OpenClaw本地部署实战：四步搭建AI智能体运行时

先说结论OpenClaw社区里也叫Clawdbot这套东西只要按顺序走完环境准备、安装、初始化、模型接入四步新手也能在两小时内跑起来。我这篇文章不是官方文档的复述而是我最近在Windows 11和一台云服务器上从零部署OpenClaw的完整记录里面包含了所有我踩过的坑、试错后留下的命令以及那些官方文档里根本不会写的细节。如果你正打算在本地部署一个能自己写代码、操作文件、调用工具的AI智能体这篇文章应该能帮你省下至少一个晚上的折腾时间。1. OpenClaw部署前先搞懂它到底是个什么东西1.1 一句话讲清楚OpenClaw的定位OpenClaw本质上是一个本地优先的Agent Runtime也就是“智能体运行时”。你可以把它理解成一个给大模型装上手脚的框架大模型负责思考OpenClaw负责动手。它能把模型输出的指令翻译成真实的电脑操作比如读取文件、执行命令、调用浏览器、管理下载内容甚至在公司内部系统里做数据搬运。很多第一次接触的人会把它和ChatGPT这类聊天机器人搞混实际上差别非常大。聊天机器人是“你问我答”OpenClaw是“你说目标、它跑流程”。举个例子你跟OpenClaw说“帮我把这个文件夹里所有图片压缩成WebP格式并生成一份清单”它不是给你一段教程而是真的会去扫描文件、调用图像处理工具、最后把清单放到workspace目录里。这种“结果导向”的使用方式才是Clawdbot这类项目最核心的吸引力。1.2 为什么2026年大家开始扎堆本地部署OpenClaw我在部署前也犹豫过直接用线上Agent服务不香吗折腾本地部署图什么实际跑通之后我觉得本地部署的核心价值有三点。一是数据可控。OpenClaw默认会把所有中间产物、临时文件、执行记录存在本地workspace里不需要把敏感资料传到第三方服务。对公司内部文档、财务报表这类数据来说这一条就足以决定要不要用本地方案。二是成本结构清晰。通过Ollama接本地开源模型跑一次任务只花电费不按token计费。我自己实测用qwen2.5:14b跑批量文本处理速度和云API差距不大但成本几乎为零。三是可扩展性。OpenClaw的技能机制允许你随时加新工具我今天加了一个定时日报的skill明天又想接飞书机器人通知这些都能在本地配置里直接改不用等上游厂商排期。当然本地部署也挑人。如果你完全没接触过命令行、连PowerShell都不太敢碰那还是先用桌面版产品比较稳妥。这篇文章默认你至少会打开终端、复制粘贴命令剩下的我会尽量讲到“照着抄就能跑”的程度。2. 环境准备OpenClaw依赖的三大件2.1 系统要求和必备软件清单OpenClaw对硬件的要求不算苛刻但也不是随便一台老电脑就能流畅跑起来。我个人的建议配置如下组件最低要求推荐配置备注操作系统Windows 10 22H2 / Ubuntu 20.04Windows 11 / Ubuntu 22.04云服务器选Debian系最省心内存8GB16GB以上模型推理和框架同时跑很吃内存磁盘10GB空闲SSD 50GB模型文件动辄5GB起步显卡可选NVIDIA显卡8GB显存纯CPU也能跑速度慢一些Docker仅容器部署需要Docker Desktop 4.xLinux服务器装docker-ce即可除了硬件软件层面有三样东西是绕不开的命令行终端、Git、以及容器环境如果你选Docker路线。Windows用户我建议直接用自带的PowerShell 7别再用老旧的Windows PowerShell 5很多脚本命令在旧版本上表现不一样容易白折腾。Git的话装默认配置就行OpenClaw在拉取skill插件时会用到。2.2 Ollama本地模型引擎的安装与模型选型OpenClaw本身不带大模型参数它需要连接一个“会思考的引擎”。目前社区里用得最多的就是Ollama。为什么选Ollama而不是其他推理框架因为它对新手最友好安装包点两下就装好后台服务自动启动命令行拉模型像拉Docker镜像一样简单。Windows用户去Ollama官网下载exe安装包默认配置一路Next即可。装完打开终端验证ollama --version然后拉取一个适合跑智能体的模型。