现在本地跑智能体Agent的项目越来越多了但绝大多数都绕不开云端、收费、数据隐私这几个坑。我最近一直在折腾 OpenClaw 的本地部署趁着刚把整套流程跑通把这次从零开始的部署记录整理成文。如果你也想在 Windows 机器上完整跑起一个属于自己的本地 AI Agent这篇文章应该能帮你少走不少弯路。OpenClaw 是一个主打本地优先的智能体运行框架核心思路是把 Agent 的决策、工具调用、记忆存储全部放在你自己的电脑上完成模型层既可以用本地推理引擎也可以接各类 API。对我这种习惯把敏感数据留在本机的人而言这种架构天然有吸引力。整个部署过程涉及环境准备、模型接入、权限配置、Skill 扩展等好几个环节我会把每一步为什么这么做、做了之后能看到什么效果都讲清楚方便你照着操作也能顺利复现。适合看这篇记录的朋友主要有三类一是刚接触本地 Agent、想在 Windows 上先跑通一个 Demo 的开发者二是已经在用各类云端 Agent 服务、想评估本地方案是否可行的技术选型者三是单纯对本地大模型应用感兴趣、想找一份完整实操案例的爱好者。下面直接进入正题。1. 部署前的完整思路与准备工作1.1 为什么选择 Windows 本地环境不少 Agent 框架对 Linux 友好但 OpenClaw 官方对 Windows 的支持已经比较完整了原生 PowerShell 就能跑。我这次用的是 Windows Server 2022 的机器配置是 8 核 CPU、32GB 内存、无独立显卡。说实话这个配置跑大模型推理并不算强但 OpenClaw 本身是个控制层真正的推理压力在模型服务上所以机器配置差一点也能先把 Agent 框架跑起来。选择本地部署还有一个现实原因我对数据出口这件事比较敏感。把对话记录、工具调用日志、中间思考过程全部交给云端即便服务商承诺保密心里总觉得不踏实。本地部署能让所有状态文件、审批记录、工作目录都落在自己的磁盘上数据边界非常清晰。如果你也有类似诉求那本地部署就不是一个可选项而是必选项。1.2 环境依赖清单与版本选择动手之前最好先把依赖捋一遍省得装到一半才发现缺东西。我这次实际用到的环境组件如下组件版本/说明用途操作系统Windows Server 2022宿主环境Node.js20.x LTSOpenClaw 运行时依赖Git2.40拉取 Skill 仓库与更新Ollama0.1.29本地模型推理服务模型qwen2.5:7b / deepseek-r1:7b对话与推理主干Node.js 这块要特别提醒一句OpenClaw 对 Node 版本有要求太老的 16.x 会出现依赖安装失败太新的非 LTS 版本偶发兼容性问题。我建议直接装最新 LTS 版实测最稳。Git 主要是用来拉取社区 Skill 扩展和检查更新用的如果不打算折腾扩展可以暂时不装。Ollama 的选择是出于两层考虑。第一它支持 OpenAI 兼容接口OpenClaw 可以直接走/v1/chat/completions路径接入省去写适配器的麻烦。第二Ollama 默认把模型存放在用户目录下的.ollama/models里卸载清理都比较方便。模型我一开始选了 qwen2.5:7b后来换了 deepseek-r1:7b 做对比两者在 OpenClaw 上的接入方式完全一致只是在推理风格和速度上有差异这部分后面细说。1.3 网络环境与镜像源策略本地部署最怕的就是下载环节卡住。OpenClaw 本体是一个 npm 包安装时要拉取大量依赖来源主要是 npm 官方源和 GitHub。如果你所在网络的访问速度不理想我强烈建议提前把 npm 源切到国内镜像命令是npm config set registry https://registry.npmmirror.com这步做不做直接影响安装体验。我自己第一次装的时候没换源光等依赖就耗了差不多四十分钟中间还失败了一次。换了镜像源之后整个安装过程压缩到了五分钟以内。需要说明的是镜像源只解决 npm 包拉取速度问题如果后续要克隆 GitHub 上的 Skill 仓库网速瓶颈依然存在这个只能靠代理或者换时间段解决没有太好的办法。2. 核心安装流程与关键配置2.1 npm 全局安装 OpenClaw依赖就绪后就可以正式安装了。OpenClaw 的安装命令非常简单一条 npm 全局安装指令搞定npm install -g openclaw安装完成后系统会把可执行文件链接到全局 bin 目录。在 Windows 上通常位于 npm 的 prefix 目录下比如C:\Users\Administrator\AppData\Roaming\npm。这个路径后面会用到因为 PowerShell 能否直接识别openclaw命令完全取决于这个目录是否在系统 PATH 环境变量里。安装完成后建议先验证一下版本openclaw --version如果输出一串版本号说明安装成功且 PATH 配置正常。如果提示无法识别 openclaw 项那不用慌后面第 5 节有专门的处理方案。