先说个场景。你让 AI 帮你写周报它写得头头是道你让 AI 帮你把下载目录里几十个文件按类型归类它就开始装傻了。为什么会这样因为普通大模型只有思考和输出文字的能力没有手和脚。而 OpenClaw 这类项目的出现就是要把会说话的模型变成会干活的智能体让大模型真正能操作你的电脑、执行命令、读写文件、点浏览器按钮甚至接管鼠标键盘。OpenClaw 这个名字在社区里已经火了一阵子如果你搜索相关热词会发现大量关于安装、配置、报错处理的问题。它其实是一个本地优先的 AI Agent 框架常见搭配方案包括用 Docker 部署、接 Ollama 本地模型、接云端大模型 API、通过 IM 通道远程控制电脑。这篇文章我不打算写成官方文档的复述而是直接分享一套从零到一、可复现的部署路径并把我踩过的坑和原理层面的理解一并说清楚。适合谁看想玩 Agent 但被一堆新概念劝退的新手以及已经在折腾但卡在某个报错上的老鸟都能从这里找到点东西。1. 先搞明白 OpenClaw 到底是干什么的1.1 从对话机器人到电脑操作员大模型本身的能力边界非常清晰给它一段输入它给你一段输出。真正让 AI 产生生产力的是它能不能在生成文字之外主动调用外部工具去改变真实世界。OpenClaw 做的事情就是在这中间搭一座桥。它最早脱胎于社区里一个叫 Clawdbot 的项目后来改名成 OpenClaw再往后版本迭代加快很多地方的口号已经从个人 AI 助理变成了你的 AI 电脑管家。它的工作方式可以粗略理解成模型根据用户指令自主规划出一系列步骤然后通过内置的 Terminal、文件系统、浏览器等工具去执行这些步骤最后把结果反馈给用户。这不是简单的脚本自动化因为每一步做什么是模型在运行时动态决策的你只需要给出一个模糊的目标比如帮我把下载目录里所有大于 1GB 的文件列出来并统计总大小它就能拆解任务并执行。这也是为什么 OpenClaw 这类项目会被频繁拿来和普通聊天机器人做对比。普通聊天机器人是嘴上王者OpenClaw 是行动派。它把大模型从一个知识问答工具变成了一个能处理实际事务的操作员。1.2 Computer Use、Agent、MCP 这些名词到底是什么如果你最近研究过 AI Agent一定被 Computer Use、MCP、Function Calling 这些词砸得头晕。我尽量用大白话拆一遍。Agent智能体指一个能自主决定下一步做什么的 AI 程序。它不再是被动回答而是会计划、调用工具、检查结果、修正路线。Tool Calling工具调用是模型输出一段结构化指令代码去执行它并返回结果。MCPModel Context Protocol则是把工具调用标准化的一套协议相当于给模型做了一个通用的设备接口不同厂商的模型只要支持同一个协议就能使用同一批工具。Computer Use 是更激进的一层它不局限于执行某个命令而是让模型通过截图、模拟鼠标键盘等方式像人一样去操作图形界面。OpenClaw 在不同版本里对这套能力的称呼不太一样社区里常见的缩写是 CAUComputer Use Agent实际使用中通常对应内置的 computer-use 助手。你让 AI打开记事本写一句话再保存就是 Computer Use 的典型场景。OpenClaw 作为一个整合层把上述所有概念落地成了一个可以跑起来的系统。它有内置的多套助手项目里称为 diva可以接入主流的模型来源包括 Anthropic、OpenAI、Google Gemini也可以接本地部署的 Ollama甚至 N 厂那套 NIM 推理微服务。它还能接入 Discord、Telegram 等 IM 渠道让你在手机上遥控电脑。理解了OpenClaw 是中间层、模型只是组件这个定位后面部署时很多选择就顺理成章了。2. 部署前的总体设计先选好模型后端2.1 云端模型和本地模型怎么选很多新手上来就急着敲安装命令结果装完才发现模型不会说话。OpenClaw 本身只是一个骨架真正干活的还是大模型。所以部署的第一步是先决定用哪条模型路线。