这里很多人会犯选择困难症我给一个经过测试的选型参考内存/显存条件推荐模型说明16GB内存无显卡qwen2.5:7b日常文本处理够用响应快32GB内存或8GB显存qwen2.5:14b理解和生成质量明显提升推荐64GB内存或16GB显存qwen2.5:32b适合复杂代码任务速度慢一些有API预算deepseek-chat直接走云端API效果最好拉取命令很简单ollama pull qwen2.5:14b这里我多说一句不要贪大。我在16GB内存的笔记本上跑过32b模型虽然能启动但生成一个回答要等两分钟体验非常差。后来换回14b速度和质量的平衡点反而最好。另外Ollama默认端口是11434OpenClaw配置模型接口时要用到记一下。2.3 DeepSeek、NVIDIA NIM等云端模型接口的准备工作如果你不想依赖本地模型或者觉得本地模型理解能力不够OpenClaw也支持接OpenAI兼容接口DeepSeek、NVIDIA NIM、各种中转站都走这个协议。准备工作其实就三步拿到API Key、确认Base URL、确认模型名。以DeepSeek为例Base URL一般是https://api.deepseek.com/v1模型名是deepseek-chat这些信息在控制台都能看到。中转站的话Base URL要以平台提供的地址为准有些会带路径后缀不要想当然地拼接。我的建议是本地先跑通Ollama把OpenClaw的流程摸熟之后再切换云端模型做效果对比。这样即使后面配置出问题你至少知道问题出在模型接入层还是OpenClaw本身。3. 正式部署OpenClaw安装的两条路线实操3.1 路线一Windows下PowerShell一键安装OpenClaw官方提供了一条PowerShell安装命令理论上粘贴进去就能装完。但社区里问得最多的问题恰恰是“怎么指定安装目录”。官方脚本默认会装到用户目录下想改成D盘需要先设置环境变量。$env:OPENCLAW_INSTALL_DIR D:\OpenClaw irm https://get.openclaw.sh | iex这段命令的原理是先定义一个名为OPENCLAW_INSTALL_DIR的环境变量然后再执行远程安装脚本。脚本检测到这个变量存在时就会把OpenClaw的可执行文件释放到指定目录。实测在Windows 11下这个过程大概需要三到五分钟取决于网络状况。装完之后脚本一般会自动把可执行文件路径写入PATH。但这里有个很经典的坑如果安装前你已经开着一个终端窗口这个窗口里的PATH不会自动刷新必须新开一个PowerShell窗口才能生效。验证安装是否成功运行openclaw --version如果看到版本号输出说明安装成功。如果你遇到的是“无法将openclaw项识别为cmdlet”的报错先别慌九成是PATH没生效或者安装目录没写进去解决方案我在后面章节专门讲。3.2 路线二Docker部署方式云端和Linux服务器推荐如果你要在云服务器上部署或者希望环境隔离得更干净一些Docker路线更合适。OpenClaw官方维护了镜像一条命令就能起一个完整的运行时。docker run -d --name openclaw \ -v ~/.openclaw:/root/.openclaw \ -v /var/run/docker.sock:/var/run/docker.sock \ -e OPENCLAW_MODELollama/qwen2.5:14b \ -p 3000:3000 \ openclaw/openclaw:latest我来解读一下这条命令里每个参数的作用方便你按需调整-v ~/.openclaw:/root/.openclaw把宿主机的配置目录映射到容器内这样配置、workspace、审批记录都能持久化容器删了重装也不会丢数据。-v /var/run/docker.sock:/var/run/docker.sock挂载Docker套接字让容器内的OpenClaw能调用宿主机的Docker来创建隔离环境。这一步对自动化能力很关键但同时也意味着容器有较高权限生产环境要慎重。-e OPENCLAW_MODELollama/qwen2.5:14b指定默认大模型。这里的前缀ollama/表示走Ollama协议。-p 3000:3000把OpenClaw的Web控制台端口映射出来这样你可以在浏览器里访问。启动之后通过docker logs -f openclaw查看运行日志。如果容器一直重启最常见的原因是Docker套接字权限不够或者挂载目录没有正确创建。