1. 先搞清楚你在部署什么OpenClaw 不是又一个聊天机器人OpenClaw社区里习惯叫它“龙虾”这段时间算是 AI Agent 圈子里的顶流。我第一次看到这个名字的时候也以为又是哪个套壳对话工具直到真正把它部署起来、看它在后台自己跑完一整套任务链路才意识到这东西和“聊天网页”完全是两个物种。先说它到底是什么。OpenClaw 是一个可以本地部署、自主调用工具、按任务链跑流程的 AI 智能体框架。你可以把它理解成一个“数字员工”你给它一个目标它能自己拆解步骤、调用搜索引擎、读写文件、执行代码、对接各类 API最后把结果整理好交给你。它和你打开网页版大模型聊天最大的区别在于网页版模型是“你问一句它答一句”而 OpenClaw 是“你布置一个任务它自己推进到完成”。这篇文章就是给两类人写的。第一类是折腾党手头有服务器或者旧电脑想跑一个自己的 AI Agent不想把数据交到别人手里第二类是效率党不想天天复制粘贴内容到各个 AI 工具里想让 AI 直接进微信、进工作流成为团队里多出来的那个“看不见的同事”。两种需求OpenClaw 都能覆盖而且部署门槛没有想象中高——不需要懂分布式系统也不用会 K8s跟着下面这套流程走五分钟左右就能跑起来一个能对话、能执行任务的 AI 员工。我自己把它部署起来之后日常用得最多的几个场景是让它定时抓取技术资讯、辅助做专利和技术文档的检索与初稿整理、处理下载目录里那一堆乱七八糟的文件、以及在微信上随手丢给它一个链接让它给我出摘要。这些都是重复劳动过去得靠人工一点一点弄现在丢给龙虾就行。下面的部署过程全是我自己跑过之后整理出来的版本尽量把坑都提前标出来。2. 动手之前先花一分钟把这三样东西准备好部署 OpenClaw 的硬件门槛低到什么程度我在一台 2 核 4G 的云服务器上跑过也在一台 2015 年的老笔记本上跑过都能正常干活。官方推荐的配置会写得比较保守但实际上如果你只是接 API、跑一些轻量任务2 核 2G 都够用如果你想在本地跑大模型那内存建议拉到 16G 以上。这一节我们把前置条件一次说清避免装到一半才发现缺东西。2.1 一台能联网的机器系统随便选Windows、macOS、Linux 都可以装安装脚本会自己检测系统环境自动装依赖。我个人的建议是如果你有云服务器优先用 Linux 服务器跑因为稳定、可以 24 小时挂着、重启也不怕如果你只有一台日常用的电脑也没关系跑起来之后丢后台就行。要注意的是路径问题。安装和配置目录尽量不要放在带中文或空格的路径下尤其是 Windows 用户有些底层工具对中文路径支持很差到时候报错排查起来非常折腾。我见过有人把项目放在“D:\软件\新建文件夹\AI员工”下面启动的时候报了一堆莫名其妙的模块加载错误把所有东西挪到纯英文路径后就好了。2.2 给 OpenClaw 准备一个“大脑”API 还是本地模型OpenClaw 本身不包含大模型能力它需要外接一个大语言模型作为推理核心。目前主流的接法有两种第一种是接云端 API。比如 DeepSeek、MiniMax 这些国内可以直接使用的模型接口注册之后拿一个 API Key填到配置里就能用。优点是速度快、不需要好硬件、成本可控百万 token 也就几块钱日常任务一个月花不了多少缺点是把任务数据发到了云端如果你的场景对数据敏感就要考虑第二种方案。第二种是本地模型。用 Ollama 这类工具把 DeepSeek 等开源模型下载到本机再让 OpenClaw 连到本地的 11434 端口。优点是完全离线、数据不出机器、没有调用费缺点是对硬件有要求7B 级别的量化模型至少需要 8G 内存跑起来才能比较流畅想要更好的效果就得 16G 往上。我个人目前的组合是日常任务接 DeepSeek API敏感任务切到本地 Ollama 跑小模型。OpenClaw 的配置支持随时切换两个都配好用哪个就是改一行配置的事。2.3 网络环境和 Git决定了你能不能装得顺利OpenClaw 部署过程中最常出问题的环节不是 OpenClaw 本身而是依赖环境的下载。官方安装脚本会拉取代码和依赖包如果你的服务器访问 GitHub 比较慢安装时间会变得很长甚至超时失败。预处理的办法就是提前给机器配置好国内可用的加速镜像。具体用什么镜像会根据你所在网络环境不同有差异这里不展开说了反正原理和 pip 换清华源、npm 换淘宝源是一回事。另外建议提前装好 Git。虽然安装脚本一般会自动处理但如果你打算用 Git 方式从 main 分支直接拉源码下面会讲Git 就是必须的。