Исправление тайм-аута OpenClaw LLM при холодной загрузке модели

Проблема: Таймауты «холодных» моделей на 60 секундах

Пользователи сообщали, что локальные модели в OpenClaw, загруженные «холодным» способом, стабильно переставали работать примерно через 60 секунд, несмотря на то, что общий таймаут агента был установлен намного выше. Эта проблема также возникала с облачными моделями через Ollama и иногда с OpenAI Codex.

Типичная картина сбоя:

• Модели работают, если уже «разогреты»
• «Холодные» модели перестают работать примерно через ~60 секунд
• В логах упоминается таймаут / отказ встроенного раннера / статус: 408
• Включается резервная модель

Вводящие в заблуждение конфигурации

Источник предупреждает, что несколько очевидных опций конфигурации НЕ являются настоящим решением и могут направить разработчиков по ложному пути:

• agents.defaults.timeoutSeconds
• Экспорты в .zshrc
• LLM_REQUEST_TIMEOUT
• Немедленное обвинение LM Studio / Ollama

Коренная причина

Проблема возникает из-за того, что в OpenClaw существует отдельный таймаут простоя LLM во встроенном раннере для периода до того, как модель выдаст первый потоковый токен.

Источник проблемы найден в:

src/agents/pi-embedded-runner/run/llm-idle-timeout.ts

Значение по умолчанию:

DEFAULT_LLM_IDLE_TIMEOUT_MS = 60_000

Путь конфигурации определяется из:

cfg?.agents?.defaults?.llm?.idleTimeoutSeconds

Таким образом, фактический параметр конфигурации:

agents.defaults.llm.idleTimeoutSeconds

Решение

После тестирования рабочая конфигурация:

{
  "agents": {
    "defaults": {
      "llm": {
        "idleTimeoutSeconds": 180
      }
    }
  }
}

Тестирование показало, что «холодный» вызов Gemma, который ранее завершался сбоем примерно через 60 секунд, преодолел этот порог и в конечном итоге успешно ответил без немедленного переключения на резервную модель.

Рекомендуемая постоянная конфигурация

{
  "agents": {
    "defaults": {
      "timeoutSeconds": 300,
      "llm": {
        "idleTimeoutSeconds": 300
      }
    }
  }
}

Рекомендация в 300 секунд учитывает непредсказуемость локальных моделей, когда ложные переключения на резервную модель более проблематичны, чем ожидание подлинно «холодных» моделей.