这两年聊 AI 助手话题基本集中在哪个 App 更好用和要不要开会员上。但如果你跟我一样把云端各种助手都折腾过一圈最后大概率会冒出同一个念头能不能把 AI 助手搬回自己机器上数据在自己手里模型想换就换入口想怎么接就怎么接。OpenClaw 就是这个方向上很典型的开源项目定位是跑在你设备上的个人 AI 助手。社区里已经有人把它装进了 Windows、macOS、Linux甚至是安卓的 Termux。这篇文章不吹它有多神只讲怎么落地部署前要做什么决定、四条常见安装路径怎么走、模型怎么接、微信集成踩过的坑都会过一遍。1. OpenClaw 是什么以及为什么值得在本地跑一个 AI 助手1.1 模型、消息、自动化中间那层胶水到底干了什么很多人第一次看到 OpenClaw 这类项目时会有一个误会以为它是个大模型。实际上它更像一个AI 助手运行时模型只是它要调用的其中一个零件。你可以把它理解成一台机器的控制台大模型是发动机消息渠道是油门和方向盘而 OpenClaw 负责把这些东西连起来再帮你处理什么时候该踩油门的判断。具体到日常使用它做的事大概是这么几件接收你从某个入口发来的指令比如终端、聊天软件、Web 页面根据指令判断要不要调用工具比如查天气、读文件、执行命令、调接口把工具返回的结果交给模型整理再组织成回复发回原入口支持定时任务和事件触发让助手不只是你问一句、它答一句。这就是它和普通聊天助手的本质区别普通助手是大脑你问什么它答什么OpenClaw 这类框架是大脑加手脚它能替你执行任务再把结果告诉你。1.2 本地部署和在网页里聊 AI的根本区别在网页里用 AI你获得的是便利把 AI 部署到本地你获得的是控制权。这两件事的取舍很直接我列了一个对比表对比项网页端/云端助手本地开源助手数据存放第三方服务器自己的设备模型选择平台定死可换在线 API 或本地权重功能扩展平台提供什么用什么自己改代码、加工具、接渠道成本订阅费电费 可能的 API 费用上手门槛低中高需要碰命令行对数据敏感、或者想训练自定义流程的人来说本地方案的吸引力是一切可改。我自己的体会是真正用了本地部署之后最大的变化不是省了订阅费而是你开始认真思考这个模型在我这个场景下到底好不好用而不是被动接受平台给你的默认答案。1.3 哪些人适合现在入坑先泼一盆冷水如果你完全不想看命令行、不想碰配置文件那 OpenClaw 现在还不适合你等官方出更完整的成品客户端再考虑。它适合的人是有基本命令行基础能在终端里执行命令、编辑文本文件的开发者或发烧友希望 AI 助手能主动干活而不是只做问答的人对数据隐私敏感希望消息记录和运行日志留在本地的用户喜欢折腾的硬件玩家手里有闲置的迷你主机、旧笔记本、NAS 或开发板。如果你想清楚了自己属于上面某一类那下面这些部署前的问题就有必要认真过一遍。2. 部署前想清楚的三件事设备、模型、运行环境2.1 先摸清硬件底线OpenClaw 本身是个胶水层对 CPU 和内存的要求不算夸张但它要跑模型、跑消息服务、偶尔执行点自动化任务所以硬件下限还是有的。我的建议是内存 8GB 起步16GB 会比较舒服。原因很简单如果你后面想接本地模型模型推理进程通常会占掉 4GB 到 8GB 内存系统本身还要留一部分再算上 OpenClaw 常驻服务的开销8GB 已经很紧张了。存储方面项目源码加依赖一般在 1GB 以内但本地模型权重动辄几个 GB 到几十个 GB所以尽量留出 20GB 以上的剩余空间。GPU 不是必须的但如果你打算跑本地模型有显卡体验会好很多。2.2 模型路线在线 API 还是本地权重这是所有决策里最核心的一个因为它决定了你要花多少钱、要准备什么硬件、回答质量大概什么水平。在线 API 路线接入阿里、百度、智谱等国内服务商的大模型 API。优点是效果稳定、不需要 GPU、部署最简单缺点是每条消息都往外发数据会经过第三方服务而且有按 token 计费的成本。本地权重路线用 Ollama、llama.cpp 或 ModelScope 推理框架加载开源模型比如 Qwen 系列。优点是数据完全不出设备一次部署后长期使用基本免费缺点是模型效果通常比大厂旗舰 API 弱一些推理速度也受硬件限制。我个人的做法是混着用普通问答和任务编排走在线 API涉及隐私或需要离线运行的场景切到本地模型。OpenClaw 这类框架本身就支持多种模型配置所以这个切换成本并不高。一个容易被忽略的细节无论选哪条路线都要优先选支持 function calling 的模型。AI 助手要干活靠的是让模型输出结构化指令然后由框架去调用工具。如果模型不支持 function calling很多自动化流程会变得非常别扭。2.3 运行环境四条路径怎么选OpenClaw 这类开源项目对运行环境的支持通常很广但不同平台的体验差别很大。我在社区里看到的主流路径有四条路径适合场景主要成本Windows WSL2日常主力机是 Windows首次配置 WSL2 有点麻烦macOS 原生直接用 Mac 开发依赖 Homebrew 等环境Linux 服务器 / Docker7x24 小时常驻运行需要一台服务器或 NAS安卓 Termux手机/平板上轻量部署性能和输入体验受限选哪条路径核心看一个问题你是想让助手偶尔用一下还是随时在线等指令。