我整理了一个对比帮你快速做判断维度云端模型Claude / GPT / Gemini本地模型Ollama / NIM上手难度低配个 API Key 就行中高要装推理服务、配显存工具调用能力强指令遵循稳定受模型大小影响7B/8B 经常翻车隐私性数据会上传第三方数据不出本机延迟网络延迟通常 1-5 秒取决于显卡消费级显卡也能接受成本按量付费一次性硬件成本电费忽略不计推荐场景快速验证、复杂任务隐私敏感、离线环境、长期跑我的建议很直接如果只是体验 OpenClaw 到底有多神奇直接用云端 API 最省事十分钟就能跑通。但如果你想把它当成一个 24 小时常驻的电脑管家又不想把电脑里的文件内容都发给第三方那就走本地模型路线一台有 16GB 以上显存显卡的电脑就能玩得很好。2.2 理解核心配置目录 ~/.openclawOpenClaw 装好之后会在当前用户目录下生成一个.openclaw文件夹。这个目录几乎承载了所有的配置和运行状态。我不止一次在社区里看到有人问为什么我改了配置文件不生效为什么明明装了插件还是提示找不到绝大多数情况都是因为这个目录的细节没搞清楚。这个目录下常见的文件包括openclaw.json主配置文件记录模型提供商、模型名称、API 地址等。claude.json早期版本里用于存放模型 API 配置新版本逐步迁移到主配置里。exec-approvals.json命令执行审批白名单控制 AI 可以直接执行哪些命令。logs/运行日志目录排错时最重要的信息来源。为什么我这么强调这个目录因为 OpenClaw 的绝大部分异常都不会直接弹窗告诉你哪里坏了而是默默写进日志。模型连接不上、工具调用失败、权限验证不过这些问题的答案基本都能在日志里找到。我自己的排错习惯是先看日志再查配置最后才去搜报错信息。顺序反了很容易被一堆无用信息带偏。2.3 Gatekeeper 机制AI 不是想干嘛就干嘛这里必须提一个很少有人讲透的设计Gatekeeper守门人机制。OpenClaw 里AI 调用工具时并不是直接执行而是会经过一道审批关卡。默认情况下危险操作会弹确认框等你手动同意后才会真正执行。为什么要有这道机制因为 AI 在执行任务的过程中可能会误解指令或者在一个错误的上下文里做出一系列看似合理但后果严重的操作。比如它清理临时文件时可能把命令写成rm -rf加上一个错误的路径。如果没有审批机制这种操作会造成灾难。OpenClaw 把安全边界的选择权交给你而不是让模型在系统里裸奔。这一设计也直接引出了后续配置里的一个重点如何通过exec-approvals.json做精细化授权。后面第 4 章我会专门展开讲。3. Windows 上的一次完整部署兼谈 macOS 与 Linux3.1 安装前的准备Windows 用户先装好这三个东西如果你和我一样主力机是 Windows那我的建议是别硬刚原生安装老老实实走 Docker 路线。因为 OpenClaw 的不少底层组件天然依赖 Linux 环境用 Docker 能一次性规避掉一半以上的环境兼容问题后面升级和卸载也干净。Windows 上需要提前准备三样东西WSL2Windows Subsystem for Linux 2开启方法是在管理员 PowerShell 里执行wsl --install装完重启。Docker Desktop安装时选择 Use WSL 2 based engine这样 Docker 会跑在 WSL2 里和 Windows 本体隔离。Node.js 18 和 Git这两个不一定每个部署方式都用得上但如果你想用 npm 方式安装 OpenClaw 的 CLI 工具或者想在本地跑一些辅助脚本就需要它们。有朋友问过我一个很具体的问题PowerShell 安装时能不能指定目录。这要看你用的是哪种安装方式。如果是 npm 全局安装OpenClaw 的 CLI 会装到 Node 的全局目录里想改位置得先改 npm 的 prefix操作起来容易影响其他 Node 项目我不太推荐。如果是官方一键安装脚本通常支持指定安装路径的参数具体以你拉取的脚本 README 为准。但说句实在话在 Windows 上部署 OpenClaw我最终选择了 Docker 方式目录可控、卸载干净完全不用纠结装到哪去了这个问题。