OpenClaw这几周在AI圈子里的热度是真的高GitHub上刷star的速度快得离谱社区里问得最多的就是这东西到底怎么跑起来跑起来之后应该用哪一套工具链才能让它干活顺手我这段时间在安卓手机、Windows电脑、还有一台吃灰的树莓派上反复折腾OpenClaw把踩过的坑和留下来的工具整理了一遍。这篇文章就当成一份自用的OpenClaw工具精选清单从部署环境、算力接入到Skills扩展都覆盖到如果你正好卡在某个安装配置环节或者不知道怎么选模型接入方式可以直接按这份清单来动手。1. 部署环境类工具从手机到服务器一把梭OpenClaw的部署逻辑和传统软件不太一样它本身是一个常驻后台的Agent服务对外暴露统一入口再由你决定通过什么终端去跟它对话。这个架构决定了部署的重点不在“装一个App”而在“把常驻进程跑稳、跑通”。我按使用场景把部署工具分成三类Termux安卓、Windows Companion、还有Docker/裸机服务器方案大部分人的需求这三类就全覆盖了。1.1 Termux安卓部署把OpenClaw装进口袋随身带一个Agent确实很爽手机部署唯一合理的方案就是Termux。Termux本质是个安卓上的Linux终端环境包管理、后台进程、文件系统都跟Linux接近OpenClaw的主程序在里面跑跟跑在服务器上几乎没有区别。我自己实测下来的步骤是这样先在Termux里执行pkg update和pkg upgrade把基础软件源和依赖都刷到最新这一步不做后面经常会遇到包版本对不上的问题。接着安装Git和运行时环境命令是pkg install git然后按照你拉取的OpenClaw版本要求补齐对应运行时社区版本一般还需要pkg install python或Go环境这部分以官方release说明为准。然后把项目仓库clone到本地执行安装脚本或者把预编译二进制放到/data/data/com.termux/files/usr/bin目录下方便全局调用。第一次启动后去编辑配置文件把模型服务地址、通信端口、Agent名称这些基础项填好配置文件通常是TOML或YAML格式默认位置在~/.openclaw/config里面字段看起来多但必填的只有模型接口和运行端口两项。这里要专门提醒三个手机部署的细节。第一Termux的进程很容易被安卓系统回收所以要用tmux开一个持久会话来跑OpenClaw我一般是开一个叫claw的会话然后用tmux attach -t claw重新连回来。第二务必把Termux加入电池优化的白名单否则息屏一小时进程就被杀了你问它问题它根本不在线。第三存储权限要手动授予否则后面写Skills、读配置文件都会提示Permission denied。这三个细节看着不起眼但任何一个不处理好手机上的OpenClaw都会处于“装了但用不了”的状态。在手机上部署的一个额外好处是你可以把那台旧手机当成一个低功耗常驻设备放在家里插着电连着Wi-Fi跑轻量级技能完全够用。我自己就是拿一台旧手机当家庭Agent白天在外面通过消息渠道往里丢指令它自己在家把定时任务跑完体验比开一台台式机省电得多。而且Termux环境下OpenClaw对系统资源的占用其实很低空闲时基本不耗CPU只有接到指令才会瞬时拉起推理任务。1.2 Windows Companion配置桌面级常驻助手的正确姿势如果你主力机是Windows那OpenClaw的Windows Companion是你最顺手的入口。Companion这套东西定位不是主进程而是“配对客户端”主服务在后台跑Companion在系统托盘提供交互入口。很多人在这一步卡在概念上我装了Companion为什么连不上因为你根本没在Windows上启动主服务Companion只是个壳真正干活的是后台那个主进程。正确配置路径是这样的下载Windows发行包或者Git clone源码自己编译先运行一次主服务让它生成默认配置文件然后编辑配置文件关键是设置好host和port默认通常是本机回环地址加一个自定义端口注意端口别跟现有服务冲突接着启动Companion配对它和主服务的通信密钥或Token首次启动时会有引导提示最后配置开机自启这里不建议直接丢进启动文件夹而是用任务计划程序创建一个“登录时启动”的任务再把主服务注册成计划任务这样即使没有用户登录服务也会在后台待命。关于Windows部署还有一个很多人不知道的技巧如果你希望OpenClaw在Windows上做到无人值守可以用NSSM把主服务包装成一个真正的Windows系统服务。NSSM全称Non-Sucking Service Manager作用就是让一个普通exe程序以服务方式运行崩溃了能自动拉起日志也归Windows事件系统管。我用它跑了将近两个月稳定度远高于直接开一个控制台窗口——控制台窗口不小心关掉Agent就断了服务化的方式则完全不用担心这个问题。