1. 项目概述从“小龙虾”到智能体管家最近在AI智能体圈子里一个代号“小龙虾”的项目热度持续攀升它就是OpenClaw。如果你也像我一样厌倦了在不同AI工具间反复横跳总想找一个能统一调度、自动化处理复杂任务的“超级大脑”那么OpenClaw绝对值得你投入时间研究。它本质上是一个开源的AI智能体框架你可以把它理解为一个“智能体操作系统”或者“AI工作流调度中心”。它的核心魅力在于能够将不同的大语言模型、工具和技能连接起来让它们协同工作自动完成从信息收集、分析、决策到执行的全链路任务。比如自动处理客服工单、生成并发布社交媒体内容、监控数据并生成报告等等。我最初接触OpenClaw是被它“一个指令自动搞定”的愿景吸引。在实际部署和折腾了几周后我发现它确实有潜力成为个人和团队的效率倍增器但前提是得先跨过部署和配置这道坎。网上的资料虽然多但往往比较零散新手容易在环境依赖、模型配置、技能调用这些环节卡住。因此我决定结合自己的实操经验整理这份《OpenClaw龙虾指南实操命令手册》。这份手册不会只停留在“点击这里输入那里”的表面步骤我会重点拆解每个命令背后的逻辑、常见报错的根因以及那些只有踩过坑才知道的优化技巧。无论你是想在本地Ubuntu上快速尝鲜还是用Docker进行标准化部署甚至是想把它接入飞书、微信打造一个专属的AI助手这篇指南都能给你提供一条清晰的路径。2. 核心架构与部署方案选型在动手敲命令之前我们必须先理解OpenClaw的“五脏六腑”这决定了我们后续的部署方式和技术选型。OpenClaw的架构可以粗略分为三层智能体核心层、模型服务层和技能工具层。智能体核心层是OpenClaw的大脑负责任务规划、分解、调度和记忆管理。它本身不直接生成文本而是扮演“指挥官”的角色。模型服务层则是提供“思考能力”的士兵OpenClaw通过API调用诸如OpenAI的GPT系列、Anthropic的Claude或者本地部署的Ollama运行Llama、Qwen等开源模型来获得推理能力。技能工具层是“手脚”包括搜索网页、读写文件、发送邮件、执行代码等具体能力OpenClaw通过调用这些技能来与环境交互。理解了架构部署方案的选择就清晰了。主流有三种本地裸机部署适合开发者/深度定制直接在Ubuntu或Mac的Python环境中安装。优点是控制力最强调试方便适合二次开发。缺点是环境配置繁琐容易遇到Python包冲突、系统依赖缺失等问题。Docker容器化部署推荐用于生产或稳定使用使用Docker和Docker Compose一键拉起所有服务包括OpenClaw本身和Ollama。这是目前最主流、最推荐的方式它能完美解决环境隔离问题保证部署的一致性。无论是Ubuntu服务器还是Mac/Windows通过Docker Desktop体验几乎一致。云服务/一键脚本部署适合快速体验有些社区提供了封装好的脚本或云镜像但可控性和透明度较低。对于绝大多数希望稳定使用的朋友我强烈推荐Docker Compose方案。它不仅部署简单未来升级、迁移也极为方便。接下来我们的实操也将围绕这个方案展开。3. 基于Docker-Compose的极速部署实战我们目标是在一台干净的Ubuntu 22.04 LTS服务器上通过Docker Compose快速部署一个包含OpenClaw和Ollama的完整环境。假设你已经有一台服务器并通过SSH连接上了。3.1 环境准备与依赖安装首先我们需要确保系统环境就绪。更新系统包列表并安装一些必要的工具。sudo apt update sudo apt upgrade -y sudo apt install -y curl git vim接下来是安装Docker和Docker Compose。这里使用官方脚本安装Docker能保证版本的时效性。# 安装Docker curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh # 将当前用户加入docker组避免每次都要sudo sudo usermod -aG docker $USER # 注销并重新登录或者执行以下命令使组生效 newgrp docker # 安装Docker Compose插件Docker新版本已集成compose为插件 sudo apt install -y docker-compose-plugin # 验证安装 docker --version docker compose version注意执行usermod命令后必须退出当前SSH会话重新登录或者执行newgrp docker用户加入docker组的权限才会生效。否则后续执行docker命令依然会报权限错误。3.2 配置部署目录与关键文件创建一个清晰的项目目录来管理所有配置。mkdir -p ~/openclaw-docker cd ~/openclaw-docker接下来我们需要准备两个核心文件docker-compose.yml和OpenClaw的配置文件.env。首先创建docker-compose.yml。