3.2 两种安装方式对比Docker 与命令行为了让你做选择时有依据我把 Docker 方式和命令行方式放在一起对比一下对比项Docker 方式命令行方式npm / 安装脚本环境隔离好依赖打包在容器里一般依赖直接装进系统Windows 支持推荐规避底层兼容问题一般部分组件需要额外配置升级回滚镜像管理方便可能需要手动清理自定义扩展挂载目录后一样灵活更灵活资源开销略高但可接受低如果你在 Linux 服务器或者 macOS 上部署命令行方式也很成熟看官方文档操作即可。但无论哪种方式核心配置文件的逻辑是一样的下面这一节讲的配置方法所有平台通用。3.3 用 Ollama 做本地模型后端如果你想完全本地运行最合适的组合就是 OpenClaw Ollama。Ollama 是目前最流行的本地大模型运行工具之一装好之后一条命令就能启动一个本地模型服务默认监听在11434端口。具体步骤大概是这样的安装 Ollama官网下载对应系统的安装包确认启动成功后执行ollama list能看到模型列表。拉取一个适合工具调用的模型比如百川系或 Qwen 系的中文模型或者 Llama 3.1 系列。我的经验是起步选择 14B 级别ollama pull qwen2.5:14b默认情况下 Ollama 只监听本机回环地址为了让 OpenClaw 容器能访问到需要把监听地址放开# Linux / macOS export OLLAMA_HOST0.0.0.0 ollama serveWindows 上则可以在 Ollama 的环境变量里设置OLLAMA_HOST0.0.0.0。注意这一步不能省否则 Docker 容器里的 OpenClaw 永远连不上宿主机上的 Ollama。在 OpenClaw 主配置里把模型提供商指向 Ollama。简化后的配置大致长这样{ model: { provider: ollama, model: qwen2.5:14b, ollama: { baseURL: http://localhost:11434 } } }baseURL的地址取决于你的实际环境Docker 方式下宿主机需要写成http://host.docker.internal:11434这种形式具体情况可以看启动日志判断。如果你用的是 NVIDIA NIM 这类推理微服务配置逻辑也类似把提供商标识改成对应的 NIM 服务填入它的 endpoint 地址即可。区别在于 NIM 对 GPU 驱动版本有要求跑之前先确认环境满足条件。3.4 云端模型作为备选的配置本地模型在复杂任务上还是容易力不从心所以我一般会在同一份配置里再留一个云端模型的备选方案。以 Anthropic 为例核心配置就是填写 API Key 和模型名称{ model: { provider: anthropic, model: claude-sonnet-4-20250514, apiKey: sk-ant-xxxxxx } }这里提醒一句API Key 属于敏感信息千万不要把配置文件提交到公开的 Git 仓库里更不要随手截图发到群里。之前见过有网友把 key 贴在博客里结果几个小时后账户就被盗刷了这个教训不值得再踩。3.5 启动与验证配置完成后启动 OpenClaw。命令行方式通常是openclaw serveDocker 方式则是docker compose up -d。启动日志里会输出控制台地址或者端口信息浏览器打开就能看到交互界面。第一次启动后我建议用一个非常简单的命令验证链路是否通畅比如让 AI 执行echo hello openclaw或者读取某个文件的内容。如果这一步能顺利跑通说明模型、OpenClaw、工具链三层全部打通了。如果卡在审批环节会看到确认提示按提示允许即可。4. 核心实战让 AI 真正动起手来的几个关键配置4.1 审批白名单exec-approvals 的前世今生刚接触 OpenClaw 的人第一次看到终端里弹出是否允许 AI 执行某条命令的提示往往会愣一下。这就是前面提到的 Gatekeeper 机制在工作。控制这个行为的核心文件就是.openclaw/exec-approvals.json。这个文件的本质是一个预授权名单。你把某些命令写进去AI 再执行这些命令时就不会弹确认框直接放行。比如你经常让 AI 去查磁盘占用就可以把df -h、du -sh *这类只读命令预授权提高日常使用效率。