最近把主力工作流换成了 OpenClaw Kimi K2.5 这套组合说实话有点后悔——后悔没早点折腾。我是在一台 Moltbook 小主机上跑通的这玩意儿在圈里被戏称为“AI 随行箱”拿到手之后我只花了一个下午就把整套环境拉起来了。这篇我就把完整过程写出来从 OpenClaw 是什么、为什么配 Kimi K2.5、Moltbook 这台机器解决了什么到每一步怎么操作、踩过哪些坑全部摊开讲。这篇文章适合谁如果你手头有一台 Linux 服务器、Windows 电脑、Mac或者跟我一样搞了个 Moltbook 这种便携 AI 主机想搭一个“能干活”的私人 AI 代理而不是只会聊天的网页版套壳那这篇就是给你准备的。哪怕你现在什么都不懂照着一步步来也能把一套能自动读文件、跑命令、写周报、接飞书微信的 AI 代理跑起来。1. 三个名字一套完整方案到底在部署什么1.1 OpenClaw先搞懂它到底是什么OpenClaw 不是一个聊天机器人它是一个跑在你自己机器上的 AI 代理运行时。你可以把它理解成“终端里的 AI 操作员”它在本地有一个工作目录默认是~/.openclaw/workspace能读写文件、执行命令、调用各种工具然后通过一个对话界面跟你交互。你给它一个任务它会自己拆解步骤调用工具去完成而不是只给你一段建议让你自己去干。它有几个核心概念刚开始容易懵我拆开说WorkspaceAI 的“工位”。它所有生成的文件、临时脚本、输出结果都在这个目录里。Windows 下默认是C:\Users\用户名\.openclaw\workspaceLinux 下是/root/.openclaw/workspace。Exec ApprovalsAI 要执行系统命令时默认需要你批准。这个审批记录存在.openclaw/exec-approvals.json里。你可以理解为“AI 想动你的电脑得先经过你同意”。Skill技能。一个 Skill 就是一个描述文件加若干脚本让 OpenClaw 学会做某类事情比如“生成周报”“整理文件夹”“调用某个 API”。ClawHub技能市场。很多人问 OpenClaw 跟 ClawHub 的区别简单说OpenClaw 是引擎ClawHub 是给引擎装技能的应用商店。它跟 OpenAI Codex 这类工具有点像但 OpenClaw 更强调“模型无关”——你可以在一个框架里自由切换 Kimi、Ollama 本地模型、或者走 OpenAI 兼容接口的任意模型。这一点非常关键因为这意味着你不需要被任何一家云厂商绑死。1.2 Kimi K2.5为什么选它当“大脑”选模型这事我试过好几个。OpenClaw 本身支持很多模型后端但真正让我决定长期用 Kimi K2.5 的原因有三个第一它的工具调用能力很稳。OpenClaw 这种 Agent 框架最怕模型“聊着聊着就跑偏”Kimi K2.5 在需要多步工具调用的场景下指令跟随和参数生成都比较准确很少出现“把文件名编造出来”这种幻觉。第二上下文够长。我在实际使用中经常丢给它一个项目的完整目录结构、十几个配置文件内容它依然能记住前文背景。Kimi 系列本身在长上下文这块一直做得不错K2.5 继续沿用了这个优势。第三OpenAI 兼容接口。OpenClaw 接入模型时大部分情况走的是 OpenAI 兼容协议而 Kimi 开放平台的接口正好是兼容的。这意味着配置一个base_url和一个api_key就能用不需要写什么适配层。如果你不想用云 APIKimi K2.5 也有开源权重配合 Ollama 等工具可以本地跑后面我会讲混合调度的玩法。1.3 Moltbook这台“AI 随行箱”解决了什么Moltbook 是社区里最近很火的一套 AI 随身工作站方案。我手里这台是一块接近笔记本形态的迷你主机自带被动散热预装了 Docker、Python、Node.js、CUDA/ROCm 工具链还配了一个统一的管理界面开机就能拉模型跑推理。它的定位很明确给你一个“不需要折腾系统环境拿到手直接部署 AI 应用”的硬件底座。为什么我会推荐它因为部署 OpenClaw 这件事90% 的坑都出在环境上Python 版本不对、Node.js 装不上、Docker 没启动、网络超时……Moltbook 把这些基础环境都预置好了你省下的时间可以全部花在 OpenClaw 本身的功能配置上。当然这不代表你必须买一台 Moltbook。