1. OpenClaw到底是个啥为什么大家都在部署它先说结论OpenClaw原Clawdbot是一个全栈AI智能体运行框架说白了就是让你的本地电脑、服务器甚至手机变成一个能自动干活、能调用工具、能连大模型的“数字员工中枢”。它不是某个单一模型也不是聊天UI而是一套把“模型 工具 自动化流程”串起来跑的调度系统。为什么最近这个词这么热因为OpenClaw从Clawdbot改名的同时把整个架构重写成了模块化插件体制最核心的变化是引入了“Skill技能”机制——你可以把任何命令行操作、API调用、文件处理流程封装成一个技能文件然后让智能体在对话中自动按技能执行。其他的同类项目像WorkBuddy之类其实很多思路都能看到OpenClaw的影子时间线也对得上。另一个让OpenClaw出圈的点是它对本地算力的支持是现存方案里最干净的。你完全不用非得买云API它支持Ollama、llama.cpp这些本地推理服务作为后端也支持云端API混合模式同一套配置切换非常顺滑。这就让很多做私有化部署、内网环境下跑AI的人狂喜。这篇教程不是泛泛的“介绍类”文章我直接把从零到能跑通、再到接入本地模型、内网服务器部署、Windows伴侣端配置、手机Termux部署的经验全部写出来该有的坑一个不落。2. 10秒极速部署到底是怎么做到的2.1 前置准备清单什么才算“够用”所谓10秒指的是在满足依赖的前提下跑完初始化脚本并拉起服务的时间。这里的前置依赖并不复杂三样东西就能满足80%的场景依赖项版本建议说明操作系统Windows 10 1909 / Ubuntu 20.04 / macOS 12老版本系统容易缺运行时Node.js18.12 以上推荐Node 20 LTS核心运行时太低版本直接跑不起来Docker可选但建议安装做ROS2、数据库类技能时很好用如果是纯Windows环境部署还需要补一个Windows Terminal和PowerShell 7以上版本这些老玩家基本都有。配置文件这块不用手动建初始化脚本会生成默认模板。2.2 核心分支浏览器打开即装主推的快速安装方式是浏览器或终端打开官方安装入口一行命令直接拉取最新二进制和初始化脚本。Linux和macOS可以用下面的命令curl -fsSL https://openclaw.dev/init.sh | bash这条命令做三件事检测系统架构和Node版本、下载当前平台对应的latest release包、自动生成默认配置目录和第一个demo技能。正常情况下跑完就是10秒上下网络差的话瓶颈在下载环节。Windows用户则建议用PowerShell安装iwr -useb https://openclaw.dev/init.ps1 | iex如果网络环境特殊导致脚本拉取失败也可以走GitHub Release手动下载对应平台的压缩包。这里需要补充一下手动包解压后同样需要执行一次环境初始化因为脚本内部其实还干了一件事把OpenClaw的CLI路径写入系统PATH并注册一个隐藏的快捷启动入口。整个极速部署思路背后有一个取舍放弃自定义安装路径和组件选择换取安装成功率。OpenClaw默认装到用户目录并不需要系统级权限所以绝大多数开发机都能一把过。对想折腾的高级玩家脚本也支持环境变量控制安装目录后面细说。2.3 验证安装别急着开跑安装完成后先不要急着启动服务跑一下版本检测clawctl version clawctl doctorclawctl doctor是一个非常实用的自检命令它回逐项检查Node版本、Python环境、Git配置、端口占用、OpenClaw数据目录权限、本地模型服务连通性等。如果哪一项有问题它会直接给出修复指令相当于不依赖搜索引擎就能解决配置问题的内置排障器。看到[OK] All dependencies satisfied的输出说明已经可以正常启动了。3. Windows版伴侣端Companion怎么配置3.1 为什么Windows需要Companion很多第一次接触OpenClaw的人会疑惑不是装了Windows版客户端了吗还要Companion干什么原因是OpenClaw的架构是“核心引擎 平台适配层”分离的。核心引擎是一个跨平台后台服务负责对话推理、技能调度和任务编排而Companion是负责Windows平台自动化操作的中介比如模拟点击、读取窗口状态、执行PowerShell脚本、操作Excel/Outlook这类桌面应用。没有CompanionOpenClaw在Windows上就只能做终端类和网络类技能桌面自动化类技能全部不可用。打个比方核心引擎像个总经理Companion就是专门在Windows办公环境里跑腿的秘书总经理下发任务秘书负责动手。3.2 安装与配对步骤安装Companion需要单独下载Windows Companion安装包安装后打开托盘图标它会生成一个本地配对码。然后用OpenClaw的Web控制台或手机端扫码完成绑定。关键配置项有三个端口默认8765、认证令牌、开机自启。端口号需要记清楚后面改配置或者排查连接问题都要用到。最常见的问题就在这里——安装完Companion但OpenClaw主程序显示“设备离线”80%是Windows防火墙拦了端口需要手动放行New-NetFirewallRule -DisplayName OpenClaw Companion TCP 8765 -Direction Inbound -Protocol TCP -LocalPort 8765 -Action Allow然后在网页控制台的设备管理页重连一次就正常了。还有人习惯把OpenClaw核心服务跑在内网服务器或者云主机上Windows办公电脑只装Companion这样笔记本即使关机也不影响任务执行服务器随时调度Windows桌面环境干活非常适合混合办公场景。