2.2 初始化用户目录与工作区OpenClaw 首次运行时会在当前用户目录下创建.openclaw文件夹用来存储配置、日志、权限审批记录和工作区文件。比如在我的机器上路径就是C:\Users\Administrator\.openclaw\workspace。这里有个容易忽略的点工作区默认路径和启动命令时的当前目录并不一定相同。官方推荐把所有 Agent 操作文件放在.openclaw\workspace下这样统一管理备份和迁移都方便。如果你有特殊需求可以在配置文件中修改工作区路径但我建议新手先用默认值跑通之后再考虑定制。初始化方式很简单直接运行openclaw首次启动会引导你完成基础配置包括选择模型提供商、填写 API Key如果需要、设置工作目录等。整个过程是交互式的按照提示操作就行。2.3 模型接入层的两种选择OpenClaw 本身不带模型它需要对接一个推理后端。目前主流有两条路线接本地推理引擎Ollama、LM Studio 等或接云端 APIDeepSeek 等。两条路线我都试过分别说下体验。先讲本地推理。我的做法是先启动 Ollama 服务然后拉取目标模型ollama pull qwen2.5:7b ollama run qwen2.5:7b确认模型能正常对话后再回到 OpenClaw 的配置界面添加模型提供商时选择 OllamaAPI Base 填http://localhost:11434/v1模型名填qwen2.5:7b。这样 OpenClaw 的每次模型调用都会走本地端口请求不出本机数据完全闭环。再讲 API 接入。如果你觉得 7B 量级的本地模型聪明程度不够接 DeepSeek 的 API 是目前性价比比较高的选择。配置时在模型提供商里选 OpenAI-CompatibleAPI Base 填 DeepSeek 的接口地址模型名填deepseek-chat再把 API Key 填进去就行。和接 Ollama 相比只是换了个 Base URL 和模型名其他逻辑完全一样。2.4 首次启动时的交互式配置细节第一次运行openclaw时它会生成一个配置文件并进入交互式对话界面。这里我遇到一个比较关键的问题默认模型如果配置的是本地 Ollama 服务而 Ollama 还没启动界面会报连接错误。所以一定要先保证 Ollama 在后台运行。我建议把 Ollama 注册成 Windows 服务或者用ollama serve开一个常驻终端。千万不要用ollama run来替代ollama serve因为前者会进入交互对话模式占用终端不说OpenClaw 调用时反而容易出问题。配置完成后OpenClaw 还会要求你预览并确认配置信息。此时你会看到一个类似这样的输出workspace: c:\users\administrator\.openclaw\workspace add ai later:如果确认无问题回车继续即可。这个环节比较友好所有配置项都集中展示方便你对照检查。3. 模型选型与推理性能调优3.1 7B 量级模型在 OpenClaw 中的实际表现模型选型是本地部署里最影响体验的一环。我先在 OpenClaw 里接了 qwen2.5:7b 跑了几天总体感受是对于工具调用、文件读写、简单问答这类 Agent 基础任务7B 模型完全够用。但如果你要它做深度的多步推理比如分析这个目录下所有日志文件找出异常请求模式并生成汇总报告7B 模型会显得吃力中间偶发逻辑断层。后来我把模型换成了 deepseek-r1:7b明显感觉在推理步骤的连贯性上好了不少。R1 系列在思维链上有专门优化虽然参数量一样但在 OpenClaw 里执行多步骤任务时出错的概率肉眼可见地降低了。代价是首字延迟更高同样一个问题qwen2.5 可能两秒就开始输出deepseek-r1 要等五秒左右。这个取舍要看你的场景偏重实时聊天还是偏重任务执行。3.2 Ollama 服务参数调优与性能记录Ollama 在 Windows 上默认配置已经不错但有几个参数值得手动调整。一个是并发请求数默认值偏保守如果你在 OpenClaw 里同时跑了多个 Skill 并且希望它们能并行调用模型可以在 Ollama 的启动命令里加上/set parameter num_parallel 2。另一个是上下文长度OpenClaw 在工具调用时会把当前会话的中间信息打包送给模型上下文窗口太小会导致早期对话内容被截断。我用 Ollama 加载 qwen2.5 时会在启动时指定ollama run qwen2.5:7b --num-ctx 8192下面是两种模型在我这台无独显机器上的实测表现指标qwen2.5:7bdeepseek-r1:7b首字响应时间约 1.8s约 4.5s平均生成速度12 token/s9 token/s多步工具调用成功率10次测试7/109/10CPU 占用峰值约 70%约 80%实测下来纯本地方案的速度上限基本由 CPU 算力决定。32GB 内存跑 7B 模型是够用的模型加载后占用大约 6GB 内存。