我后面写的所有步骤在普通的 Windows、Linux 服务器或者云主机上同样能跑只是你需要自己花点时间补齐环境。Moltbook 对我的意义是“稳定”——部署一次之后它能 24 小时安静地放在角落里待命功耗低噪声几乎为零非常适合当家庭 AI 网关。2. 部署前准备把环境收拾利索再动手2.1 硬件门槛与系统支持范围先给大家吃颗定心丸OpenClaw 本身对硬件的要求真不高因为它本身只是一个代理框架重活都交给模型后端了。你只要满足以下条件系统Windows 10/11、主流 Linux 发行版、macOS 都支持。Windows 下我实测 Windows 11 最省心Windows 10 需要确保 PowerShell 5.1 以上。内存建议 8GB 以上。这主要是给后续可能跑的本地模型留余量纯跑 OpenClaw 云端 Kimi API 的话4GB 也够跑得动。磁盘预留 10GB 以上空间。OpenClaw 本体很小但 workspace 里跑任务会产生日志、缓存、模型文件空间多点总不是坏事。网络需要能正常访问 Kimi 开放平台等 API 端点。如果你身处内网或 NAS 环境注意保证对应的域名白名单放行。Moltbook 这台设备属于 x86 架构预装的是定制 Linux 系统以上要求全满足。我还在自己的主力 Windows 笔记本上装了一份用来随时测试新技能两边环境互不干扰。2.2 必装工具与目录规划无论你是什么系统建议先确认以下几样工具PowerShellWindows 必用安装 OpenClaw 最方便的方式之一Node.js 18部分技能和插件依赖 npm 生态Git拉取技能仓库、更新 OpenClaw 都需要Docker推荐安装。尤其是你想常驻部署或者接 NAS/云服务器Docker 是绕不开的装完工具先规划一下 OpenClaw 的数据目录。默认情况下所有数据都放在用户目录下的.openclaw文件夹里里面有几个关键文件/目录~/.openclaw/ ├── workspace/ # AI 的工作目录 ├── exec-approvals.json # 命令执行审批白名单 ├── logs/ # 运行日志 └── config.* # 配置文件不同版本后缀可能不同我强烈建议你装完先把.openclaw整个目录备份一次。因为后续升级、改配置、装技能搞崩的概率不小有一份干净的初始备份能让你随时“后悔药”。2.3 准备好 Kimi K2.5 的钥匙要用上 Kimi K2.5你需要一个 API Key。步骤非常简单打开 Kimi 开放平台platform.moonshot.cn注册并登录。进入控制台找到“API Key 管理”创建一个新 Key。创建后把 Key 复制保存好注意这个 Key 只会完整显示一次。同时在控制台确认一下你需要的模型名称。Kimi 开放平台的模型 ID 以官方文档为准一般类似kimi-k2.5-*这种格式。记住两个关键信息API 地址和模型 ID。API 地址通常就是https://api.moonshot.cn/v1这是 OpenAI 兼容的 base_url后面配置 OpenClaw 时要原样填进去。如果你不想用云端 API也可以考虑本地跑开源权重。但这需要一块显存足够的显卡或者 NPU 推理环境。Moltbook 这类设备通常集成了一定的算力可以拉小尺寸量化模型跑本地推理。这个方案我放到进阶篇细说第一步建议先用云端 API 把整个链路跑通成功率最高。3. 保姆级实操OpenClaw 三步装好五分钟接上 Kimi K2.53.1 安装 OpenClaw 的三种方式与选择OpenClaw 的安装方式目前常见的有三种方式一PowerShell 安装Windows 推荐Windows 下用管理员身份打开 PowerShell执行官方安装脚本即可。很多人在问“能不能指定目录”答案是可以——你可以在执行安装命令时通过参数指定安装路径这样就不必装在默认位置也方便绿色化携带。装完后记得把安装目录加到系统 PATH。方式二官方一键脚本Linux/macOS 推荐Linux 或 macOS 终端执行官方提供的安装脚本脚本会自动检测系统架构下载对应二进制并配置环境。装完执行openclaw --version测试是否成功。方式三便携包如果不想动系统环境官网提供了便携包解压即用。