一个值得注意的问题是Windows下OpenClaw默认会监听一个本地端口如果开启了系统防火墙记得把该端口加入到入站允许列表否则手机或局域网里其他设备会连不进来这个端口放行问题也是Windows部署里容易被忽略的坑。1.3 服务器与Docker部署多人多设备统一接入当你不满足于单一设备想让家里的电脑、手机、甚至项目里的几个朋友共用一个Agent实例时就该上服务器部署了。Docker是这场景下最省心的方式官方镜像或社区打包镜像基本都配置好了运行时依赖你只需要用docker-compose.yml定义服务、映射端口、挂载配置目录version: 3.8 services: openclaw: image: openclaw/openclaw:latest container_name: openclaw restart: unless-stopped ports: - 8080:8080 volumes: - ./config:/root/.openclaw - ./skills:/root/.openclaw/skills environment: - CLAW_MODELollama/qwen2.5:7b - CLAW_API_BASEhttp://host.docker.internal:11434启动命令就一行docker compose up -d。这种方式的好处有两个一是配置文件和Skills目录都挂载在宿主机上你编辑技能或改配置不需要进容器二是restart: unless-stopped保证进程挂掉会自动重启对于Agent这种需要常驻的服务来说非常关键。如果你没有外网服务器也可以在一台局域网内的旧电脑上做同样的事情效果基本一致。树莓派跑OpenClaw也完全可行Arm架构的预编译包一般都有提供没有的话用源码编译也很简单只是首次编译时间会长一点。2. 算力与模型接入API还是本地模型围绕OpenClaw问得最多的一个问题就是“它是不是只能用接入API的方式来用算力”。答案是不是。OpenClaw的算力来源完全是插拔式的——API只是最省事的一条路本地模型、局域网模型服务、混合路由这些都能跑。下面把三种方式拆开讲清楚。2.1 本地模型搭配Ollama零成本、低延迟、完全离线把OpenClaw接到本地模型我推荐的主力工具是Ollama。Ollama做的事情很简单在你自己的电脑上跑一个兼容OpenAI接口的轻量服务下载模型、加载、推理都帮你管好。OpenClaw只需要把API地址指向本地模型名填成Ollama里的模型名就能完成对接。具体配置分两步。第一步在宿主机上安装Ollama拉取一个合适的模型比如ollama pull qwen2.5:7b或者数据更小的qwen2.5:3b。第二步让Ollama监听局域网端口——默认Ollama只绑定了127.0.0.1要让其他设备能访问需要设置环境变量OLLAMA_HOST0.0.0.0:11434再重启服务。之后在OpenClaw配置里把模型接口填成http://宿主机IP:11434即可。配置大概长这样[model] name qwen2.5:7b api_base http://192.168.1.100:11434 type ollama然后是大家最关心的性能问题。7B级别的模型在M系列芯片或者带独显的电脑上能做到每秒十几个token的推理速度对于“帮我列个购物清单”“把这篇文章总结成三条”这类任务完全够用。如果你的电脑没独显用CPU跑3B或4B的小模型也能用只是速度慢一点记得把超时时间调大。完全离线这一点对我来说非常关键OpenClaw接上本地模型后断网状态下也照样能干活这直接解决了“家里网络一抖、Agent就瘫痪”的问题。2.2 API模式接入多模型切换与成本估算API模式的优势是模型天花板高你可以在OpenClaw里直接使用各家云端大模型这些模型的能力远超本地小模型适合做复杂推理、长文本生成、代码编写。配置也很简单只需要把API密钥、接口地址和模型名填到配置里。我以一份实际配置为例[model] name gpt-4o-mini api_base https://api.openai.com/v1 api_key sk-... type openai如果你用的是其他模型服务商只要它提供OpenAI兼容接口同样改api_base和api_key就能切过去。这种兼容接口在市场上已经很普遍几乎成了事实标准。关于成本我说一个比较直观的计算方式一个普通的中文问答假设用户输入大约300字模型回复大约500字按照中文每个字大约对应1到2个token来估算一次的token消耗大约是1500到2000个。以目前主流入门级模型的定价来算这样的对话单价在一分钱以内即使使用旗舰模型普通对话的成本也就在几分钱到一毛钱之间。如果你的使用场景是每天几十次交互量级的个人助手API模式的月度账单不会成为让人焦虑的数目。