Windows 用户装 Git for Windows 就行一路默认选项安装完。3. 官方一键脚本部署全流程含 Git 方式从 main 分支拉源码网上流传的各种 OpenClaw 部署教程大部分都是基于官方安装脚本的改写。官方提供了一条安装命令会把环境检测、依赖安装、源码拉取、初始配置全部串起来。这一节我把它拆开讲清楚让你知道这条命令到底做了什么出了问题也知道去哪里排查。3.1 先跑官方推荐的一键安装安装脚本的大致执行逻辑是这样的先检测你的操作系统和架构再检查 Python / Node 运行时是否就绪接着把 OpenClaw 的代码仓库克隆到本地创建虚拟环境并安装依赖最后生成初始配置文件。以 Linux 服务器为例官方给出的安装命令形式一般长这样curl -sSL https://官方域名/install.sh | bash执行之后屏幕上会滚动输出安装日志。看到类似 “Install completed” 或者 “OpenClaw is ready” 的字样就说明装好了。安装完成后运行openclaw version能输出版本号说明核心程序已经就位。如果提示command not found大概率是安装脚本把可执行文件放到了某个不在 PATH 里的目录你需要把对应目录加进 PATH或者用安装日志里的绝对路径执行。3.2 用 Git 方式安装保住“最新版体验”如果你希望始终跟在开发最前沿安装脚本支持指定以 Git 方式安装也就是直接从 GitHub 的 main 分支检出源码进行安装。这样做的优势很明显OpenClaw 迭代速度非常快几乎每周都有新特性用 main 分支意味着你随时可以通过更新获得最新技能机制和插件支持代价是 main 分支偶尔会有不稳定的提交遇到问题需要靠自己看 issue 解决。具体操作就是在执行安装命令时带上指定 Git 安装方式的参数。不同的 OpenClaw 版本对参数的定义会有细微差别常见的形式是通过环境变量指定比如OPENCLAW_INSTALL_METHODgit bash (curl -sSL https://官方域名/install.sh)执行前务必确认机器上 Git 可用。安装完成后你会在安装目录下看到完整的.git文件夹后续升级直接git pull也能用。我自己的建议是第一台机器用官方默认方式装跑通了、验证没问题之后再考虑要不要换 Git 方式追新。如果你动手能力强、也习惯看 changelog那就直接 Git 方式省得后面迁移。3.3 Windows 和 macOS 上的安装差异Windows 用户最容易栽的坑是直接在 PowerShell 里跑 Linux 的安装命令。正确做法是先用 Git Bash 或者 WSL 环境来执行。WSL 是最省心的方案在 Microsoft Store 里装一个 Ubuntu然后在 Ubuntu 里执行安装脚本体验和 Linux 服务器几乎一样。Git Bash 也能跑但偶尔会碰到路径转换问题需要把MSYS_NO_PATHCONV1加到命令前面规避。macOS 用户相对简单装好 Homebrew 和 Git 之后直接执行安装命令即可。如果你的 Mac 是 Apple Silicon 芯片部分依赖可能需要重新编译安装时间会从五分钟拉长到十几分钟耐心等就行不要中途中断。装完之后无论哪个系统都建议跑一下环境自检命令openclaw doctor这条命令会检查配置、依赖、网络连通性等关键项有问题的会直接标红提示。我第一次部署完没跑自检直接去配置 API结果折腾了半天才发现是依赖装漏了跑一次 doctor 就能立刻定位到问题。4. 接入大脑配置 DeepSeek API 或 Ollama 本地模型OpenClaw 装好之后默认是“没有脑子”的状态。这一节不废话直接讲怎么把 DeepSeek 云端 API 和 Ollama 本地模型都配置好以及怎么验证配置真的生效了。4.1 配置文件在哪个位置OpenClaw 的配置文件默认在用户目录下的.openclaw文件夹里。Linux/macOS 是~/.openclaw/Windows 是C:\Users\你的用户名\.openclaw\。里面最主要的文件是配置文件YAML 或 JSON 格式取决于你安装的版本。第一次安装后打开这个文件你会看到一堆带默认值的字段不用怕绝大部分不用动。4.2 配置 DeepSeek API 的具体写法去 DeepSeek 开放平台注册账号在控制台创建一个 API Key然后把 Key 填到配置文件的模型区段。