 并向您显示每一项，以便您可以纠正它。
- 记忆记录
- 事实、偏好、说明和摘要，每项都存储有一个类别、一个置信度分数以及其来源记录。
- 您批准的建议
- 没有什么是默默地被记住的。候选人进入您批准或拒绝的队列，并且只有高可信度的非敏感项目会按照您设置的阈值自动批准。
- 上下文包
- 将可重复使用的文本、文件、链接和内存引用捆绑到命名包中，然后将其附加到任何对话中。包是有版本的，因此您可以查看更改的内容并回滚。
- 范围
- 将记忆范围限定为您自己、一次对话、一个项目或一个工作空间，这样工作上下文就不会泄漏到个人聊天中。
- 上下文收据
- 每个答案都会记录哪些记忆和包物品进入提示、按什么顺序以及各自消耗了多少代币预算。
- 控制
- 暂停所有内存、暂停一项、设置到期日期、标记敏感内容以便对其进行编辑，或者将其彻底删除。每个更改都会写入审核日志。
记忆和情境是每次对话的开关。对于一次性问题将其关闭，提示中除了您输入的内容外什么也不包含。
询问有关您自己的文件的问题
上传文件并询问。ClawAI 处理提取、分块和检索，因此模型从您的内容而不是训练数据中进行回答。
- 上传
- PDF、DOCX、电子表格、CSV、JSON、Markdown、纯文本、代码文件和图像。
- 分块和检索
- 文件被分成段落并建立索引，因此只有与您的问题相关的部分才会被拉入提示中。
- 附加到任何消息
- 选择每条消息的文件，包括在比较运行中，因此可以同时向多个模型询问同一文档。
- 按型号交付
- 每个模型都会收到它最擅长处理的表单——原生图像、原生 PDF 或提取的文本——并且每条消息都会显示每个模型实际获得的表单。
- 扫描文件
- 没有文本层的扫描 PDF 在到达模型之前会通过 OCR 运行，并在识别置信度较低时进行标记。
- 上传支票
- 每次上传都会经过病毒扫描，检查其声明的文件类型，筛选危险文件名，如果存档被证明是减压炸弹，则会被拒绝。
上传会根据您计划的文件大小和存储限制进行计算。文件将按保留计划删除，您可以随时自行删除其中任何文件。
连接到您已经使用的工具
通过 OAuth 连接帐户一次，ClawAI 可以搜索该帐户，将上下文从该帐户提取到对话中，并在您批准该操作时对其进行操作。
GitHub
存储库、问题、拉取请求和代码搜索。
GitLab
项目、问题、合并请求和管道状态。
Bitbucket
存储库、拉取请求和提交历史记录。
Jira
问题、冲刺、评论和状态转换。
ClickUp
任务、列表和状态更改。
Slack
频道、话题和消息历史记录。
Gmail
在发送任何内容之前，您批准的话题、搜索和起草的回复。
Google Drive
Google 驱动器中的文档和文件夹。
OneDrive
OneDrive 中的文件和文件夹。
SharePoint
网站、文档库和列表。
Confluence
空间、页面和附件。
Figma
文件、框架和评论。
连接按计划和网络挂钩同步，因此搜索结果保持最新状态。凭证静态加密，范围仅限于您的帐户，并且一键即可撤销。您可以保留多少个连接取决于您的计划。
图像和文档，而不仅仅是文本
ClawAI 从对话中生成成品工件，而不仅仅是聊天回复。
- 图像生成
- 描述图像并将其返回到线程中，提示和设置保留在其旁边。
- 文件导出
- 将任何答案或整个对话转换为格式化文件，您可以将其交给其他人。
- 研究运行
- 搜索网络，获取并阅读页面，并通过其来源而不是未归属的摘要获得答案。
导出格式
- DOCX
- CSV
- HTML
- Markdown
- TXT
- JSON
你可以看到你花了什么
使用不是黑匣子。每个请求都经过计量、归因和可见。
- 使用情况仪表板
- 今天和本月消耗的津贴按型号细分，剩余余额与您的计划报价的单位相同。
- 每个答案的详细信息
- 回答的模型，为什么选择它，需要多长时间，它使用了多少代币以及它从你的津贴中提取了什么。
- 审核日志
- 登录、计划更改、连接器活动、内存编辑和生成的内容，每个内容都记录有时间戳和参与者。
- 实时进展
- 当模型工作时，您可以看到它所处的阶段、到达的文本、模型公开它时的推理以及运行的令牌和计时计数器。
当您达到限制时，您会被告知哪个限制、其他窗口还剩多少以及何时重置。没有什么是悄无声息地被切断的。
如何处理您的数据
简单描述了当今产品中存在的机制。
- 帐户和会话
- 使用 Argon2 散列的密码、短期访问令牌以及每次使用时都会轮换的刷新令牌，以便可以检测到被盗的令牌。
- 基于角色的访问
- 每个帐户都带有一个角色和一个显式权限集，在界面中检查并在每个后端端点上再次检查。
- 凭证加密
- 提供商和连接器凭据使用 AES-256-GCM 进行静态加密，并且永远不会返回到浏览器。
- 速率限制
- 每个帐户的请求限制可以保护您的配额和平台免受失控循环的影响。
- 传输中加密
- 从浏览器到边缘的 TLS，以及每个内部服务之间的 TLS，并在每一跳验证证书。
- 服务隔离
- 每个服务都拥有自己的数据库，无法读取其他服务的数据库。图像生成失败无法影响您的对话。
托管应用程序无法满足的要求
ClawAI 目前没有合规性认证，托管应用程序根据第三方模型提供商的条款向其发送请求。如果您的组织无法接受这一点，那么您自己的网络内的私有部署（仅运行开放权重模型）就是答案。我们单独确定这些范围。
与我们讨论私有部署