4. 把本地模型接到OpenClaw上Ollama部署实操4.1 本地推理到底能不能满足智能体需求OpenClaw默认设计是对接云端API比如GPT、Claude用的但很多用户因为隐私、成本、内网环境等原因强制要求只能使用本地模型。那问题就来了OpenClaw能不能只靠本地模型跑答案是能但你要掌握一个思路智能体干活消耗的是推理能力但不同任务对模型能力的要求差异非常大。让本地小模型做“调命令、查数据库、调度技能”这种工具调用只要支持函数调用function calling的模型都没问题让它做长文写作、复杂逻辑推演小模型就会抓瞎。所以本地部署的正确姿势不是“一个模型跑到底”而是配合Ollama做多模型路由轻任务用8B小模型重任务切32B以上大模型。4.2 部署步骤与OpenClaw对接先装Ollama然后拉取适合工具调用的模型。以目前主流的几个开源模型为例curl -fsSL https://ollama.com/install.sh | sh ollama serve ollama pull qwen3:8b ollama pull deepseek-r1:14bOpenClaw对接Ollama需要在配置文件里指定一个本地模型提供商local provider同时要设置“模型能力标签”比如qwen3:8b标记为“fast”deepseek-r1:14b标记为“reasoning”。不同模型分配不同用途逻辑推理类任务自动走大模型简单自动化操作走小模型。配置文件通常在~/.openclaw/config.yaml核心片段如下model_providers: local_ollama: type: ollama base_url: http://127.0.0.1:11434 models: - name: qwen3:8b role: fast function_calling: true - name: deepseek-r1:14b role: reasoning function_calling: true routing: default_route: fast reasoning_route: reasoning这里有个技术点智能体调度器只会把“工具调用类”请求路由给带function_calling: true的模型。如果拉取的模型不支持工具调用OpenClaw会报“模型不支持函数调用”导致技能无法执行这是新手踩得最多的一坑。好在上述两个模型都原生支持tools接口。配置完后用clawctl restart重启然后在Web控制台跑一个最简单的技能测试/skill_test 随便输出一行字如果返回结果正常说明本地模型链路已经通了。4.3 显存不够怎么跑大模型不少人是拿公司电脑部署的16G显存属于中高端配置跑8B模型绰绰有余跑14B有点吃力。DeepSeek-R1这样的强推理模型即使量化到Q4大概也要10G左右显存会占用比较满。这时候可以在Ollama里做两个调优调小上下文长度比如把num_ctx从默认4096改成2048显存占用能降不少启用Ollama的OLLAMA_GPU_OVERHEAD环境变量预留一部分显存给系统UI和其他程序防止直接爆显存。命令方式如下OLLAMA_GPU_OVERHEAD2048M OLLAMA_CONTEXT_LENGTH2048 ollama serve我实测下来qwen3:8b接OpenClaw跑技能调度完全流畅deepseek-r1:14b在16G显存上跑复杂推理也就慢一点点问题不大。5. 内网部署DeepSeek Harness怎么挂到私有服务器5.1 概念理解什么是Harness、什么是Skill热词里总能看到“deepseek harness附带skill怎么部署到内网服务器”的问题这里要拆开看。Harness指的是OpenClaw里的一种“任务编排模板”也就是让模型按一套固定流程执行多步骤任务的框架而Skill是单个可调用工具或操作流。deepseek-harness本质上是基于DeepSeek模型能力做的一套复杂任务执行流程模板里边附带多个技能联网检索、文件总结、代码生成、数据分析等。在内网部署时有一个关键认知模型本身和Harness技能包是两回事。模型需要部署在能访问到的本地推理服务上比如Ollama或FastGPT加载的模型服务Harness则是OpenClaw侧的技能包。你完全可以让公司内网服务器加载模型办公电脑运行OpenClaw核心客户端通过内网IP访问模型服务这就完成了最简内网私有化。5.2 实操步骤假设服务器IP是192.168.10.10模型服务端口是11434操作如下先在服务器上装好Ollama并拉起服务ollama serve ollama pull deepseek-r1:32b再在OpenClaw的配置中把base_url指向内网地址model_providers: internal_deepseek: type: ollama base_url: http://192.168.10.10:11434然后安装harness技能包到OpenClaw的skills目录clawctl skill install deepseek-harness装完可以用/harness:offline命令切换离线模式确保所有子任务都走本地模型、完全不请求外网。这一步在部署时经常遇到一个问题OpenClaw主程序跑在同网段办公电脑上无法锁定网段或端口不通一般都不是OpenClaw的问题而是本地Windows/Mac防火墙拦截了11434端口。排查方法极简单telnet试一下telnet 192.168.10.10 11434通了就放行不通就去对方防火墙里检查服务端口。