# docker-compose.yml version: 3.8 services: ollama: image: ollama/ollama:latest container_name: openclaw-ollama restart: unless-stopped volumes: - ollama_data:/root/.ollama ports: - 11434:11434 networks: - openclaw-net openclaw: image: crestodian/openclaw:latest container_name: openclaw-core restart: unless-stopped depends_on: - ollama environment: - OLLAMA_BASE_URLhttp://ollama:11434 - DEFAULT_MODELllama3.2:latest - OPENCLAW_LOG_LEVELINFO env_file: - .env volumes: - openclaw_data:/app/data - ./skills:/app/skills # 挂载自定义技能目录可选 ports: - 3000:3000 networks: - openclaw-net networks: openclaw-net: driver: bridge volumes: ollama_data: openclaw_data:这个配置定义了两个服务ollama 拉取最新的Ollama镜像将数据持久化到名为ollama_data的卷中暴露端口11434供OpenClaw内部访问。openclaw 拉取官方镜像crestodian/openclaw。它通过depends_on确保在ollama之后启动。关键环境变量OLLAMA_BASE_URL指向了容器网络内的ollama服务地址http://ollama:11434这是容器间通信的关键。DEFAULT_MODEL设置了默认使用的模型。端口3000映射到宿主机用于访问Web界面。接下来创建环境变量文件.env。这里可以配置一些敏感或可变的参数。# .env # 这里可以定义一些OpenClaw的扩展配置例如API密钥如果需要连接OpenAI等云端服务 # OPENAI_API_KEYsk-xxx # ANTHROPIC_API_KEYsk-ant-xxx # 暂时我们主要用本地Ollama所以可以先留空或注释掉3.3 启动服务与初始化模型配置完成后一键启动所有服务。docker compose up -d-d参数代表后台运行。使用以下命令查看服务状态和日志docker compose ps # 查看状态 docker compose logs -f openclaw # 跟踪OpenClaw日志 docker compose logs -f ollama # 跟踪Ollama日志服务启动后我们需要在Ollama容器内拉取所需的模型。OpenClaw的默认配置是llama3.2:latest我们把它拉取下来。# 进入ollama容器执行命令 docker exec -it openclaw-ollama ollama pull llama3.2:latest这个过程会下载约4GB的模型文件耗时取决于你的网络速度。你也可以根据需要拉取其他模型例如qwen2.5:7b、llama3.1:8b等。实操心得模型拉取是最大的时间瓶颈。建议在服务器上操作时使用screen或tmux会话避免SSH断开导致下载中断。命令screen -S pull_model然后执行上面的pull命令按CtrlA, Ddetached后台运行想查看时用screen -r pull_model恢复。3.4 验证部署与访问Web界面完成上述步骤后部署基本成功。进行验证检查Ollama服务 访问http://你的服务器IP:11434应该能看到Ollama的API欢迎页面或返回一个简单的JSON。检查OpenClaw服务 访问http://你的服务器IP:3000。如果一切正常你将看到OpenClaw的Web用户界面。首次访问Web界面可能会有一个简单的初始化设置按照提示操作即可。在设置中确认“模型后端”的URL是http://ollama:11434容器内地址或http://localhost:11434如果你在宿主机浏览器访问且端口映射正确并选择你已拉取的模型如llama3.2:latest。4. OpenClaw核心配置与模型管理详解成功登陆Web界面只是第一步要让OpenClaw发挥威力必须深入理解其配置和模型管理。4.1 环境变量与关键配置解析OpenClaw的配置主要通过环境变量驱动。除了我们在docker-compose.yml里设置的还有很多重要的参数可以调整。理解它们能帮你解决大部分基础问题。OLLAMA_BASE_URL 这是最重要的配置之一告诉OpenClaw去哪里找模型服务。在Docker Compose网络内服务名ollama就是主机名。