如果你要跑 13B 或更大模型建议内存至少 32GB不然容易触发换页导致速度骤降。注意这里所有性能数据是在无 GPU 环境下测得有独立显卡的话速度会快非常多。3.3 云端 API 与本地推理的选型心得我身边不少朋友问我一个问题既然可以用 API为什么还要折腾本地部署我的回答是两者解决的问题不一样。API 方案解决的是效果优先问题本地方案解决的是数据边界优先问题。如果你处理的不是敏感数据对推理质量又有较高要求那直接接 DeepSeek API 是最省事的路径部署时间可以压缩到 10 分钟以内。但如果你像我一样希望 Agent 的每一次工具调用都不经过第三方服务器或者你有内部数据不能出网的硬性约束那本地推理就是唯一选择。你可以先接 API 把整个 OpenClaw 的工作流验证通过再切换到本地模型用相同的配置跑一遍看结果差异是否在可接受范围内。这种两步走的策略能让你快速定位瓶颈到底是在框架层面还是模型层面。4. 权限审批机制与 Skill 扩展实践4.1 理解 exec-approvals 权限审批机制OpenClaw 有一个安全设计让我印象很深当 Agent 需要执行 Shell 命令时它不会直接执行而是会先写入一条审批请求等待用户确认。这个机制的核心文件是.openclaw\exec-approvals.json里面记录了哪些命令已被批准、哪些还在待审批状态。第一次启动时如果你看到类似这条提示legacy exec approvals exist at /root/.openclaw/exec-approvals.json. run openclaw exec-approvals migrate意思是检测到了旧版本的审批记录文件需要迁移到新格式。按提示执行迁移命令即可不影响正常使用。这个机制的价值在于Agent 再怎么自动化Shell 命令这个层面始终需要人工兜底能有效避免模型幻觉导致的误操作。4.2 高效审批模式的个性化配置对于高频命令每次都弹审批会很烦。我的做法是把一些明确安全的命令预先加入白名单比如文件读取、目录列表、git 状态查询等这样既不牺牲安全又能提升日常使用效率。具体操作是在 OpenClaw 交互界面中对某条命令选择始终允许或者在配置文件里手动编辑exec-approvals.json。建议只对只读类命令做白名单处理凡是涉及写操作、删除操作或网络请求的命令最好保留逐次审批。这个度要你自己把握总体原则是可以懒但不能全懒。4.3 基于 Skill 的自动化能力扩展OpenClaw 的 Skill 机制有点像手机上的应用商店每个 Skill 给 Agent 赋予一类新能力。比如接一个飞书通知的 SkillAgent 就能在任务完成后主动把结果推送到飞书接一个文档解析的 Skill它就能理解 PDF、Word 等格式的文件内容。Skill 的安装通常分两步先将 Skill 仓库克隆到本地然后在 OpenClaw 的配置里注册。以我安装的一个轻量项目管理 Skill 为例git clone https://github.com/some-user/openclaw-project-skill.git然后把仓库路径写入 OpenClaw 的 Skill 配置目录。之后 Agent 就能通过自然语言指令调用这个 Skill。实测下来Skill 扩展本身并不复杂难点在于找到合适自己场景的 Skill或者自己写一个这需要你对 OpenClaw 的工具调用协议有基本了解。如果你对项目管理有需求网上有人把 Obsidian 和 OpenClaw 结合起来做项目管理的玩法思路是用 Obsidian 管理知识库OpenClaw 负责自动整理任务、生成周报两者通过文件系统交换数据。这个玩法比较依赖本地文件结构的约定但一旦跑通非常高效。5. 常见问题与排查技巧实录5.1 PowerShell 无法识别 openclaw 命令这是我被问得最多的问题也是 Windows 上部署 OpenClaw 最典型的坑。报错信息长这样openclaw : 无法将“openclaw”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。原因很简单npm 的全局安装目录不在系统的 PATH 环境变量里PowerShell 自然找不到可执行文件。解决办法是手动把 npm 全局目录加到 PATH。具体操作先运行命令查看 npm 的全局 prefixnpm prefix -g在 Windows 上通常输出C:\Users\Administrator\AppData\Roaming\npm。然后按下 Win 键搜索环境变量在系统变量里找到 Path点击编辑把上面的目录加进去。保存后重新打开 PowerShell再运行openclaw --version就能识别了。5.2 迁移 legacy exec-approvals 提示怎么处理有次升级 OpenClaw 之后启动时突然出现开头提到的legacy exec approvals exist提示。