临时调试Windows 或 macOS 都行真要当个人助理用我建议直接上 Linux 服务器或 Docker让它常驻而不是每次开电脑才启动。3. 从零开始装四条部署路径的实操记录3.1 无论哪条路都绕不开的三个基础动作虽然安装命令在不同平台上不一样但逻辑是通用的先准备基础运行环境再获取项目源码然后安装依赖并启动。先强调一个很多人会忽略的点拿到项目后第一件事是读 README重点是 Prerequisites 部分。这类项目通常是二选一的技术栈要么基于 Node.js要么基于 Python。你只需要在项目根目录看有没有package.jsonNode.js或requirements.txt/pyproject.tomlPython就能判断出来。然后按对应技术栈的要求装好运行时版本。以 Node.js 为例社区里比较常见的要求是 Node 18 以上安装依赖就是经典的npm install启动命令通常是npm run start或项目文档里指定的 CLI 入口。Python 项目则是pip install -r requirements.txt入口一般是一个main.py或cli.py。具体的命令以你拿到的那份 README 为准但这套判断方法可以一直复用。3.2 Windows 部署绕不开的 WSL2如果你主力机是 Windows我建议直接用 WSL2 跑 Ubuntu 环境而不是在本机硬装。原因是 AI 助手类项目涉及大量进程管理和系统调用Linux 环境下的坑要少得多。准备工作分三步以管理员身份打开 PowerShell执行wsl --install然后重启电脑。这个命令会自动安装 WSL2 和一个默认的 Linux 发行版通常是 Ubuntu。重启后确认 WSL 版本执行wsl --set-default-version 2确保默认使用 WSL2 而不是 WSL1。进入 Ubuntu 环境后更新软件源并安装基础工具sudo apt update sudo apt install -y git curl。接下来就是通用流程在 WSL2 里安装 Node.js 或 Python克隆项目装依赖配置模型密钥启动服务。这一步最容易出问题的就是 WSL2 环境验证。启动时如果报could not safely verify the WSL2 environment通常不意味着项目跑不起来而是脚本检测 WSL2 环境时没通过校验。常见原因有两个WSL 内核版本过旧或者 Windows 系统版本和 WSL 组件不匹配。处理办法是执行wsl --update更新内核然后wsl --shutdown重启 WSL。这部分我在后面第 6 章会展开讲排查过程。3.3 macOS 部署Homebrew 一套带走macOS 用户相对省心因为本身就是 Unix 系统依赖安装比 Windows 顺滑很多。第一步是安装 Homebrew然后通过它装 Node.js 和 Git/bin/bash -c $(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh) brew install node git接着克隆项目并安装依赖git clone https://github.com/你的用户名/OpenClaw 项目地址.git cd 项目目录 npm install启动之前先到项目文档里找到配置文件模板一般叫config.example.json或.env.example复制一份再填内容。我习惯把配置文件单独放在项目目录外的~/.openclaw/下统一管理这样升级项目时配置文件不会被覆盖。macOS 上最容易翻车的点是 Node 版本太旧。如果你之前用brew install node装过建议先node -v确认版本低于 18 就先brew upgrade node。很多诡异的依赖安装错误最后都是版本问题。3.4 Linux 服务器与 Docker让助手常驻如果你的目标是让 AI 助手 7x24 小时在线那最好别开在个人电脑上而是放到一台 Linux 服务器、NAS 或者旧笔记本上。Docker 是我最推荐的方式因为环境隔离做得干净卸载也彻底。Docker 部署的逻辑很简单安装 Docker 和 Docker Compose写一个docker-compose.yml把项目镜像、配置文件目录、数据目录挂载进去用环境变量注入模型 API Key 和消息平台凭据启动后用docker logs -f 容器名看日志。关键点在于目录挂载配置文件、日志、以及可能的模型权重目录都要通过挂载放到宿主机上否则容器一删数据全没。我习惯在宿主机建一个/opt/openclaw目录里面放config、logs、data三个子目录分别挂载进容器对应路径。