这个方案特别适合 Mocbook 这类预装系统比较精简的设备——直接解压到/opt/openclaw或者任意用户目录然后把可执行文件软链到/usr/local/bin/openclaw就能全局调用。无论哪种方式装完第一件事是在终端执行openclaw --version如果提示命令不存在别慌大概率是 PATH 没配好后面的常见问题章节我会详细讲。3.2 配置 Kimi K2.5 模型接入关键参数全给你OpenClaw 装好之后下一步就是告诉它“用哪个模型”。现在主流做法是直接修改配置文件把 Kimi K2.5 配成一个自定义模型 provider。大致思路是走 OpenAI 兼容协议{ model: { provider: openai-compatible, base_url: https://api.moonshot.cn/v1, api_key: sk-你的KimiAPIKey, model: kimi-k2.5-0711 } }注意几点base_url一定要带/v1后缀否则请求会打到一个不存在的路径上。model字段填你在控制台看到的实际模型 ID不同时间点的版本号可能不同。api_key建议不要直接写在明文配置文件里。部分 OpenClaw 版本支持从环境变量读取密钥这更安全。你可以设置MOONSHOT_API_KEY环境变量然后在配置里引用。改完配置重启 OpenClaw 进程。启动后进入交互界面输入一条简单的测试指令比如“帮我写一个 Python 脚本计算 1 到 100 的质数和”看看它能不能正确调用工具生成文件。如果这一步通了恭喜你核心链路已经打通。3.3 首次启动、workspace 与执行审批第一次启动 OpenClaw你会看到一个交互式终端界面可以直接用自然语言对话。但有一点容易忽略OpenClaw 可能会提示你初始化 workspace并生成exec-approvals.json。这个文件很关键。OpenClaw 要执行任何系统命令前都会先检查这个文件里有没有对应的审批记录。首次运行时你可以主动把一些安全命令加进去避免每次执行ls、cat、python xxx.py这类无害命令都要手动确认。比如{ allowed: [ ls, cat, python3 *.py, git status ] }我个人的习惯是一开始尽量保持严格审批先观察它执行任务的完整逻辑确认没毛病之后再把高频命令逐步加进白名单。别一上来就全放开AI 代理虽然聪明但手滑删除文件的案例在圈子里并不少见。工作目录建议固定在一个专门的文件夹比如~/workspace/projects跟系统其他目录隔离开。如果你是在 Linux 服务器上以 root 身份运行可能会遇到类似“legacy exec approvals exist at /root/.openclaw/exec-approvals.json”的提示这是旧版本审批记录需要迁移的信号。按提示执行迁移命令就行本质上就是自动把旧格式转换成新格式。3.4 Moltbook 环境专属优化要点如果你也用的是 Moltbook 这类设备有几个针对性的优化可以做第一开启 Docker 常驻。Moltbook 预装了 Docker但为了省电默认容器服务可能不是开机自启的。你可以把 OpenClaw 的常驻服务、后续要跑的 Ollama 容器都设成restart: always这样断电重启后所有服务自动恢复不需要手动登录去拉起。第二把 workspace 挂到外置存储或独立分区。Moltbook 的机身存储通常不会特别大而 AI 跑任务产生的中间文件、模型缓存很容易撑爆系统盘。我建议把.openclaw/workspace软链到独立的一块大容量存储上比如挂载的外置 SSD 或 NAS 共享目录。第三注意散热和功耗模式。Moltbook 是被动散热设计长时间跑本地模型推理时建议在管理界面把性能模式调到“均衡”而不是“高性能”实测对稳定性提升很明显风扇噪音虽然小但过热降频反而更影响体验。4. 进阶玩法把 OpenClaw 变成全能管家4.1 用 Skill 扩展能力让 AI 学会你的专属工作流OpenClaw 最强的点在于 Skill 机制。你可以把它理解成给 AI 一份“操作说明书”告诉它某个任务的背景、步骤、需要调用哪些工具它就会按你的说明书去执行。写一个 Skill 很简单。在~/.openclaw/skills/下建一个目录比如weekly-report里面放一个SKILL.md描述文件再加几个辅助脚本。