在我的云服务器上脚本自动创建的目录权限是root我在~/.openclaw前面加了一层用户目录才解决。3.3 安装完成后必须做的三步验证安装完成不意味着万事大吉我习惯按顺序做三步验证确认整个链路是通的。第一步检查版本和帮助信息openclaw --version openclaw --help第二步初始化运行时。OpenClaw在首次启动时会自动生成配置目录和工作目录openclaw init运行之后在你的用户目录下会出现.openclaw文件夹里面有config.json、workspace等目录。这一步如果报错通常和权限有关Windows用户用管理员PowerShellLinux用户检查目录写权限。第三步跑一个最简单的对话任务验证模型连接是否正常openclaw run 你好请用一句话介绍你自己如果模型正确返回一段自我介绍那恭喜你整个部署链路已经通了。如果提示连接失败或超时大概率是模型引擎的地址没配对下一步我们就来解决配置问题。4. 初始化配置OpenClaw运行时的四个核心文件4.1 workspace工作区机制AI的“安全办公桌”OpenClaw初始化完成后默认会在~/.openclaw/workspace生成一个工作区。这个目录就是AI的活动范围所有文件读写、临时脚本、下载内容都会被限制在这个沙箱里。为什么要设置工作区很简单大模型在执行任务时可能会产生意外操作如果把整个系统盘暴露给它风险太高。把它限制在一个专属目录里就算模型跑飞了最多污染workspace不会动到系统关键文件。我建议根据实际用途调整工作区位置。如果你打算让OpenClaw配合Obsidian做项目管理就可以把workspace指向你的笔记目录openclaw config set workspace D:\ObsidianVault注意这里有个小细节修改workspace后旧目录里的历史文件不会自动迁移需要你手动复制。另外不要让workspace直接指向C盘根目录或者系统目录否则权限模型会变得很难控制。4.2 exec-approvals.json执行审批机制OpenClaw有一个非常重要的安全设计当AI要执行系统命令时会先检查一个名为exec-approvals.json的审批文件。比如你在日志里看到类似提示——legacy exec approvals exist at /root/.openclaw/exec-approvals.json——意思就是系统检测到了历史审批记录正在加载它们。首次运行时OpenClaw会为每条高风险的命令询问你是否允许。你选择“总是允许”后这条命令的规则会被写入审批文件。文件内容大概是这样的结构{ approvals: { npm install: allow, rm -rf /tmp/cache: ask, curl http://example.com: deny } }这里我的经验是白名单规则越具体越好。比如npm install是常见操作允许没问题但像rm -rf这种危险命令宁可每次让它问一遍也不要图省事直接allow。很多人在部署初期觉得反复确认很烦就一次性把所有命令都设成自动执行这是我在真实项目中最不建议的做法——一旦模型被恶意prompt引导执行了破坏性命令后悔都来不及。4.3 模型接入配置Ollama、DeepSeek和中转站OpenClaw的主配置文件是~/.openclaw/config.json。首次初始化后文件里只有很基础的设置。把模型接进去就是在model字段里指定provider和地址。接Ollama本地模型的配置示例{ model: { provider: ollama, name: qwen2.5:14b, base_url: http://localhost:11434/v1 } }接DeepSeek云端接口的配置示例{ model: { provider: openai-compatible, name: deepseek-chat, base_url: https://api.deepseek.com/v1, api_key_env: DEEPSEEK_API_KEY } }注意api_key_env这个字段它指定的是环境变量的名字而不是直接把密钥写在配置文件里。这样做的目的是防止配置文件被同步到Git仓库或者分享出去时泄露密钥。