反过来像rm、wget、curl这类有破坏性或网络影响的操作就留在审批环节让 AI 执行前你还能把一道关。有段时间升级版本后很多人会遇到这么一条提示legacy exec approvals exist at /root/.openclaw/exec-approvals.json. run ...。这个提示说白了就是版本升级后审批规则的格式从旧版变成了新版旧文件需要迁移。我的处理方式很简单先备份旧文件再让它按新版格式重新生成然后把原来预授权的命令一条条按新格式填回去。要注意不要直接删掉旧文件就完事否则你之前积累的预授权记录全没了又得重新手工加。4.2 Terminal 工具从纸上谈兵到真刀真枪让 AI 使用 Terminal 是 OpenClaw 最核心的能力之一也是风险最高的地方。我的实操经验可以总结成一句话权限先紧后松命令先看后批。刚开始用的时候我建议把审批机制全部打开让 AI 每执行一条命令都经过你确认。这样你既能观察它的思考路径也能及时发现它跑偏。跑熟之后再慢慢把高频、安全的命令加入白名单比如ls、pwd、cat这些只读命令。这个节奏能让你在不失控的情况下逐步把控制权交给 AI。另外一个更稳妥的做法是在 Docker 容器里运行 OpenClaw而不是直接跑在宿主机上。这样即使 AI 真的执行了一条危险命令影响范围也被限制在容器内不会把你的整个系统搞坏。我见过有人在服务器上以 root 身份跑 OpenClaw结果 AI 误删了一个目录里的重要数据虽然最后用备份救回来了但那几个小时的心情相信谁也不想来一次。4.3 Computer Use让 AI 控制鼠标和键盘接下来是大家最感兴趣的环节让 AI 像人一样操作图形界面。OpenClaw 里的 Computer Use Agent社区简称 CAU就是干这个的。你给它一个任务比如打开系统设置里的壁纸页面它会先截屏判断屏幕上有什么然后移动鼠标、点击按钮、输入内容一步步完成任务。设置 Computer Use 时有几个关键点容易被忽略分辨率和缩放比必须匹配。AI 通过截图获取屏幕信息截图坐标和真实鼠标坐标通常不是一比一如果系统开启了屏幕缩放比如 Windows 的 125%、150% 缩放坐标偏移会非常大。最好的办法是把屏幕缩放临时调到 100%或者通过虚拟显示环境固定分辨率和缩放比例。授权粒度要控制。我不建议让 AI 无差别控制整个屏幕像最小化所有窗口关闭所有浏览器标签这类操作一旦发生很难撤回。先把它的操作范围限制在特定应用窗口里会安全很多。无头服务器场景要做映射。如果你的 OpenClaw 跑在远程服务器上用的是虚拟显示记得把虚拟显示的分辨率、色深、键鼠映射都配好否则 AI 截图看到的和实际点击的位置完全对不上。4.4 把 AI 助手接到微信或 Telegram接 IM 通道是我最喜欢的功能之一因为这意味着你可以躺在沙发上用手机让家里的电脑干活。OpenClaw 对 Telegram、Discord 的接入支持比较完善配置相对简单微信的接入则多依赖社区桥接方案配置前要先确认你的 OpenClaw 版本是否支持、桥接方案是否还在维护。接入 IM 之后安全边界就要画得更清楚。你的手机消息本质上变成了远程命令入口如果手机丢了或者微信号被盗别人的一条消息就有可能触发你电脑上 AI 执行命令。我通常会和 Gatekeeper 配合使用远程消息可以发起任务但涉及删除、覆盖、安装软件这类高风险操作仍然要回到电脑上确认。不要嫌麻烦这个习惯能帮你挡掉绝大多数意外。4.5 通过 MCP 扩展更多工具最后一步是给 OpenClaw 扩展新能力。MCPModel Context Protocol的出现让工具开发和接入标准化了很多OpenClaw 支持加载各类 MCP Server相当于给 AI 增加插件。你可以接数据库操作、浏览器自动化、文件格式转换等现成的 MCP Server也可以自己写一个几百行的服务把内部系统接口暴露给 AI。配置方式通常是在主配置文件里增加mcpServers字段mcpServers: { my-file-helper: { command: npx, args: [-y, user/my-mcp-server] } }启动时 OpenClaw 会自动拉起这些 MCP Server并把它们提供的工具注册给模型。