结论先行：Skywork AI 推出的 SkyClaw-v1.0 不是一款用来聊天的模型，而是一款明确为 Agent 工作流设计的长上下文模型。官方页面信息显示，该模型于 2026 年 5 月 19 日发布，支持 1M token 上下文，提供 OpenAI 兼容 API，可直接接入主流 Agent 框架使用。定价上，主模型输入 0.5 元/百万 tokens、输出 4 元/百万 tokens，另有一款更轻量的 lite 版本，输入 0.3 元、输出 2 元。目前已开放免费试用，官方称后续将逐步开源各模型版本。
一、它和普通聊天模型的区别在哪
表面上看，SkyClaw-v1.0 与任何一款大模型一样接收文本、输出文本。但设计目标完全不同。普通聊天模型优化的是”单轮回答的质量”——你问一句，它答一句，答得准、答得好就行。Agent 模型要优化的是”多轮任务能不能走完”——给出目标后，它需要自己规划步骤、调用工具、读取结果、发现错误、调整方案，直到交付。
这个差别带来一系列不同的能力要求。聊天模型怕的是答错；Agent 模型怕的是中途断链——十步流程走到第七步忘了第二步的约定，或者工具返回异常后不知道该怎么处理。前者是准确性问题，后者是一致性与恢复能力问题，两者需要的训练手段并不相同。
二、训练方式：合成轨迹筛选 + 端到端 Agentic RL
官方介绍，SkyClaw-v1.0 面向复杂工具环境、多步骤用户需求进行训练，结合了高质量合成任务轨迹筛选与端到端 Agentic RL（智能体强化学习），目标是提升模型在多步执行、工具调用和任务稳定性上的表现。
这两种手段解决的是两个不同层面的问题。
合成任务轨迹筛选：解决”数据从哪来”
真实的多步工具调用数据稀缺且昂贵——你很难大规模采集到人类完整操作一套复杂工具链的轨迹。合成数据是一条可行路径：先批量生成大量任务与操作步骤，再用筛选机制把真正走通、质量高的轨迹保留下来。这里的关键不在”生成”而在”筛选”，低质量轨迹会直接把模型带偏，因此筛选标准决定了数据上限。
端到端 Agentic RL：解决”断了怎么办”
模仿学习能让模型学会”照着做”，但一旦遇到训练分布之外的情况，模型往往不知道如何恢复。强化学习补的是这一环：让模型在完整任务上试错，以最终是否完成任务作为奖励信号，从而学会在中间步骤出错时自行修正。所谓”端到端”，强调的是优化目标直接对齐最终任务成败，而不是每一步的局部正确性。
三、规格与定价
| 项目 | SkyClaw-v1.0 | SkyClaw-v1.0-lite |
|---|---|---|
| 上下文长度 | 1M tokens | 1M tokens（lite 版本同属该系列） |
| 输入价格 | 0.5 元 / 百万 tokens | 0.3 元 / 百万 tokens |
| 输出价格 | 4 元 / 百万 tokens | 2 元 / 百万 tokens |
| 接口形态 | OpenAI 兼容 API | OpenAI 兼容 API |
| 发布时间 | 2026 年 5 月 19 日 | 同期提供 |
| 当前状态 | 已开放免费试用 | 已开放免费试用 |
| 开源计划 | 官方称后续逐步开源 | 官方称后续逐步开源 |
输出价格是输入的 8 倍，这个比例在长上下文 Agent 场景里值得留意。Agent 任务的特点是输入会不断累积——每一轮工具调用的结果都要重新进入上下文，而输出相对简短。因此实际账单往往由输入侧主导，而输入单价只有 0.5 元/百万 tokens，这对长流程任务是友好的定价结构。
四、适合用在哪，不适合用在哪
官方给出的适用场景包括：应用生成、交互式网页与游戏开发、Deep Research、数据可视化、市场报告和多步骤代码任务。这几类场景的共同点是步骤多、需要反复迭代、并且每一步都要基于上一步的结果推进。
官方同时给出了一个明确的使用建议：把 SkyClaw-v1.0 放在 Agent 框架内部使用，而不是仅作为独立聊天模型调用，让它完成规划、文件编辑、测试、迭代和结果交付等完整流程。这个建议很实在——模型的训练目标是任务闭环，如果只用来单轮问答，等于花了 Agent 模型的钱却只用到了聊天模型的能力，性价比并不划算。
反过来说，如果你的需求只是日常问答、文案润色、简单改写，那么通用聊天模型会更合适，也更便宜。选型时先看任务是不是”多步 + 要调用工具”，再决定要不要上 Agent 专用模型。
五、常见问题（FAQ）
Q1：OpenAI 兼容 API 意味着什么？接入成本高吗？
OpenAI 兼容 API 指的是接口格式与调用方式与 OpenAI 的 API 保持一致。对开发者的直接好处是迁移成本极低：现有基于 OpenAI SDK 编写的代码、以及大量已经适配该格式的 Agent 框架，通常只需替换接口地址与密钥即可切换。这意味着可以在不重构工程的前提下做一次能力对比测试，用真实任务跑一遍再决定是否切换。
Q2：1M 上下文在 Agent 任务里为什么重要？
Agent 任务的上下文消耗速度远超聊天。每一轮工具调用的返回结果、每一次文件读取的内容、每一版修改后的代码，都会累积进上下文。一个跑几十步的任务很容易吃掉数十万 tokens。1M 的容量让模型可以在较长流程中保留完整历史，减少因上下文截断导致的”忘记前面约定”问题。不过容量大不等于用得好，长上下文中的信息检索能力同样关键，建议用真实长任务实测，而不是只看标称长度。
Q3：lite 版本和主版本该怎么选？
两者价格相差约 40%（输入 0.3 元对 0.5 元，输出 2 元对 4 元）。比较合理的做法是先用 lite 版本跑通流程：Agent 任务的调试成本主要在流程设计而非模型能力，用便宜的版本把工具链、提示词与错误处理打磨好，再换主版本处理复杂任务。对于步骤较少、容错空间大的任务，lite 版本可能已经是成本最优解。
小结
SkyClaw-v1.0 反映了一个正在成型的趋势：Agent 模型正在从”能聊天、能写代码”，进一步走向”能调用工具、能处理长流程任务、能在复杂工作流中持续执行”。它不再把自己包装成通用助手，而是明确标注了使用场景、接口形态与定价结构，甚至直白地建议用户把它放进 Agent 框架而不是当聊天模型用。这种产品定位的清晰化，对开发者是好事——选型时不必再靠猜。
对正在构建 AI 编程工具、自动化工作流或研究型 Agent 的团队，这款模型值得放进对比清单：1M 上下文、OpenAI 兼容接口、0.5 元/百万 tokens 的输入价格，加上免费试用，试错门槛很低。真正需要验证的仍是老问题——在你自己的任务上，它能不能把十步流程完整走完，而不是走五步就散了。