举个例子我写了一个“周报生成”技能# 周报生成 根据 workspace 中本周的 git 提交记录生成一份中文周报 Markdown 文件。 ## 步骤 1. 运行 git log --since7 days ago --prettyformat:%h %s 获取提交列表 2. 按项目分组整理 3. 输出到 docs/weekly-report-YYYYMMDD.md然后在对话里说“帮我生成这周周报”OpenClaw 就会读取技能描述调用脚本产出一个 markdown 文件。这个过程可以完全自动不需要你手动去翻记录。你也可以直接从 ClawHub 安装别人写好的技能用命令或者配置文件声明即可。我装了大概十几个常用技能真正高频在用的是“文件整理”“API 调试助手”“飞书消息发送”这几个。Skill 这东西别贪多装多了反而会让模型在选择技能时犯迷糊保持一个“够用且互相不冲突”的集合最合适。4.2 接入飞书/微信手机也能遥控OpenClaw 默认是终端界面但你不可能 24 小时蹲在电脑前。把它接入飞书或者微信机器人才是真正解放生产力的方式。飞书接入相对简单在飞书开放平台创建一个自定义机器人拿到 Webhook 地址然后在 OpenClaw 的配置里增加一个 IM 通道把 Webhook 填进去。之后你在手机飞书上给机器人发消息OpenClaw 就会收到并处理再把结果发回来。实测体验很好用我经常在外面用手机让它查服务器状态、跑个数据脚本。微信接入要麻烦一些需要用社区维护的微信插件。这里有一个提醒如果你是在云服务器或者 NAS 上部署想让微信/飞书机器人能被外网访问你需要有自己的公网地址。我是在云服务器上部署了一个转发服务把 Webhook 请求转发到内网的 OpenClaw 进程上。如果你没有公网服务器也可以走一些内网穿透工具但注意选靠谱的方案别把密钥暴露到公网。4.3 Ollama 本地小模型做混合调度前面说到 Kimi K2.5 走云端 API但有些场景我不想把数据发出去或者就想零延迟跑个简单任务怎么办答案是接一个本地 Ollama。OpenClaw 原生支持多个模型并存。你可以同时配置 Kimi K2.5 和 Ollama 本地模型然后在对话时用指令切换到指定模型写代码、复杂推理、长文本处理 → 用 Kimi K2.5快速摘要、分类、简单问答 → 用本地小模型这种混合调度的价值在于既保住了复杂任务的智商又降低了 API 费用和隐私风险。我在 Moltbook 上跑了一个 7B 的量化模型日常给它分配“给我把这个目录下的文件按类型整理好”这类体力活Kimi 就专心处理需要动脑的工作。4.4 常驻部署Docker 与 NAS/云服务器如果你希望 OpenClaw 7x24 小时在线而不是“打开终端才运行”那就需要把它做成服务。最简单的方案是用 Docker。OpenClaw 官方镜像拉下来映射好.openclaw数据目录一行docker run就能跑起来。我把它部署在飞牛 NAS 上和家里的其他服务放在一起用 NAS 的进程守护功能保证崩溃自动重启。因为容器化隔离即使 OpenClaw 出问题也不会影响 NAS 其他服务。云服务器也是常见选项。很多人问“阿里云 API 怎么添加到 OpenClaw”其实这里的“阿里云 API”通常指两类一是阿里云百炼平台提供的模型服务DashScope它同样兼容 OpenAI 接口格式把 base_url 配成https://dashscope.aliyuncs.com/compatible-mode/v1填上百炼的 API Key 即可二是指你想让 OpenClaw 调用阿里云的其他产品 API比如 OSS 存储这就需要走 OpenClaw 的 Skill 机制在技能脚本里调用阿里云 SDK。常驻部署还有一个细节日志轮转。OpenClaw 跑时间长了logs 目录会越来越大。我写了一个定时任务每天压缩清理超过 7 天的日志避免把小硬盘撑爆。这个操作在 NAS 上尤其重要因为 NAS 的存储空间通常很宝贵。5. 常见问题与排查技巧实录5.1 “无法将 openclaw 识别为 cmdlet、函数、脚本文件”怎么办这个报错我见了不知道多少次几乎每个 Windows 新手都会遇到。原因只有一个OpenClaw 的可执行文件所在目录没有被加入 PATH。