对于想深入玩的朋友我强烈建议学一下 MCP 的协议格式这个技能在未来的 Agent 生态里会越来越值钱。5. 实话实说踩坑与排错实录5.1 高频问题速查表我在部署和使用过程中以及在社区里潜水时整理过一批高频问题。这里直接做成速查表方便你遇到问题时快速定位报错或现象可能原因解决办法legacy exec approvals exist 提示版本升级后审批文件格式不兼容备份旧文件让程序重新生成后手工迁移预授权记录连接 Ollama 失败 / connection refusedOllama 未监听对外地址或 Docker 与宿主机网络不通设置OLLAMA_HOST0.0.0.0Docker 场景改用host.docker.internal模型频繁请求工具但格式错误模型太小指令遵循能力不足换 14B 以上模型或临时切换到云端模型AI 执行任务中途反复卡住工具调用链路太长模型崩溃在配置里调整 maxIterations或拆分成更小任务Docker 无法启动WSL2 未启用或与 Hyper-V 冲突检查wsl --status必要时重装内核Windows 上鼠标控制错位屏幕缩放比例导致坐标偏移临时设置 100% 缩放或配置固定虚拟分辨率NIM 接入后响应异常GPU 驱动或 CUDA 版本不兼容确认 NIM 的版本要求升级驱动后再试5.2 安全与授权给 AI 的权限做减法这个部分我想认真多说几句。很多人拿到 OpenClaw 之后第一反应是把审批全关觉得这样最流畅。实际上这是最危险的做法。AI 不是恶意的但它会在错误理解上下文的情况下做出不可逆的操作。我亲历过的一次教训是让 AI 清理一个项目的临时文件它顺着用户目录一层层清理最后差点把另一个项目的.git目录当成垃圾文件删掉。当场我强制停止了任务但从那以后我再也不让 AI 在未经过审批的状态下碰任何删除类命令。总结下来我的安全准则是永远不要以 root 或管理员身份运行 OpenClaw单独建一个低权限用户是标配。审批规则先紧后松宁可慢一点也不要因为图快造成不可逆损失。定期翻看日志和审批记录了解 AI 最近都在执行哪些命令有没有异常模式。环境变量里不要放真实的生产密钥尤其当 OpenClaw 接入了 IM 通道之后。敏感操作一律保持人工确认不要加入预授权白名单。5.3 性能调优经验如果你坚持本地模型路线再分享几条性能调优经验模型量化等级别选太低。Ollama 拉取的模型默认量化级别通常可用但如果显存紧张有人会手动换成 Q3 甚至 Q2模型质量会明显下降尤其是在工具调用这种对指令遵循要求极高的场景里。我建议至少用 Q4_K_M再低就得准备好接受各种灵异行为。上下文长度不要贪大。OpenClaw 在任务过程中会不断把工具结果拼到对话里上下文很容易膨胀。如果显存有限把上下文长度限制在 4096 或 8192任务执行会更稳定不会因为显存溢出导致中途崩溃。反之如果你显存足够调大上下文能显著减少长任务的中断次数。还有一个很多人没意识到的点当任务失败时AI 可能会用完全相同的参数重试同一条命令死循环式地撞墙。遇到这种卡死正确的操作是打断它或者在一句话里补充更明确的约束比如如果失败换一个方案不要重试。这个技巧在 OpenClaw 任务编排里非常实用。6. 写在最后我的几点实操体会项目跑起来之后我最深的感受是真正难的不是技术是边界感。OpenClaw 让我第一次直观体会到一个能干活的 AI 和一个听话的 AI 是完全不同的两回事。你能让它在手机上发指令整理电脑上的文件也能让它每天定时汇总新闻推给你但它能做什么、不能做什么必须一开始就定义清楚。我后来给自己定了一套用法日常只读操作尽量放开比如查看磁盘、汇总日志、抓取网页内容凡是涉及删除、覆盖、安装软件、联网下载的操作一律保留人工确认。这样既照顾了效率又保住了底线。如果你想长期把它当成电脑管家来用我强烈建议从一开始就把这套规则固定下来而不是等出了事故再补。另外OpenClaw 的生态迭代真的很快今天能用的配置方式可能过两个版本就换了一套。我的建议是每次升级前先看一眼变更日志尤其是审批文件、MCP 配置这种核心结构别盲目更新。备份是一种习惯不只是给服务器用的本地 Agent 同样需要。希望这篇实战手记能帮你少踩几个坑把大模型真正用起来而不是仅仅聊起来。