3.5 安卓 Termux无 proot 的轻量部署手机装 OpenClaw 是社区里讨论度很高的话题主要场景是把手头闲置的安卓手机变成随身 AI 服务器。热词里提到的无 proot 轻指的是不走 proot 虚拟化层直接在 Termux 的原生 Linux 用户环境里跑这样性能和兼容性都更好。Termux 里的安装流程是pkg update pkg install -y nodejs git git clone 项目地址 cd 项目目录 npm install注意这里用的是pkg而不是apt这是 Termux 自己的包管理器。如果你之前用 proot 方式装过 Ubuntu再跑原生部署记得先确认 Termux 的存储权限已经开好termux-setup-storage。Termux 部署最大的限制是后台保活。安卓系统为了省电会在锁屏后杀掉后台进程解决办法是给 Termux 开启不受电池优化限制的权限或者用termux-wake-lock保持唤醒。不过说实话手机端更适合做偶尔用一下的副入口真正常驻还是推荐服务器。4. 模型对接与提示词编写让 AI 助手说人话4.1 在线 API 的最小可用配置打开项目的配置文件你会发现模型对接的核心参数就三样接口地址、密钥、模型名称。以 OpenAI 兼容格式为例常见的配置长这样{ model: { provider: openai-compatible, base_url: https://你的服务商地址/v1, api_key: sk-xxxx, model_name: qwen-plus } }这里的base_url是很多新手容易填错的地方。有些服务商的兼容地址以/v1结尾有些则不带填错了会一直报 404 或 401。我的建议是先用 curl 手动调一下接口确认能通再填进配置curl https://你的服务商地址/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer sk-xxxx \ -d {model: 模型名, messages: [{role: user, content: hi}]}能返回正常 JSON 说明地址和密钥都没问题这时候再去排查 OpenClaw 本身的配置效率高很多。4.2 本地模型走 OpenAI 兼容接口在配置上本地模型和在线 API 的路子其实是相通的差别只在base_url指向哪里。以 Ollama 为例你只需要在终端跑ollama run qwen2.5:7b然后 OpenClaw 的模型配置里把base_url指向http://localhost:11434/v1model_name填qwen2.5:7b模型密钥随便填一个占位符就行。同样地ModelScope 魔搭平台提供的推理服务也支持 OpenAI 兼容协议社区里有人专门折腾过OpenClaw 对接魔搭走的就是这个思路。本地模型我只提醒一件事先确认硬件够不够。7B 参数的量化模型内存占用大概在 4GB 到 6GB如果跑 14B 或更大的模型内存不够会疯狂换页对话速度会慢到让你想砸电脑。4.3 提示词模板参考主任的 AI 助手思路社区里流传过一套主任的 AI 助手提示词模板虽然场景是给领导当助理但它的结构值得所有 OpenClaw 用户借鉴。一个能稳定干活的系统提示词通常包含五块内容角色定义告诉模型它是谁、服务对象是谁上下文记忆它需要知道哪些背景信息和你关心的事情输出风格回复要正式还是口语化、要长还是短工具使用边界什么情况下可以调用工具、什么情况下必须问过你再执行敏感操作确认涉及删除、发送、支付等操作时必须先征求同意。我改了一个通用模板可以直接抄进 OpenClaw 的系统提示词里你是部署在用户本地的个人 AI 助手运行在 OpenClaw 框架上。 你的服务对象是一位长期使用者你需要逐步了解他的工作节奏和偏好。 回答问题时请优先使用中文语言简洁、直接不要客套。 当用户要求你查询信息、执行命令或操作文件时先判断该操作是否会造成不可逆影响。 如果涉及删除、覆盖、对外发送消息等操作必须先列出计划并等待用户确认。 在无法确定用户意图时主动提问不要猜测。实测下来把这段逻辑写清楚之后助手自作主张的情况会明显减少。很多人觉得 AI 助手不听话其实不是模型笨而是你根本没告诉它什么叫听话。5. 微信集成能发不能收的排查与安全边界5.1 复现问题发送正常但消息没有回复社区里反馈最多的问题是OpenClaw 能发消息到微信但微信里发消息不回复。这个现象的本质是消息链路是单向的。从消息流的角度看OpenClaw 往微信发消息只需要出站通道畅通但微信里的消息要进入 OpenClaw必须有一个入站通道也就是微信消息要能被回调到本地服务。很多部署方式只配好了出站入站回调地址根本没有正确暴露给网络于是出现能发不能收的局面。排查链路按照下面的顺序来打开 OpenClaw 的日志看有没有收到微信侧的回调请求。完全没有回调记录说明入站通道根本没通。检查回调地址是否设置了内网地址。如果 OpenClaw 跑在局域网设备上微信服务器无法访问你的内网 IP必须通过公网地址或内网穿透通道转发。检查登录态是否过期。