以 YAML 为例大概长这样model: provider: deepseek api_key: sk-你的密钥 base_url: https://api.deepseek.com/v1 model: deepseek-chat如果你是直接问 DeepSeek 官网拿的 Key那就用它的默认地址如果你走的是兼容 OpenAI 格式的其他网关把base_url换掉就行。OpenClaw 对 OpenAI 兼容接口的支持做得比较通用市面上大部分模型服务都能这样接进去。填完之后重启 OpenClaw让它重新加载配置。验证方法很简单直接在对话里输入一条测试指令比如“用一句话介绍你自己”。如果它正常回复说明模型链路已经打通。4.3 配置 Ollama 本地模型的完整步骤先安装 Ollama。安装完成之后拉取一个 DeepSeek 模型我一般用的是 7B 的量化版本笔记本上跑也不吃力ollama pull deepseek-r1:7b拉完之后Ollama 默认会在本机 11434 端口提供 API 服务。OpenClaw 那边对应配置改成model: provider: ollama base_url: http://127.0.0.1:11434 model: deepseek-r1:7b重启 OpenClaw 后再测试对话。注意第一次调用本地模型时模型加载到内存需要几秒甚至十几秒这是正常现象不是卡死了。如果等了很久还没反应就用ollama ps看一下模型是否真的加载了。4.4 为什么我推荐把两种接入方式都配上很多人的误区是只配一种模型就完事了。实际上OpenClaw 的配置里可以同时定义多个模型按任务类型或按优先级切换。我的做法是把 DeepSeek API 设为默认速度快、能力全面本地 Ollama 模型设为备选用于文本脱敏要求高的场景。这样既兼顾了体验又留了后路——万一云端 API 服务不稳定切到本地模型照样能干活不至于整个 Agent 瘫掉。这里顺带提一句如果你之前调研过 Dify、Coze 这类平台型 Agent 工具会发现它们偏重“可视化编排”而 OpenClaw 更偏“命令行 配置 技能包”的极客路线。没有谁绝对更好看你的使用习惯。我是因为很多任务脚本本来就在本地跑OpenClaw 这种“离我的文件和代码更近”的方式折腾起来更顺手。5. 装上技能它才真正从聊天 AI 变成 AI 员工模型接好了OpenClaw 具备了“思考”能力但光会思考不会干活充其量是个聊天机器人。真正让它变成员工的关键是技能机制——也就是 Skill。这一节讲清楚 Skill 解决什么问题、哪些值得装以及怎么自己写。5.1 Skill 机制的本质你可以把 Skill 理解为“AI 员工的岗位手册”。每个 Skill 定义了某个场景下的完整工作流需要调用哪些工具、按什么顺序执行、遇到异常怎么反馈。举个例子一个“日报生成” Skill 可能会让 AI 先去读取你今天的 Git 提交记录、再读取项目管理系统里的任务状态、最后把这些信息汇总成一篇日报。没有 Skill 的时候你得一步步告诉 AI 怎么做有了 Skill你只要说一句“生成今日日报”它自己就按手册把活干完了。这种设计让 OpenClaw 和普通对话工具彻底区分开来。普通工具里AI 的“能力边界”是写死的OpenClaw 里只要你愿意可以给 AI 装上任意技能包它会越来越像一个懂你业务的老员工。5.2 几个值得优先安装的 Skill我把社区里口碑比较好的几个 Skill 整理成了表格按实用程度排了个序Skill 名称主要用途适用场景web_search联网检索最新信息资讯收集、竞品调研、资料验证code_runner在隔离环境执行代码数据分析、脚本编写、结果验证file_organizer按规则整理本地文件下载目录清理、项目文件归档pat_ai专利与技术文档辅助专利检索、技术交底书初稿整理chart_generator生成图表汇报材料、数据可视化这里面我重点说一下 pat_ai。做技术工作的人都知道专利和技术文档的前期调研非常耗费精力要从海量文献里筛出相关度高的内容再提炼技术特征。装了 pat_ai 这个 Skill 之后OpenClaw 可以自动完成初步检索和摘要整理我只需要在它给出的结果上做二次筛选和判断效率提升非常明显。很多好用的场景不是你想出来的而是干着干着发现“这个重复劳动也能丢给它”。5.3 怎么安装一个 Skill以妙想 Skill 为例Skill 的安装方式不复杂核心就三步把 Skill 包放入指定目录、在配置里启用、重启或重载。