如果你在宿主机直接运行OpenClaw非Docker则需要将其改为http://localhost:11434。DEFAULT_MODEL 指定默认使用的模型名称。必须与Ollama中拉取的模型名完全一致包括标签。例如llama3.2:latest、qwen2.5:7b。OPENCLAW_LOG_LEVEL 日志级别。设置为DEBUG可以获取最详细的运行信息用于排查复杂问题生产环境建议设为INFO或WARN。OPENCLAW_DATA_PATH 数据存储路径。在Docker中我们通过卷openclaw_data映射到了/app/data所有对话历史、智能体配置都会存在这里。如何添加多个大模型这是很多人的需求。Ollama本身支持同时加载多个模型。你只需要在Ollama容器内拉取更多模型即可。docker exec -it openclaw-ollama ollama pull qwen2.5:7b docker exec -it openclaw-ollama ollama pull llama3.1:8b拉取完成后在OpenClaw的Web界面中通常可以在模型选择下拉菜单里看到所有可用的模型。如果看不到请检查OLLAMA_BASE_URL是否正确并重启OpenClaw容器docker compose restart openclaw。4.2 模型性能调优与参数设置直接使用默认模型参数可能无法获得最佳效果。OpenClaw通常允许在调用模型时传递参数。你可以在Web界面的高级设置或创建智能体时配置这些参数。关键参数包括温度 (temperature) 控制输出的随机性。值越高如0.8-1.2创意性越强但可能偏离事实值越低如0.1-0.3输出更确定、更专注。对于需要严谨步骤的任务如代码生成、数据分析建议设低0.2-0.5对于创意写作可以设高。最大令牌数 (max_tokens) 限制单次响应的长度。根据任务需要调整太短可能回答不完整太长浪费资源。一般2048或4096是个安全的起点。Top-p (nucleus sampling) 与温度类似另一种控制随机性的方式。通常设置为0.7-0.9。一个常见的配置场景是创建一个用于“代码审查”的智能体将温度设为0.2最大令牌数设为4096以确保回答严谨、详细。而创建一个“创意文案生成”的智能体则可以将温度设为0.9。4.3 技能(Skill)的配置与自定义技能是OpenClaw的“手脚”。官方和社区提供了许多预置技能如网络搜索、文件读写、计算器等。配置技能通常有两种方式通过Web界面配置 在智能体编辑页面有添加技能的选项。例如要添加“搜索”技能你可能需要配置Serper或Google Search的API密钥。通过挂载自定义技能目录 我们在docker-compose.yml中已经将宿主机的./skills目录挂载到了容器的/app/skills。你可以将自行开发的技能Python脚本放在宿主机的~/openclaw-docker/skills/目录下OpenClaw启动时会自动加载。例如创建一个简单的获取时间的技能get_time.py# ~/openclaw-docker/skills/get_time.py from datetime import datetime from openclaw.skill import Skill, register_skill register_skill class GetTimeSkill(Skill): name get_current_time description 获取当前的系统时间 def execute(self, **kwargs): current_time datetime.now().strftime(%Y-%m-%d %H:%M:%S) return f当前系统时间是{current_time}保存后重启OpenClaw容器就能在技能列表中找到并使用它了。注意事项开发自定义技能时务必注意安全性。避免执行未经净化的系统命令或访问敏感文件路径以防被恶意指令利用。5. 智能体工作流设计与实操指令OpenClaw的精髓在于设计智能体工作流。下面我们通过几个典型场景来拆解如何设计和操作。5.1 基础指令与对话管理在Web界面的聊天窗口你可以直接与智能体对话。但更有用的是使用“指令”来精确控制其行为。OpenClaw通常支持一些基础指令/help或/? 查看所有可用指令和技能列表。/model [模型名称] 切换当前会话使用的模型。/clear或/new 清空当前会话的历史上下文开始一个新对话。/memory 查看或管理智能体的记忆如果配置了记忆模块。关于“第二天就不知道昨天会话内容”的处理这涉及到OpenClaw的**记忆Memory**功能。默认情况下智能体的记忆可能是短暂的会话级或未启用。要解决这个问题你需要启用持久化记忆 检查OpenClaw配置确保数据库连接如SQLite、PostgreSQL正确并且记忆模块被激活。在Docker部署中数据卷openclaw_data已经确保了数据库文件的持久化。