限流提示“1305”表明模型服务端触发平台级流量管控，可通过五种方案应对：一、配置GitHub个人访问令牌提升API配额；二、启用双模型自动切换架构；三、本地离线安装ClawHub技能包；四、调整Ollama模型上下文与请求参数；五、部署Scrapling隐身抓取器替代高频API调用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用OpenClaw执行任务时频繁收到“1305:该模型当前访问量过大，请您稍后再试”等限流提示，则说明当前调用的模型服务端已触发平台级流量管控。以下是绕过限流的多种实用方案：
一、配置GitHub个人访问令牌提升API配额
未认证的GitHub API请求默认每小时仅限60次，极易在ClawHub技能安装阶段触发Rate Limit Exceeded错误。通过配置个人访问令牌可将配额提升至每小时5000次，显著缓解限流压力。
1、访问 https://github.com/settings/tokens，点击“Generate new token”按钮。
2、选择 fine-grained tokens 类型，设置名称并勾选 repo 与 read:packages 权限范围。
3、复制生成的令牌，在终端中执行：echo 'export GITHUB_TOKEN="ghp_your_token_here"' >> ~/.bashrc && source ~/.bashrc。
4、Windows用户需在系统环境变量中手动新增变量 GITHUB_TOKEN，值为所复制的令牌字符串。
二、启用双模型自动切换架构
单模型依赖是限流的根本诱因。OpenClaw支持配置主备模型，当主模型返回1305错误时，框架可自动降级调用备用模型，实现无感切换，保障任务连续性。
1、在 openclaw.json 文件中定位 model_providers 字段，添加Nvidia免费API与阿里云百炼Coding Plan双入口配置。
2、为每个模型指定唯一标识符（如 nvidia_qwen35 和 ali_bailian_coder），并分别配置对应的基础URL、API密钥与超时参数。
3、在 agents/man/agent/models.json 中为各Agent设定 fallback_model 字段，指向备用模型标识符。
4、重启OpenClaw网关使配置生效：systemctl restart openclaw-gateway 或执行对应Docker重启命令。
三、本地离线安装ClawHub技能包
规避GitHub API限流最彻底的方式是完全脱离在线拉取流程，改为手动下载、上传、解压、注册四步法完成技能部署，全程不触发任何外部HTTP请求。
1、在能访问ClawHub的设备上，进入目标Skill页面，点击 Download ZIP 按钮获取压缩包。
完整的工作区安全套件：检测未授权修改，扫描提示注入模式，自动响应应对措施——快照恢复、技能隔离、Git回滚和自动保护扫描。智能体工作区的完整安装后安全层。
2、通过 rz 命令（非Docker环境）或 docker cp 命令（Docker环境）将ZIP文件上传至OpenClaw服务器。
3、确认 openclaw.json 中 workplace 路径，进入其子目录 skills，新建与Skill同名的文件夹，并将ZIP内容解压至此目录。
4、确保解压后目录结构为：skills/{skill_name}/manifest.json，否则OpenClaw无法识别。
四、调整Ollama模型上下文与请求参数
模型上下文窗口设置过大但实际未充分利用，会导致单次推理耗时增加、响应延迟升高，进而引发服务端重试逻辑与并发堆积，间接加剧限流判定。
1、编辑OpenClaw根目录下的 config.yaml，定位 model_parameters 区块。
2、将 context_window 修改为所用Ollama模型实际支持的最大值（例如qwen2.5:7b应设为 16384，而非默认32768）。
3、同步降低 max_tokens 至 4096，并将 timeout 提升至 300 秒，避免因超时重发造成额外请求压力。
4、验证模型能力是否匹配：执行 ollama show qwen2.5:7b --modelfile，核对输出中的 CONTEXT LENGTH 字段值。
五、部署Scrapling隐身抓取器替代高频API调用
对于需持续从网页提取结构化数据的任务，直接调用大模型解析HTML极易因请求密集被限流。Scrapling内置StealthyFetcher可模拟真实浏览器行为，绕过验证码与反爬拦截，以极低频次完成高价值数据采集，从根本上减少对模型API的依赖。
1、在OpenClaw工作目录下执行：pip install scrapling 安装依赖。
2、创建 scrapling_config.py，启用MCP模式与断点记忆功能，配置目标网站基础UA与等待间隔。
3、在Agent逻辑中调用 StealthyFetcher().fetch(url) 替代 requests.get()，返回结果已自动剔除广告、脚本与冗余标签。
4、将清洗后的纯文本传入大模型，Token消耗可降低 60%以上，同时规避因重复请求HTML引发的平台限流。