以社区里常见的“妙想 Skill”为例它的包里一般包含一个描述文件说明这个 Skill 的用途、参数、触发词和一段或多段执行逻辑。具体操作路径是这样的从社区或官方仓库下载 Skill 包后解压到~/.openclaw/skills/目录下然后打开配置文件找到 skills 相关的配置区段把该 Skill 名称加进启用列表skills: enabled: - web_search - code_runner - miaoxiang保存后重启 OpenClaw再问它一句“你会哪些技能”如果回复里列出了刚才启用的 Skill 名称就说明加载成功了。如果你填了 Skill 名称但 AI 表示不认大概率是 Skill 包的解压目录结构不对检查一下包内是否包含描述文件层级多了一层或者少了一层都会导致加载失败。5.4 动手写一个最简 Skill不需要会写复杂的代码Skill 的门槛比你想的低。OpenClaw 的 Skill 本质上就是“任务说明 可调工具的组合”很多 Skill 甚至不需要额外写代码只是把现有工具按一定顺序串起来。我举一个最简单的例子做一个“网页摘要” Skill。用户给一个链接AI 抓取网页正文生成摘要并列出三个核心观点。这个 Skill 的描述文件里只需要写清楚触发条件、输入参数和期望的输出格式然后声明它需要用到网页抓取工具即可。写完之后它就是一个可复用的能力。多数人是这么入门的先用别人写好的 Skill跑熟了之后看到某个重复任务自己动手写一个专属 Skill。这不是什么高大上的技术活更像是教一个新同事熟悉你的做事方式。等你的 Skill 库攒到一定数量OpenClaw 才真正变成“你的 AI 员工”而不是一个随时可替换的通用工具。6. 接入微信让 AI 员工进入你的消息流以及那个让我折腾到深夜的风控问题前面所有配置都是纯命令行交互用起来总有点“服务器上跑服务”的疏离感。真正让我觉得“这玩意儿是个员工”的瞬间是把 OpenClaw 接进微信之后——任务直接丢到聊天窗口它在后台干活完成之后把结果发回来整个流程和你跟同事沟通没有区别。6.1 微信接入的原理以及安全边界先说明一点OpenClaw 不是微信官方机器人它是通过桥接通道把微信消息转发给本地 OpenClaw 进程的。这里自然而然会牵涉到风险控制的问题平台对这类非常规接入有严格的管控策略。我强烈建议接入时使用一个不重要的账号别拿主号去折腾只用于个人合法场景的消息处理不要做群发、营销、批量添加好友这类高危操作。这是我踩过坑之后总结的最重要的一条经验。接入流程大概是三步在 OpenClaw 配置里开启微信通道获得一个桥接服务的连接凭证把连接凭证填到桥接通道配置中然后扫码登录微信让 OpenClaw 作为一个“联系人”接收消息。6.2 触发服务端风控时的排查链路微信接入最烦人的问题就是触发服务端风控。我遇到过的情况很典型前一天还好好的第二天早上发消息过去OpenClaw 完全没反应。当时第一反应是进程挂了结果一看进程还在跑。然后查日志才发现日志里出现了风控相关的报错——这是最直接的定位信号说明桥接通道被平台临时限制了需要按照通道服务方的提示进行处理。完整排查链路我梳理成下面这张清单遇到类似问题可以直接照着走先确认 OpenClaw 进程是否存活openclaw status排除服务本身挂掉的可能。再看桥接通道日志搜索有没有和风险控制、频率限制相关的关键词。如果确认是风控停止发送消息让服务冷却一段时间。短则几分钟长则数小时。检查自己是不是短时间内发了大量消息或者触发了关键词监控调整使用节奏。如果冷却后仍无法恢复考虑清理桥接服务的连接状态重新登录一次。说实话这个问题没有一劳永逸的解决方案。平台有自己的规则我们能做的是保持低频率、模拟正常人的使用习惯、不要触碰平台红线。在把 OpenClaw 接入任何 IM 平台之前先想清楚自己的使用场景是否合规这比任何技术配置都重要。6.3 会话残留问题AI 突然“精神分裂”的真相另一个我实际遇到的高频问题叫“会话残留”。现象很诡异你在微信里让它查一个数据它回了一句完全不相干的内容像是上上个任务还没结束然后突然插进来一段后文。刚开始我以为是模型抽风了后来翻日志才明白是之前的会话上下文没有正确清理导致新任务的执行被旧状态干扰。会话残留的常见诱因有两个一是网络不稳定任务执行到一半进程断掉了但上下文状态没有回滚二是多端同时使用微信端和命令行端共用同一个会话两边各自发任务上下文互相污染。