为智能体配置合适的记忆策略 在创建或编辑智能体时通常会有一个“记忆”或“上下文”设置选项。选择“长期记忆”或“向量数据库记忆”如果配置了如ChromaDB、Weaviate等。这样智能体可以将重要的对话摘要存入向量数据库在后续对话中通过检索相关记忆来“回忆”起过去的内容。检查会话标识 确保你在Web界面使用的是同一个“会话”或“线程”。有些界面设计会为每次新开页面创建一个临时会话关闭后就消失了。寻找“保存会话”、“命名会话”或“会话历史”功能。5.2 创建自动化工作流智能体假设我们要创建一个“每日资讯摘要”智能体它的任务是每天早上9点自动搜索指定主题的新闻总结成一份简报并发送到飞书群。步骤1定义智能体角色与目标在OpenClaw Web界面点击创建新智能体。名称 每日资讯助手描述 自动搜索并总结科技领域最新资讯生成晨报。系统提示词System Prompt 这是核心用于塑造智能体行为。例如“你是一个专业的科技资讯分析师。你的任务是每天从网络上获取最新的科技动态、产品发布和行业趋势。你需要过滤掉低质量信息提取关键事实并用简洁、结构化的中文进行总结输出格式为1. 重大事件2. 产品发布3. 趋势分析。”步骤2配置所需技能为该智能体添加技能网络搜索技能 需要配置Serper API密钥或其他搜索API。在技能配置中可以设置默认搜索关键词如“人工智能 大模型 最新进展”、“科技巨头 财报”。文件写入技能 用于将生成的摘要保存为本地文件。飞书Webhook技能或自定义技能 用于将最终摘要发送到飞书群。这可能需要你编写一个自定义技能调用飞书的机器人Webhook接口。步骤3设置触发与执行这需要结合OpenClaw的“工作流”或“定时任务”功能具体名称可能因版本而异。在智能体高级设置或工作流面板中添加一个定时触发器Cron Trigger。Cron表达式0 9 * * *表示每天9点0分执行。执行指令 可以是一个预定义的指令如/run_daily_summary。你需要为该指令编写一个对应的任务流程或者直接在触发时向智能体发送一个消息如“请开始执行今日的科技资讯收集与总结任务完成后通过飞书技能发送。”步骤4测试与调试保存智能体后不要等待定时触发。立即手动测试在聊天窗口输入触发指令或消息观察其执行步骤它是否正确调用了搜索技能返回的结果是否相关它生成的总结是否符合“系统提示词”要求的格式它是否能成功调用飞书技能发送消息根据测试结果反复调整系统提示词和技能参数。提示词工程在这里至关重要你需要明确告诉它过滤噪音、总结要点、格式化输出。5.3 复杂任务分解与执行监控对于更复杂的任务如“监控竞品官网更新并分析其战略动向”智能体需要分解为多个子步骤定期爬取网页、对比内容变化、分析变化内容、生成报告。OpenClaw的规划器Planner模块会自动进行任务分解。你可以在执行复杂指令时开启“详细日志”或“步骤展示”功能。这样你能看到智能体的“思考链”规划 “用户要我监控竞品官网。我需要先获取当前页面内容保存为基准。然后定期获取新内容与基准对比。如果有变化则分析变化内容最后生成报告。”执行 “现在执行第一步调用‘网页抓取’技能获取页面内容...”观察 “获取到内容保存至文件A。”下一步规划 “设定一个24小时后的定时任务执行第二步再次抓取并对比。”通过监控这个流程你可以判断是规划逻辑有问题还是某个具体技能执行失败从而进行针对性优化。6. 高阶集成接入飞书与微信让OpenClaw在内部协作工具中运行能极大提升其实用性。这里以接入飞书为例微信机器人原理类似但通常需要借助反向代理或特定SDK。6.1 飞书机器人创建与配置在飞书开放平台创建一个企业自建应用。启用“机器人”能力。获取两个关键凭证App ID和App Secret。在应用权限中开通“获取与发送单聊、群组消息”等必要权限。发布版本等待管理员审核通过测试阶段可用“测试版”免审。6.2 在OpenClaw中配置飞书技能OpenClaw可能已有社区贡献的飞书技能或者你需要根据官方文档自定义。假设我们使用一个需要配置的飞书技能。获取技能配置参数 通常需要填写飞书应用的app_id、app_secret以及消息接收的encrypt_key和verification_token在事件订阅中获取。配置技能 在OpenClaw的Web管理后台找到技能管理页面添加或配置飞书技能填入上述凭证。配置事件订阅URL 这是最关键的一步。飞书服务器需要能访问到你的OpenClaw服务。由于你的OpenClaw部署在本地或内网你需要一个公网访问入口。方案A有公网IP/域名 将Docker宿主机的3000端口通过防火墙/NAT映射到公网并配置域名如https://openclaw.yourdomain.com。在飞书后台将事件订阅的请求地址URL设置为https://openclaw.yourdomain.com/webhook/feishu具体路径看技能要求。方案B使用内网穿透工具 这是更常见的个人开发者方案。使用如ngrok、localtunnel或frp等工具将本地的3000端口临时暴露到一个公网地址。