唯一需要留意的是API模式下你的数据会经过第三方服务对数据敏感的场景就要慎用。2.3 混合模式让本地小模型和云端大模型各司其职用了一段时间纯API和纯本地后我的最终选择是混合模式。思路很简单简单指令走本地小模型复杂任务才走云端大模型。OpenClaw的Skills机制让这个路由变得很方便——你可以在每个Skill里单独指定它调用哪个模型。比如我定义了一个“天气查询”技能它只需要做固定的信息抓取我就让它调用本地3B模型响应快、不花钱而“写周报”这种高要求的技能我就在配置里指定云端大模型保证输出质量。这里的技巧在于一次调用的“分工”不要想着让AI自己做判断该用哪个模型而是直接在人机交互的入口层用规则判断或者干脆在配置层写好每个Skill对应的模型。对于普通用户来说只需要知道一点本地模型省的是钱和延迟云端模型省的是折腾的时间两者并不互斥。三种方式对比如下接入方式优势劣势适合场景纯API效果好、配置简单、模型选择多有费用、依赖网络、数据出本机个人主力助手、复杂任务纯本地(Ollama)免费、离线可用、延迟低模型上限低、需要一定硬件隐私敏感、轻量任务、断网环境混合模式兼顾质量与成本需要额外路由配置日常高频使用、多Skill场景3. 扩展生态Skills、机器人集成与自动化中枢OpenClaw真正的玩法在扩展性上。它不是一款“给你一个对话框”的工具而是一套可以不断往上面添加“能力”的Agent框架。这部分我重点讲两个方向一是Skills技能开发二是跟ROS 2 Gazebo的机器人模拟集成后面这个方向是很多玩机器人的人非常关心的路子。3.1 OpenClaw Skills给Agent装上手和脚Skills就是OpenClaw里的“技能”。每个Skill本质上是一个带结构化说明的文件和一段可执行逻辑OpenClaw在对话中识别到意图后触发对应的Skill完成具体操作。它跟Claude Skills、Cursor Rules这类方案的思路是同源的只是生态和写法上有自己的习惯。我给你的最小可运行Skill模板是这样--- name: timer_remind description: 设置一个倒计时提醒到时间后通知用户 version: 1.0 inputs: - name: duration description: 提醒时长例如10分钟 required: true - name: message description: 提醒内容 required: false --- 当用户说提醒我xxx或帮我设个倒计时时触发本技能。 调用系统定时器在duration到达后将message通过默认消息渠道发送给用户。文件放在~/.openclaw/skills/timer_remind/SKILL.md重启OpenClaw后技能就生效了。第一次写不需要懂复杂代码先把描述写清楚把触发词和参数列出来剩下的执行逻辑可以用简单的脚本或系统命令完成。另外提一句OpenClaw对中文的支持本身就很友好Skills描述可以直接用中文写模型也天然支持中文上下文不存在汉化障碍这一点对国内用户来说省事不少。Skills真正的价值在于它让Agent不再只是一个应答机器人而是变成了一个能操作你电脑、读取文件、调用API、控制硬件的“手脚”。我自己写了一个“晚餐推荐”技能它把冰箱现有的食材清单喂给模型让模型给出菜谱组合再顺带生成买菜清单整个技能也就几十行配置但使用频率比普通的问答高得多。3.2 机器人集成实操OpenClaw ROS 2 Gazebo的模拟链路这个方向很多玩机器人的朋友会关注。如果你想让OpenClaw作为机器人的“大脑”在Gazebo仿真环境里跑通“感知—决策—控制”闭环需要一串工具链ROS 2 Humble Gazebo仿真器 一个桥接方案。先说架构OpenClaw本身不直接跟Gazebo通信它要借助ROS 2的消息机制。Gazebo里运行的机器人不断地把激光雷达、里程计、摄像头数据发布成ROS 2话题OpenClaw侧通过一个Skill去订阅这些话题、处理数据、做出判断最终向/cmd_vel这类速度指令话题发布控制消息。这个链路打通之后你等于让OpenClaw拥有了一个“虚拟身体”。实际操作中社区里有人把这一套集成做成了一个叫rosclaw的启动脚本工具形态核心就是帮你省去手动配置ROS 2工作空间和话题桥接的麻烦。你在Gazebo里启动机器人模型后再执行rosclaw的脚本它会自动完成三件事一是source ROS 2环境并启动必要的桥接节点二是把OpenClaw的Skill注册到ROS 2节点树上三是建立话题映射将传感器话题接入OpenClaw将控制指令转发给机器人。我给你的建议是第一步先在纯ROS 2环境下跑通ros2 topic list和ros2 topic echo确认仿真器已经正常发布数据然后再接OpenClaw。很多人一上来就在集成环境里调试结果分不清是仿真器的问题还是桥接的问题。