最近社区里讨论 OpenClaw 的热情很高但一搜教程十有八九都在讲“上云”或者“买一台 Mac mini”。我的看法比较直接这两个方案都不是刚需。OpenClaw 本身就是一个开源智能体项目完全可以在本地跑起来。你手头那台吃灰的 Windows 笔记本、一台几百块的 Linux 小主机甚至是一台旧 Android 手机配合 Ollama 跑一个本地大模型就能把从安装、配置到调用工具的整条链路打通。这篇文章就是我实际折腾下来的完整记录。我不打算给你讲一堆“企业级最佳实践”而是想聊聊一个普通开发者、普通玩家怎么用最低的成本、最顺手的设备完成本地化部署。我会把为什么要本地部署、硬件怎么选、Ollama 和 OpenClaw 怎么配合、旧手机怎么利用以及我踩过的坑和排查思路全部摊开来讲。如果你正准备入坑 OpenClaw又不想被云服务账单和昂贵的硬件劝退这篇应该能帮你省下不少时间。1. 为什么说“上云”和“Mac mini”都不是刚需1.1 OpenClaw 到底是什么本地部署能用来干什么先简单对齐一下概念。OpenClaw 是一个开源的智能体Agent项目你可以把它理解成一个“能调用工具的大模型外壳”。它本身不是一个模型而是一个编排层大模型负责理解意图OpenClaw 负责调度工具、执行任务、管理对话历史。比如你让它查天气、整理文档、调用某个脚本甚至在一些电商场景里面做商品信息比对它都能通过“思维链 工具调用”的方式完成。很多人误以为这类项目一定要跑在云上或者高配 Mac 上其实不是。OpenClaw 的资源消耗峰值并不在于它本身而在于它背后的大模型。模型可以用本地推理框架比如 Ollama跑也可以接在线 API。既然模型可以本地化那么整个链路就没有什么必须依赖云端的理由。把服务跑在自己电脑上数据不出门、不按量计费、延迟低而且离线也能用。1.2 云端方案和 Mac mini 方案各自有哪些让人不爽的地方先说“上云”。租一台云服务器的费用看起来不高但你要算的账不只是“月租”。GPU 云主机的价格会高出好几个量级如果你为了跑一个大点的模型选择了带显卡的实例每月的账单很容易让人肉疼。就算你选纯 CPU 的便宜实例模型推理速度也会慢到让你怀疑人生。再加上数据安全的问题你在本地可以随意喂给智能体的私人文档、账号信息、业务数据放到云服务器之后心里总归会多一层顾虑。再说 Mac mini。Mac mini 本身是一台不错的机器统一内存跑大模型也确实高效但它并不便宜。为了跑 OpenClaw你去买一台至少 16GB 统一内存的 Mac mini预算要奔着五六千往上走。更别提二手市场里的 Mac mini 还要担心“激活锁”这些额外问题水很深。如果你已经有了一台日常办公的电脑没必要为了一个开源项目专门添置新硬件。花钱解决“能跑”的问题不如优先把手头的存量设备用起来。1.3 本地化部署的核心优势恰好是开发者最在意的点我为什么坚持本地化部署总结下来有三个非常实际的好处。第一是归属感。服务跑在自己机器上你随时可以改配置、重启、调试出了问题能直接抓日志。云端虽然也可以 SSH但总觉得隔了一层排查问题的时候操作路径多来回切换文件、检查进程效率低。第二是离线可用。有一次我出门在外用手机通过 Termux 跑了 OpenClaw当时完全没 Wi-Fi只靠手机流量访问 Ollama 本地模型照样完成了几个自动化任务。这个体验很奇妙也是云端方案想都不用想的场景。第三是成本可视化。本地跑模型消耗的只是电费和硬件寿命。我实测过用一台 16GB 内存的旧笔记本跑 7B 量级的量化模型整机功耗不过 30W 左右连续挂机一个月也用不了几度电。相比之下云上跑 GPU 实例按小时计费一个月下来的费用够你给家里交一年宽带。所以我的结论很简单如果你没有“多端同步访问”或者“公网对外提供服务”这类硬需求本地化部署就是最省心、最可控的选择。2. 本地化部署前的设备评估与方案选型2.1 先摸清家底什么样的配置才够用在动手之前建议你先看一下自己手里的设备。OpenClaw 本身是一个 Python 服务对内存和 CPU 的要求不算夸张真正的硬指标在于运行本地大模型时吃多少资源。