解决办法也不复杂发现状态错乱之后先停掉任务然后清空当前会话状态再重来openclaw session reset命令跑完之后相当于把那个“精神分裂”的脑内缓存清了一遍。日常使用时注意不要让微信端和命令行端同时对一个会话发任务就能从源头上减少这个问题。我自己后来是直接把两个端口的会话做了拆分微信端只处理聊天类任务命令行端处理需要长时间跑的复杂任务两边互不干扰。7. 升级版本与更野的部署玩法OpenClaw 迭代快两周不升级可能就错过了好几个新的 Skill 类型和工具支持。这一节把升级操作和几种特殊部署方式一起讲了—包括 Docker 部署、Windows 离线整合包、以及把 OpenClaw 塞进安卓手机和开发板的那群硬核玩家。7.1 升级 OpenClaw 的正确姿势升级的核心原则只有一个先备份再升级。OpenClaw 的配置、Skill、会话记录都放在.openclaw目录下升级前把整个目录压缩备份一份就算新版出了问题也能秒退回旧版。如果你之前是 Git 方式安装的升级就更简单了进到安装目录直接git pull然后重新安装依赖、重启服务。如果是普通方式安装官方一般会提供升级命令原理是重新执行一次安装脚本脚本检测到已有安装后会自动进行覆盖升级。升级完成后跑一次openclaw doctor确认所有依赖完好、配置没有失效再开始正常使用。我见过不少人在升级之后遇到模型配置丢失的问题原因是新版默认配置文件结构变了旧配置里的字段没被识别。应对办法还是那句话升级前备份升级后跑 doctor发现配置失效就把备份里的旧配置对照新模板手工迁移。7.2 Docker 部署适合什么人如果你本来就熟悉 Docker用它部署 OpenClaw 比裸装更干净。容器化最大的好处是环境隔离、升级回滚方便、迁移容易。官方仓库一般会提供镜像和 compose 文件典型操作是把配置目录用数据卷挂载出来这样容器随便重建配置和 Skill 都不会丢docker compose up -d容器化部署的坑主要是两个一是国内拉取镜像可能较慢需要提前配好镜像加速器二是容器内的网络和宿主机不共享如果你要让 OpenClaw 连接宿主机的 Ollama 本地模型需要把容器网络配置成 host 模式或者把 Ollama 的服务地址写成host.docker.internal。这个细节很多人踩坑提前留意能省不少时间。7.3 离线整合包与 Termux环境受限时的备选方案有一类机器非常特殊内网服务器、无外网环境、或者网络极其不稳定。这种场景下官方在线脚本基本废了社区里的方案是使用 Windows 离线整合包——热心网友把运行环境和 OpenClaw 整体打包解压即用。搜索关键词里出现的“OpenClaw 龙虾 Windows 离线整合包”就是指这个东西。我个人对离线包的看法是适合救急不适合主力。离线包能帮你绕过网络限制快速跑起来但版本通常会滞后而且打包者的运行环境和你的机器未必一致遇到问题更难排查。如果你只是单纯想体验一下离线包没问题想长期用还是尽量用官方脚本或源码方式搭一个干净的运行环境。再说说 Termux 部署。把 OpenClaw 跑到安卓手机上属于“不折腾不舒服”的玩法但在轻量部署这个需求下确实有意义——手机上跑一个随身 AI 员工走到哪都能用。Termux 原生部署的关键是不用 proot直接在 Termux 环境里装依赖、跑脚本。注意安卓系统的文件路径和存储权限和 Linux 有差异建议把 OpenClaw 的配置目录放在 Termux 可访问的私有目录下而不是公共存储目录否则会遇到读写权限问题。最后还有一批玩家把 OpenClaw 跑到了 ESP32 开发板上配合 MicroPython 和 pycoclaw 库实现极轻量级的交互。这已经属于嵌入式玩法的范畴了核心思路是用开发板做“对话入口”真正的推理和任务执行还是转发到后端模型和 OpenClaw 进程。如果你手头有吃灰的板子这倒是个挺有意思的玩法不过不建议作为第一次部署的选择门槛相对高一些。我个人折腾 OpenClaw 这段时间最大的体会是部署本身不是真正的门槛——安装脚本已经帮我们解决了绝大多数环境问题真正拉开差距的是你对技能机制的利用程度以及遇到问题时针脚分明的排查思路。所有“AI 突然不干活”的瞬间九成以上都出在模型配置失效、技能加载失败、会话状态错乱这几个环节上按这篇的顺序从进程、日志、配置三层逐项排除大多数问题都能在几分钟内定位。先跑通一个最小可用版本然后慢慢把技能和接入渠道加上去你的 AI 员工会越来越像一个真正的同事。