基础通了你再往上叠加Agent逻辑排查起来会轻松很多。这一整套如果要用一个生活类比来解释OpenClaw相当于大脑皮层负责语义理解和决策ROS 2相当于脑干和脊髓负责把神经信号转成肌肉动作Gazebo就是跑步机给你一个安全的训练场地。每部分各司其职中间任何一根“神经”断了机器人都不会动所以集成调试的核心就是逐段验证。3.3 周边工具链组合语音、消息渠道和任务调度除了核心技能还有一些工具能让OpenClaw的使用体验提升一个档次。语音方向我推荐faster-whisper或者whisper.cpp它们在本地做语音转文字延迟低、运行稳定配合OpenClaw就能实现完全本地的语音助手杂音环境下的识别效果在可接受范围内。消息渠道方面OpenClaw支持接入多种即时通讯工具把Agent挂到常用聊天软件里之后你在手机上随时可以交代任务它干完活再主动把结果推给你。定时任务直接交给系统的cron或者OpenClaw自己的调度器就可以让Agent每天早上自动生成日程摘要这种“主动输出”的体验和“被动回答”完全不一样。这一组工具搭配下来OpenClaw就不只是一个对话机器人了它更像一个能听懂语音、能在聊天软件里协作、能按照时刻表干活的数字同事。4. 常见问题与排查技巧实录这段时间我收到最多的求助基本都集中在部署和联调这两关我把高频问题和排查思路整理成了速查表你在实际动手时可以直接按表排查。4.1 手机与Termux部署的典型问题pkg install提示找不到包先执行pkg updateTermux的软件源索引不定时更新老源里可能已经挂掉或移除部分包路径。后台进程总是被杀除了加入电池优化白名单还要检查是否有清理类App在做“一键清理”清理进程会连带把Termux的常驻进程终止掉。直接把Termux加入这些App的忽略名单比任何配置都有效。技能文件放在手机上后技能不生效大概率是目录权限问题用termux-setup-storage授权一下存储访问。另一个经常被忽略的点是配置文件编码。手机端用文本编辑器改配置时如果保存成了带BOM的UTF-8OpenClaw在解析时会直接报错建议优先用Termux里的nano或vim编辑而不是手机上常见的第三方编辑器。遇到解析报错时先查编码这个问题比你想的常见得多。4.2 模型接入与API连接问题本地Ollama在其他设备上连不上先确认宿主机的Ollama是否设置了OLLAMA_HOST0.0.0.0:11434只看服务本机自启是不够的。然后在OpenClaw所在设备上用curl http://宿主机IP:11434测试连通性能通再回OpenClaw侧检查配置。API返回401或403不要急着怀疑密钥过期先检查api_key字段有没有复制出多余的空格或换行这类问题十次里有八次是这个原因。对话时长时间没响应注意OpenClaw的请求超时时间设置。本地小模型在CPU上推理可能需要几十秒默认超时如果只有10秒就容易出现“问完没反应”的假死现象。把超时调大到120秒能解决绝大多数误判。还有一个关于模型切换的要点如果你从API切到本地模型记得把配置文件里的type和api_base一起改掉很多人只改了模型名结果没生效就是因为类型字段还停留在openai指向的还是API服务。4.3 机器人集成环节的避坑要点在启动任何节点之前记得先执行source /opt/ros/humble/setup.bash否则节点之间版本不一致会导致话题找不到。话题名称必须逐字对照/cmd_vel和cmd_vel是不一样的用ros2 topic list去确认实际存在的名称而不是凭记忆写。Gazebo仿真环境启动慢是正常的别一启动就去测等模型加载完成、话题稳定出现在列表里之后再开始跑OpenClaw的集成脚本。如果机器人原地打转或者乱走先检查TF坐标系是否完整ros2 run tf2_tools view_frames可以快速导出坐标树确认机器人的base_link和odom之间有没有断链。这一条尤其值得说出来机器人集成不是一个“一把梭”的活儿它天生就是分层的事情。分层去排查每一层都验证通过了再进下一层你的时间会省很多反过来什么都不验证直接集成最后排查的时间会成倍增加。我个人实际使用中建议你把第一套环境搭在纯API模式下跑通全链路再换成本地模型。因为API模式没有环境和推理性能的干扰能更快帮你确认配置文件、Skill逻辑和消息渠道都没问题这一层稳定了换本地模型时问题再出现就能定位到是算力侧而不是框架侧。这套“先易后难、逐层替换”的思路适用性远远不限于OpenClaw一个项目任何Agent类工具都可以这么磨合。最后再分享一个小技巧OpenClaw的配置文件底稿记得做版本管理哪怕只是丢进Git仓库里每次大改之前能回滚这比任何备份方案都管用。工具选型也是一样的逻辑没必要一上来就上最重的那套方案先用最简单的跑通再慢慢加砝码你会发现自己折腾的时间越来越少Agent真正干活的时间越来越多。