5.3 企业级私有化部署的几个补充点很多企业要求OpenClaw部署到内网Docker环境里。官方提供了一个docker-compose文件包含了核心引擎 基础技能仓库 可选的Ollama容器三合一编排。跑起来只需要git clone https://github.com/openclaw/openclaw-deploy cd openclaw-deploy docker compose up -dDocker部署的核心优势是环境隔离干净升级回滚都方便还能通过内网仓库做镜像分发。还有个容易忽略的点内网部署时证书问题很麻烦。如果你们公司内部是https统一网关需要给OpenClaw的服务端口挂证书原理和自动部署SSL证书是一样的改一下反向代理配置、把证书路径填进去就行。6. 手机端也能跑Termux安装OpenClaw全流程6.1 为什么要在手机上跑智能体手机上跑OpenClaw的理由主要有两种一是应急外出时临时用手机控制内网服务器二是低成本实验手机自带终端性能虽弱但跑个轻量模型或者作为远程调度端绰绰有余。6.2 Termux安装步骤与坑安装OpenClaw手机版用的是Termux步骤比电脑多几步核心是配置好镜像源和依赖pkg update pkg upgrade pkg install nodejs-lts git python termux-exec termux-setup-storage前三步基本没坑就是下载时间长。然后clone OpenClaw仓库git clone https://github.com/openclaw/openclaw.git cd openclaw npm install --production npm run init注意手机Termux环境里别用curl | bash一键脚本那个脚本假定的是服务器型环境碰到Android的存储权限会把配置路径写飞。手机端配置联网模型时建议直接连局域网内已有的服务而不是让手机自己跑模型。改配置文件里的base_url指向家里电脑或服务器的IP即可。手机上跑出来的速度完全取决于局域网延迟体验不错。要是想真的在手机上本地跑模型可以配合ollama-android项目一起装但受限于手机散热和内存只建议跑7B以下的量化模型。7. 实战里你一定会遇到的五个问题7.1 技能装了但模型不调用典型场景技能安装成功命令也引入了但对话中模型就是不走技能。问题几乎都出在模型没有开启工具调用解决办法是在模型配置里强制声明- name: qwen3:8b role: fast function_calling: true auto_map: true如果配置正确还不行就重启一下服务并把对话上下文清掉。模型在一个已有的长对话里没有工具调用历史时偶尔会惯性走纯文本回答。7.2 Windows启动失败、日志乱码Windows上启动OpenClaw最常见的问题就是路径带中文或者非ASCII字符。这个项目的配置文件里大量使用相对路径一旦用户目录是中文名就会出现读写异常。解决办法有两个一是把整个OpenClaw装到一个纯英文路径下比如D:\OpenClaw二是用环境变量强制覆盖路径$env:OPENCLAW_HOME D:\OpenClaw第二个坑是日志乱码本质是编码问题。在启动前设置一下字符集即可$env:PYTHONUTF8 1 [Console]::OutputEncoding [System.Text.Encoding]::UTF87.3 模型推理很快但技能执行总是超时这个问题的本质不是模型慢而是技能内部的命令执行超时阈值太短。默认配置里单条命令超时是30秒一旦技能涉及长任务比如批量处理文件、数据库备份30秒根本不够。修改技能配置文件里的超时参数execution: timeout: 120s如果是ROS2这类重度仿真场景甚至建议调到300秒。7.4 到底怎么卸载OpenClaw有些人是谨慎起见先问清楚再装。卸载不算复杂clawctl service stop clawctl uninstallWindows用户再额外在“控制面板—程序和功能”里把OpenClaw Companion卸载掉。如果卸载不干净重启电脑后再次手动删除用户目录下的.openclaw和.openclaw_companion文件夹就行。7.5 16G显存本地部署AI跑OpenClaw还顺手吗很多人在CSDN问这个问题。我实测的结论是16G显存是目前本地跑智能体性价比最高的一档配置。8B模型推理非常流畅14B量化后也能跑通复杂技能显存吃得比较满但不会崩前提是别同时开一堆其他吃显存的程序。如果你只有单张8G显卡建议只跑7B/8B模型并且把上下文长度压到2048效果会稳定很多。8. 我的体感总结从Clawdbot到OpenClaw部署这件事变了什么从Clawdbot进化到OpenClaw最明显的变化不是名字而是部署哲学。以前的Clawdbot是一个自包含的笨重单体程序部署成功率和环境依赖强相关一个新环境往往要折腾半小时。现在改成核心引擎轻量化、技能包插件化、平台适配分离的架构后部署效率提升得非常可观一键安装、自动检测依赖、模块化扩展这三大改进基本让“部署”这个动作从技术难题变成了后台细节。我个人的建议是凡是手头有16G显存以上的机器完全值得把OpenClaw Ollama这套组合搭起来。它最大的价值在于你可以把那些重复性的工作——查资料、递归遍历目录、批量处理文本、定时执行数据核对——通过自然语言描述就交给电脑去做而不是手动写几十行脚本。最后再分享一个小技巧在OpenClaw环境变量里加一条OPENCLAW_AUTO_UPDATEtrue它会自动拉取技能仓库的小版本更新省去每周手动同步技能库的麻烦。前提是你的内网环境和GitHub之间有稳定的访问通道如果是纯内网部署就把它关掉手动定向更新更安全。