我给出一个参考区间设备类型内存要求适合的模型规模体验评价16GB 内存的 Windows 笔记本满足基础要求7B 量化模型Q4能用日常对话流畅32GB 内存的台式机或小主机舒适区13B~14B 量化模型推荐思考和推理能力明显更好8GB 内存的旧电脑或手机勉强3B~7B 小量化模型能用但别期待太高终极轻量玩法带独显的电脑8GB 显存以上显存加持13B 以上最省心但别为此专门买显卡这里要纠正一个误区很多人以为跑大模型必须要显卡。其实对于 7B 量级的量化模型来说纯 CPU 推理也能跑只是速度慢一些。我实测在 16GB 内存的 Intel i5 笔记本上用 Ollama 跑 qwen2.5:7b 的 Q4 量化版每秒大概能出 8~12 个 token应对 OpenClaw 的工具调用和日常对话足够用。当然生成长文档的时候耐心要足一点。2.2 为什么本地推理框架选了 Ollama而不是其他方案本地部署大模型的方式有好几种例如 llama.cpp、vLLM、Ollama。考虑到 OpenClaw 这类智能体框架需要频繁调用模型接口我能给的建议是别折腾直接用 Ollama。Ollama 的优势在于三点。第一安装极简单一条命令就能装好对新手非常友好。第二它自带 OpenAI 兼容的 API默认监听11434端口OpenClaw 这类项目对接起来几乎没有成本。第三模型管理很方便ollama pull一条命令下载ollama run一条命令进入对话省去了手动管理权重文件的麻烦。相比之下llama.cpp 更适合有编译经验的玩家vLLM 则是为高并发生产环境设计的对一个个人开发者来说都太重了。本地部署的核心诉求是“快、简单、能用”Ollama 就是那个最短路径。2.3 模型怎么选DeepSeek、Qwen、Llama 到底该怎么挑热词里反复出现“deepseek 本地化部署”和“ollama 部署 openclaw”说明很多人对 DeepSeek 感兴趣。我实测下来DeepSeek 系列模型在复杂推理和工具调用场景里表现确实不错但如果你设备内存不大我建议老老实实从 Qwen 系列入门。举几个具体模型选择日常对话、任务编排qwen2.5:7b或qwen2.5:3b中文语境稳指令跟随能力强。复杂推理、代码生成deepseek-r1:7b量化版思考链路长适合 OpenClaw 处理多步骤任务。极限低配设备qwen2.5:3b或llama3.2:3b虽然能力上限有限但至少能跑起来。我的经验是不要盲目追求大模型。7B 和 13B 之间确实有智能差距但差距远没有“能跑”和“跑不动”那么大。先把 7B 跑通再考虑换更大的模型这是最稳妥的路径。3. 基于 Ollama OpenClaw 的本地部署实操3.1 环境准备先把 Python、Git、Node 这些基础依赖装齐OpenClaw 的部署本质上是一个 Python 项目的部署所以第一步是把环境清理干净。我不想搞一堆复杂的环境管理工具就按最直接的方式来。在 Windows 上我建议你先去官网装 Python 3.10 或 3.11记得勾选“Add Python to PATH”。这一步很多人会忽略结果后面运行python命令直接报错排查半天才发现是环境变量的问题。在 Linux 上则简单很多直接用系统包管理器安装sudo apt update sudo apt install -y python3 python3-pip git curl另外OpenClaw 的前端界面或部分工具调用依赖 Node.js所以 Node 也顺手装一下curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash - sudo apt install -y nodejs装完后记得验证一下版本python3 --version git --version node --version只要这三个命令都能正常输出环境这块就算过关了。3.2 拉取 OpenClaw 代码并安装 Python 依赖环境准备好之后找个干净的目录把代码拉下来git clone https://github.com/openclaw/openclaw.git cd openclaw不同仓库的代码结构可能有细微差别但大体的安装逻辑是一致的创建一个虚拟环境然后安装依赖。我习惯用 venv因为它干净、可控不污染系统 Python 环境。