设置环境变量的方式Windows在PowerShell里$env:DEEPSEEK_API_KEY sk-你的密钥Linux则在~/.bashrc里加一行export然后source ~/.bashrc。如果你使用中转站原理和DeepSeek一样只是base_url换成中转站提供的地址。这里有个容易踩的坑有些中转站的接口路径不带/v1后缀有些带一定要以平台文档为准否则会报404或模型不存在。NVIDIA NIM的接入方式也类似把base_url指向NIM推理端点即可只是模型名要写NIM里实际部署的模型标识符。4.4 Runtime metadata运行时信息的查看与调优部署完成后我建议看一眼openclaw runtime metadata这个命令的输出。它会列出当前运行时的版本、模型连接状态、workspace路径、审批策略等元信息。openclaw runtime metadata这个命令的价值在于排查问题。有一次我明明改了config.json但任务执行时还在用旧模型查了半天发现是容器镜像里的runtime缓存没刷新。执行openclaw runtime metadata才确认是元信息里的模型地址没变。所以在调整任何配置后先看这个命令的输出确认配置真的生效了再继续往下测试。5. 进阶使用把OpenClaw从玩具变成生产力工具5.1 Skill技能扩展给智能体加“新本领”OpenClaw的Skill机制是整个框架里最值得研究的扩展点。一个Skill其实就是一组预定义的提示词加上配套工具脚本用来告诉模型“遇到这类任务时按这个流程来可以调用这些工具”。Skill的安装命令很直观openclaw skill install write-doc安装后会放在~/.openclaw/skills目录下。手动创建Skill也不复杂目录结构一般是这样的write-doc/ ├── SKILL.md ├── tools/ │ └── generate_docx.py └── assets/其中SKILL.md是核心里面包含这个Skill的说明、使用场景、步骤引导。OpenClaw在每次执行任务时会根据任务描述自动匹配并加载对应的Skill提示词。我自己写过一个“日报生成”的Skill流程是扫描workspace里当天的文件修改记录结合git log生成工作摘要再按模板输出成Markdown文件。这个Skill写完之后每天下班跑一条命令就能拿到日报初稿省了不少重复劳动。建议新手先装社区里现成的Skill研究几天结构之后再动手写自己的第一个Skill。5.2 Cau Computer设置让AI直接操作鼠标键盘很多人在安装后都会问“openclaw的cau computer如何设置”。Cau Computer指的是Computer Use能力开启后AI可以模拟鼠标点击、键盘输入、查看屏幕内容像人一样操作系统界面。这个功能对处理老旧系统、没有API的网页软件特别有用。配置上在config.json里加一段{ computer: { enabled: true, display: 1, resolution: [1920, 1080], require_approval: true } }关键参数是require_approval我强烈建议保持true。因为让AI控制鼠标键盘意味着它能做任何你能做的事一旦任务理解有偏差可能会出现乱点窗口、误删文件等意外。开启真实操作前先用测试模式跑几个简单任务观察它的操作路径是否符合预期。5.3 接入飞书机器人实现消息通知部署完智能体后最实用的集成就是消息通知。你可以在飞书群里建一个自定义机器人拿到Webhook地址然后通过Skill方式让OpenClaw在任务完成时推送结果。具体做法是写一个简单的飞书通知Skill核心是用curl触发飞书机器人APIcurl -X POST -H Content-Type: application/json \ -d {msg_type:text,content:{text:任务执行完成结果见附件}} \ https://open.feishu.cn/open-apis/bot/v2/hook/你的Webhook地址把这段逻辑封装成Skill的工具脚本后OpenClaw就具备了主动汇报的能力。我在云服务器上跑定时数据清洗任务时每天早上九点会在飞书群里收到一条执行结果手机上就能看到。