我没有第一时间处理结果发现所有 Shell 命令审批都被重置了之前白名单全部失效。后来在官方文档里找到原因新版改了审批记录的数据结构需要显式迁移。执行一条迁移命令即可openclaw exec-approvals migrate顺便提醒一句升级版本之前最好把.openclaw目录整体备份一下。这个目录虽然不大但里面装着你所有的配置、权限记录、工作区文件一旦损坏恢复成本极高。5.3 模型接入后对话无响应模型配置正确但 OpenClaw 对话没反应这个问题一般出在连接层。我的排查顺序是固定的先确认 Ollama 服务在跑ollama list能出结果再用curl测试接口连通性curl http://localhost:11434/v1/chat/completions -H Content-Type: application/json -d {\model\:\qwen2.5:7b\,\messages\:[{\role\:\user\,\content\:\hi\}]}如果 curl 正常返回但 OpenClaw 无响应再检查配置文件里的 API Base 是否多了或少了末尾的斜杠。这个细节特别容易出错http://localhost:11434/v1和http://localhost:11434/v1/在某些版本里都行但如果你填的是http://localhost:11434少了/v1路径那请求就会落到错误端点自然没反应。5.4 彻底卸载 OpenClaw 的两种方式卸载这件事看着简单实际有坑。如果你直接用 npm 卸载npm uninstall -g openclaw程序文件会被删掉但.openclaw用户目录下的配置和工作文件都还在里面可能包含你之前所有会话记录和审批授权属于敏感数据。所以卸载前一定要考虑是否需要保留。如果要彻底清干净手动删除用户目录下的.openclaw文件夹即可。如果你用的是安装包装的可以在系统的添加或删除程序里卸载效果一样。5.5 常见问题速查表最后把这次部署和后续使用中遇到的高频问题整理成一张速查表方便你有问题时快速对照问题现象可能原因解决方案openclaw 命令无法识别npm 全局目录不在 PATH手动将 npm prefix 目录加入系统 PATH模型对话超时Ollama 服务未启动或接口地址错误确认ollama serve运行检查 Base URL审批白名单失效版本升级后旧审批文件未迁移执行openclaw exec-approvals migrate任务执行慢模型太大超出 CPU 算力换小模型或增加 num_parallel 参数Skill 加载失败仓库路径写错或依赖缺失检查 Skill 目录结构补装依赖升级后配置丢失版本回退或安装包冲突升级前备份.openclaw目录6. 更新机制与日常维护建议6.1 稳定版与 Dev 版的更新策略OpenClaw 的迭代速度非常快官方提供了两条更新通道stable稳定版和 dev开发版。日常使用建议保持 stable 通道命令是openclaw update --channel stable如果你对某个新功能特别感兴趣想提前体验可以临时切到 dev 通道。但我在 dev 版本上踩过一次坑某个中间版本在 Windows 上文件路径处理有 bug导致工作区无法正常创建。所以我的建议是除非官方公告里明确说明某个功能只在 dev 版可用否则别轻易切通道。另外更新前务必确认一件事当前有没有正在执行的 Agent 任务。有一次我在一个长任务跑到一半的时候执行了更新结果进程被自动终止任务状态没有正常保存。虽然不是严重事故但重新跑一遍的时间成本挺高的。更新前先让 Agent 停下来这算是我用自己的时间买来的一条教训。6.2 数据备份与恢复的日常化本地部署最大的优势是数据都在自己手里但如果你不备份这个优势也会变成劣势。磁盘故障、系统重装、误删文件夹任何一个不幸事件都可能导致所有配置损失。我现在的习惯是每周做一次.openclaw目录的整体备份压缩后传到另一台机器或网盘。这个目录里最重要的是exec-approvals.json所有权限审批记录和workspace工作区文件这两块恢复成本很高必须重点保护。配置文件本身不大通常几百 KB 到几 MB备份一次几秒钟的事但能省掉未来数小时的重新配置时间非常值得。如果你在 Windows 上使用还可以利用任务计划程序写一个简单的定时备份脚本每周自动执行压缩和复制操作这样连手动备份的精力都省了。OpenClaw 这套东西我前后跑了差不多两周日常任务比如整理 Markdown 笔记、批量重命名文件、定时抓取网页信息生成摘要都已经交给它托管了。随着模型迭代本地模型的推理能力也在逐步提升这个方案的上限还有很大增长空间。我也在计划下一个阶段尝试接入更多 Skill特别是把 Obsidian 的项目管理流程整体交给 OpenClaw 来编排让整个本地的知识工作流形成一个真正的闭环到时候有结果了再回来分享。