python3 -m venv .venv source .venv/bin/activate pip install -r requirements.txt如果在安装过程中遇到网络问题导致下载慢可以临时把 PyPI 源切换成国内镜像例如pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple这一步过去之后OpenClaw 的核心代码就算装好了。先不要急着启动因为还需要把模型准备好。3.3 配置 Ollama 服务并拉取本地模型Ollama 的安装也很直接在 Linux 上执行官网的安装脚本curl -fsSL https://ollama.com/install.sh | sh启动服务ollama serve默认情况下Ollama 会监听127.0.0.1:11434。确认服务正常可以直接命令行里和模型打个招呼ollama run qwen2.5:7b如果本地没有这个模型Ollama 会自动下载然后进入对话界面。随便问一句等它回复就说明推理链路已经通了。退出对话界面用/bye命令。多提一句如果没有独立显卡想让 Ollama 用 CPU 跑不需要任何特殊配置它默认就是 CPU 推理如果想让 GPU 加速只要有支持的 NVIDIA 驱动和 CUDA 环境就好Ollama 会自动检测。3.4 修改 OpenClaw 配置把模型指向本地 OllamaOpenClaw 默认可能配置的是云端模型接口我们需要把它改成指向本地 Ollama。通常配置文件是项目目录下的.env或config.yaml。找到里面和模型接口相关的字段修改为OLLAMA_BASE_URLhttp://127.0.0.1:11434 LLM_MODELqwen2.5:7b如果你用的是 DeepSeek 本地模型就把LLM_MODEL改成deepseek-r1:7b。注意本地模型加载之后接口路径和 OpenAI 兼容格式是可以直接对接的这也是选 Ollama 的原因之一省去了一大堆顶层适配工作。改完配置之后重新启动 OpenClawpython3 main.py如果一切正常日志里会打印出服务监听的端口默认通常是8080。用浏览器打开http://127.0.0.1:8080看到聊天界面就说明 OpenClaw 已经成功跑起来了而且背后用的就是本地模型。3.5 进阶玩法Skill 配置与电商场景实战OpenClaw 比较有意思的是 Skill技能机制。简单来说Skill 就是一段预先定义好的工具调用流程让模型知道“遇到什么任务、调用什么工具、按什么格式输出”。它的本质是给大模型装上一个“操作手册”。Skill 的存放位置通常在skills目录下每个 Skill 是一个独立文件夹里面有描述文件、提示词模板和可执行的脚本。以电商场景为例你可以写一个商品比价的 Skill模型接收到“对比某商品在几个平台的价格”这个意图时会自动调用你预设的价格抓取脚本然后把结果整理成表格返回。我建议新手先别急着写复杂的 Python Skill而是把自带的示例 Skill 跑通搞清楚它的触发词和输出格式。等你理解了模型是怎么“决定”调用哪个工具的再慢慢把自己日常重复的工作写成 Skill那才是 OpenClaw 真正开始值钱的时候。4. 老设备急救方案旧手机和低配 PC 也能跑4.1 用 Termux 把安卓手机变成随身智能体热词里反复有人搜“termux 安装 openclaw 手机版”既然提到本地化部署这个玩法我一定要分享因为实测确实可行而且很有意思。Termux 是 Android 上的终端模拟器它能让你在手机上获得一个 Linux 环境。思路不复杂在 F-Droid 安装 Termux不要用 Google Play 版那个版本太老很多包装不上。更新软件源并安装基础工具pkg update pkg upgrade pkg install -y python git nodejs拉取并安装 OpenClaw步骤和电脑上一样就是环境不同。安装 Ollama 的 Termux 版本。目前已有社区维护的 Termux 包也可以直接下载预编译的二进制放到可执行目录里。拉取一个小模型比如qwen2.5:3b。我用的是一台 6GB 内存的旧手机跑 3B 模型时表现相当不错推理速度虽然不如电脑但满足对话需求已经够了。手机的优势是功耗极低、零噪音我可以把它放在床头柜上当成一个永远开机的私人智能体终端。4.2 低配机器的性能调优三板斧如果你的设备只有 8GB 内存跑 7B 模型会比较吃力建