解决办法分两步找到 openclaw.exe 的实际路径。如果你用 PowerShell 安装并在指定目录装好就定位到那个目录如果是便携包就是你解压的目录。把该目录加到系统环境变量 PATH。Windows 下通过“系统属性 - 环境变量 - Path - 新建”添加即可。改完 PATH 记得重新打开终端让环境变量生效。Linux 下同理检查/usr/local/bin下有没有软链没有就建一个ln -s /opt/openclaw/openclaw /usr/local/bin/openclaw5.2 模型接入失败API 地址、Key、超时三板斧接 Kimi K2.5 失败99% 是三个原因第一base_url 写错。少写/v1、多写了/chat/completions都是高频错误。OpenClaw 配置里只需要写https://api.moonshot.cn/v1具体的补全路径框架自己会拼。第二API Key 无效。注意区分控制台里展示的 Key 和文档里的示例 Key复制的时候别把空格带进去。如果你设置了环境变量也要确认环境变量是否真的注入到了 OpenClaw 进程特别是用 Docker 部署时-e参数很容易漏写。第三网络超时。尤其在国内云服务器上调用某些海外 API 时超时问题很常见。Kimi 开放平台是国内服务正常没有这个问题但如果你企业网络有防火墙需要把对应域名加到白名单。排查顺序建议先 curl 测试 API 端点通不通再确认 Key 有效最后检查 OpenClaw 日志里的具体报错信息。5.3 exec-approvals 与权限报错审批记录迁移与目录隔离很多用户会发现 OpenClaw 突然提示旧版审批记录需要迁移却不知道该怎么处理。实际上这是版本升级后的正常机制旧版exec-approvals.json的格式字段跟新版不兼容运行迁移命令后OpenClaw 会自动读取旧文件并生成新格式同时保留旧文件备份。执行时留意输出路径一般会有一句类似“backed up to exec-approvals.json.bak”的提示。权限类报错里常见的是“workspace is read-only”或者“Permission denied”。八成是工作目录的属主不对。比如你用 root 启动 OpenClaw但 workspace 目录属于另一个用户就会出权限问题。解决办法就是统一属主chown -R 用户名:用户组 ~/.openclaw在 Docker 部署时也要注意容器内的用户 UID 跟宿主机不同最好通过挂载参数固定 UID否则会出现“容器内一眼正常容器外文件全是 root 所有”的情况。5.4 dev 与 stable 更新渠道怎么选OpenClaw 的更新命令是openclaw update --channel dev或openclaw update --channel stable。很多人纠结选哪个我的建议是日常使用、放着不管stable。升级频率低遇到兼容问题的概率小适合已经稳定在跑的服务。想尝鲜新功能、愿意折腾dev。dev 渠道更新频繁新 Skill 机制、新模型适配可能先在 dev 上放出来但偶尔会有配置格式变动需要跟着改。我有一个比较稳妥的玩法主要服务跑在 stable 上另开一个目录测试 dev 版等 dev 版验证没问题再切换。毕竟 OpenClaw 这类工具一旦接入日常流程稳定性比新功能重要得多。还有一个细节升级完一定要检查配置文件和 Skill 有没有被自动修改。有一次我升级到 dev 版本发现配置里模型 provider 的名字被改了一个单词导致启动后模型失效排查了十分钟才找到原因。所以每次升级后先执行一遍模型自测确认核心链路没坏再放心使用。最后再分享一个小技巧。整套部署完之后我最推荐做的一件事把~/.openclaw目录纳入 Git 管理配置文件、Skill、exec-approvals 白名单都提交进去。这样不管是你换了 Moltbook、重装了系统还是不小心把配置改崩了一条git pull就能恢复整套环境。我个人的体会是OpenClaw 这套东西的真正威力不在于单个模型有多强而在于“模型 工具 工作流”三者能自由组合。Kimi K2.5 负责聪明OpenClaw 负责动手Moltbook 负责提供一个安安静静 24 小时待命的家这三样凑齐很多以前要手动重复的活儿现在真的可以放手交给它了。