配置时注意Webhook地址不要泄露这个地址等于群里的消息权限任何人拿到都能往群里发消息。5.4 结合Obsidian做项目管理以及云端部署的监控问题Obsidian用户可以把OpenClaw的workspace直接指向Obsidian的Vault目录这样AI生成的笔记、会议纪要、项目计划都会以Markdown文件的形式落到Vault里Obsidian这边自动索引和可视化。我实际操作中把workspace指向Vault下的一个_agents子文件夹OpenClaw生成的中间文件不会打乱正常笔记结构。云端部署场景下如果你对稳定性要求高建议给OpenClaw挂一个简单的健康检查。它内置了metrics接口可以接到Prometheus里做监控。企业Linux服务器上用systemd守护OpenClaw进程加一行自动重启策略能省掉半夜爬起来手动拉容器的麻烦。6. 常见问题排查与避坑套路我踩过的坑都在这6.1 安装阶段的经典报错和解决思路报错信息原因解决办法无法将“openclaw”项识别为 cmdlet、函数、脚本文件或可运行程序的名称PATH未生效或未写入重新打开终端手动把安装目录加入PATH无法加载文件因为在此系统上禁止运行脚本PowerShell执行策略限制Set-ExecutionPolicy -Scope CurrentUser RemoteSignedDocker容器一直重启挂载目录权限不足或docker.sock不可用检查目录权限把用户加入docker组ollama连接被拒绝Ollama服务未启动运行ollama serve确认服务在11434端口监听其中“无法将openclaw识别为cmdlet”出现频率最高。手动修复方法找到openclaw可执行文件实际路径比如D:\OpenClaw\bin然后在PowerShell里执行[Environment]::SetEnvironmentVariable(Path, $env:Path ;D:\OpenClaw\bin, User)执行完务必关掉所有终端窗口再重新打开否则环境变量不会刷新。Windows下如果装了WebView应用或者某些安全软件拦截了远程脚本执行也会导致安装失败临时关掉安全软件再装即可装完记得打开。6.2 模型接入和任务执行中的问题排查任务执行时常见的坑集中在模型这层。我的排查顺序是先看OpenClaw日志再看模型服务日志最后才考虑改配置。现象排查点模型不回复超时报错确认Ollama已启动ollama list能显示模型返回内容为空检查base_url是否带了/v1后缀中文输出混乱换更大模型把temperature调低到0.3以下显存不足程序崩溃换量化版模型或减小上下文长度这里特别强调一下Ollama作为后台服务时的坑如果你的Ollama是手动启动的终端一关服务就停了OpenClaw自然连不上。Windows用户建议把Ollama设置为开机启动安装时默认会勾选Linux用户用systemd管理确保它在后台常驻。6.3 OpenClaw的安全底线和正确卸载姿势部署OpenClaw这种能直接操作系统的智能体安全这根弦必须绷紧。我给三条底线第一exec-approvals.json里的危险命令不要全部allow第二不要把API Key硬编码进config.json用环境变量第三Docker部署时不要给容器privileged权限除非你完全清楚后果。彻底卸载OpenClaw的话先跑官方卸载命令openclaw uninstall然后手动删除遗留的配置目录Windows在C:\Users\你的用户名\.openclawLinux在~/.openclaw。卸载前记得备份workspace里的成果文件这些是你和AI共同产出的数据删了就找不回来了。6.4 关于部署背后的思考本地智能体的未来空间部署OpenClaw这个动作本身并不难难的是理解这套体系背后代表的范式变化AI不再只是回答问题而是开始接管可执行的任务。当你能在自己的电脑或服务器上拥有这样一个“数字员工”工作流程的设计、数据安全的边界、效率和风险的权衡都会成为新的课题。这篇教程给了你一个跑通的起点后面能折腾出什么完全取决于你的想象力和业务需求。以我个人的体会来说OpenClaw最让我惊喜的时刻不是它第一次跑通命令而是我出差在外地用手机看它通过飞书汇报定时任务的执行结果那一刻我才真正觉得这个“数字员工”进入工作状态了。希望你也能在部署过程中体会到这种乐趣。