很多消息接入方案都依赖 Web 登录态长时间不活跃会掉线表现就是静默失效。最后再查模型请求是否超时。有时候回调收到了但模型 API 响应超过网关超时时间消息就被丢弃了。5.2 集成报错的高频原因除了能发不能收还有一类常见问题是一启动就报错。我整理了几个高频原因依赖缺失git 拉新代码后没有重新安装依赖导致缺模块。任何时候更新代码都顺手把npm install或pip install -r requirements.txt再跑一遍。登录态失效扫码登录之后过一段时间 token 过期又没触发重新登录的流程。这个只能定期检查日志里的登录状态提示。消息类型不支持微信里的图片、语音、视频消息很多接入方案只做了文本处理。你发一张图过去日志里可能直接提示unsupported message type。并发与风控短时间内高频发送消息会触发平台的频率限制轻则消息发不出重则账号被临时限制。5.3 自动化接入个人微信的安全边界这里必须说点不好听的。个人微信的自动化方案从技术上确实能跑通但它长期依赖非官方通道风控风险很高平台的用户协议也不支持这类行为。我不建议你把自己的主号接进去如果一定要验证用小号并且明确这只是技术实验。更稳妥的思路是绕开个人微信走官方开放的触达渠道企业微信机器人、钉钉群机器人、Telegram Bot、邮件、Webhook这些都有完整文档稳定性也高得多。体现个人 AI 助手价值的核心在于任务处理能力而不是纠结于某个具体聊天软件把触达渠道换成开放平台的机器人体验不会差太多。6. 我从这些坑里总结出的调试习惯6.1 当could not safely verify the WSL2 environment出现时这个问题值得单独拿出来复盘一遍。第一次在 Windows 上启动 OpenClaw脚本弹出一句could not safely verify the WSL2 environment我第一反应是完蛋了环境没装对。但仔细看日志发现服务其实已经启动只是启动前的环境预检没通过。我当时用的排查步骤是这样的确认 WSL 内核版本在 PowerShell 里执行wsl --status如果提示内核过期就执行wsl --update。确认默认版本是 WSL2执行wsl --set-default-version 2避免某些发行版还跑在 WSL1 上。检查 Windows 版本WSL2 对 Windows 10 和 Windows 11 的版本号有要求太老的系统需要手动升级。重启 WSLwsl --shutdown之后重新进入发行版让内核参数重新加载。绝大多数情况走到第 2 步问题就解决了。如果还是报错可以看下项目 issue 区有没有人遇到相同问题这类常见报错通常社区早就讨论过。你自己处理完了也建议把解决过程发回 issue 区这种项目最需要真实使用反馈。6.2 日志优先社区搜索第二现在很多人遇到问题第一反应是把报错信息复制到搜索引擎但开源项目的问题最快路径永远是先看日志。我调试 OpenClaw 的习惯是前台启动服务开启 debug 级日志输出终端里实时盯着。大部分框架都支持通过环境变量或--debug参数打开详细日志比如DEBUG* npm run start或者 Python 项目export LOG_LEVELDEBUG python main.py日志里能看到消息流的每一个环节入站请求、模型调用、工具执行、出站响应。哪个环节断了日志里通常都会明确写出来。拿到日志之后再结合项目 issue 区搜索命中率很高。公开报错时也有技巧别只丢一句跑不起来要带上版本号、操作系统、配置文件里打了码的片段、完整堆栈日志。你提供的信息越完整别人帮你定位的速度就越快。6.3 让我少折腾的几个运维小技巧最后分享几个我自己用了很久的细节。第一个是配置文件的备份习惯。每次改配置前先复制一份带时间戳的备份文件cp config.json config.json.$(date %Y%m%d_%H%M%S)这个习惯救过我很多次。改动配置导致服务起不来回滚就是一条命令的事。第二个是用进程守护工具让服务常驻。在 Linux 服务器上不建议直接nohup跑更稳的是用 systemd 或 pm2。以 pm2 为例npm install -g pm2 pm2 start 启动命令 --name openclaw pm2 save pm2 startup这样服务崩了会自动重启开机也会自动拉起。第三个是定期更新和备份。这类新兴开源项目迭代很快但我不建议每次更新都追最新版先看 changelog确认没有破坏性变更再升。升之前把数据目录和配置文件整个打包备份然后git pull重新装依赖启动看日志。第四个是给内存留条后路。如果你跑本地模型内存不够时系统会变得非常卡。提前在 Linux 上配好几 GB 的 swap哪怕慢一点至少不会直接 OOM 崩掉。我个人经验是 swap 设成物理内存的一半到一倍比较合理。这些习惯看起来琐碎但恰恰是它们决定了你能不能把自托管 AI 助手长期用下去。开源项目最不缺新鲜的玩法缺的是稳定运行的基本功。