例如使用ngrokngrok http 3000会得到一个https://xxxx.ngrok.io的地址。将此地址配置到飞书事件订阅URL中。验证与启用 保存飞书后台配置时飞书会向你的URL发送一个带验证参数的GET请求。你的OpenClaw飞书技能必须能正确处理这个请求并返回正确的挑战码验证才能通过。6.3 创建对接飞书的智能体专门创建一个用于处理飞书消息的智能体。系统提示词 “你是集成在飞书中的AI助手。你需要友好、专业地回应用户在飞书群或私聊中的问题。对于复杂任务你可以告知用户需要更多时间处理并通过后台任务完成。”技能配置 绑定飞书接收/发送消息技能以及它可能用到的其他技能如搜索、查询。消息路由 配置飞书技能将接收到的消息转发给这个智能体处理并将智能体的回复通过飞书技能发回。完成以上步骤后你就可以在飞书中你的机器人进行对话了。机器人会根据消息内容调度对应的智能体和技能来完成任务。7. 故障排查、维护与优化指南即使按照指南操作也难免会遇到问题。这里汇总了常见问题的排查思路和解决方案。7.1 部署与启动常见问题问题现象可能原因排查命令与解决方案docker compose up失败提示端口冲突宿主机3000或11434端口已被占用sudo lsof -i :3000查看占用进程修改docker-compose.yml中的端口映射如3001:3000。访问http://IP:3000无法连接1. 防火墙未开放端口2. 容器启动失败1.sudo ufw allow 3000(Ubuntu)2.docker compose logs openclaw查看具体错误日志。OpenClaw日志报错Connection refused连接到Ollama1.OLLAMA_BASE_URL配置错误2. Ollama容器未正常运行3. 网络配置问题1. 检查.env和compose文件中的URL容器内应为http://ollama:11434。2.docker compose ps确认ollama容器状态为Up。3.docker network inspect openclaw-docker_openclaw-net检查容器是否在同一网络。Ollama拉取模型速度极慢或失败网络连接问题1. 可尝试更换Docker镜像源对Ollama官方镜像无效。2. 在宿主机使用代理后配置Docker守护进程使用代理或者进入容器手动设置HTTP_PROXY环境变量再拉取。Web界面提示“模型不可用”1. 模型名称不匹配2. Ollama内模型未成功拉取1.docker exec openclaw-ollama ollama list确认模型列表。2. 确保OpenClaw配置的DEFAULT_MODEL与列表中的名字完全一致。7.2 运行时错误与性能优化报错openclaw llamap svr operator(): got exception: { error: { code: 400, ...这是一个典型的API调用错误。llamap可能指代某个模型调用适配器。400错误通常是请求格式有问题或模型未就绪。排查 首先检查Ollama服务是否健康curl http://localhost:11434/api/tags(宿主机) 或curl http://ollama:11434/api/tags(容器内)。应返回模型列表JSON。解决 如果Ollama正常检查OpenClaw日志中更详细的错误信息。可能是发送给模型的提示词格式有误或者模型在加载中。尝试重启Ollama容器docker compose restart ollama并等待模型完全加载。智能体响应慢原因1模型首次加载 Ollama中的模型如果未加载到内存首次调用需要加载时间。调用一次后响应会变快。原因2硬件资源不足 大模型运行需要足够的CPU和内存。使用htop或docker stats命令监控资源使用情况。考虑使用更小的模型如7B参数或升级服务器配置。原因3提示词或任务过于复杂 复杂的系统提示词和长上下文会显著增加推理时间。优化提示词使其更简洁精准。对于超长文档处理考虑先使用“总结”技能提炼关键信息再交给主模型分析。记忆功能失效检查向量数据库 如果配置了向量数据库记忆如ChromaDB确保该服务正常运行并且OpenClaw配置的连接信息正确。检查记忆开关 在智能体配置中确认已启用“长期记忆”或“向量记忆”选项。查看记忆存储 检查OpenClaw的数据卷openclaw_data中是否有相关的数据库文件如SQLite的.db文件在增长。7.3 日常维护与备份日志管理 Docker容器的日志会持续增长。可以配置Docker的日志驱动和轮转策略或者定期清理docker compose logs --tail1000 recent_logs.txt docker compose logs --tail0 /dev/null慎用会清空日志。数据备份 最重要的就是两个Docker卷ollama_data存储模型文件和openclaw_data存储配置、记忆、会话。备份命令docker run --rm -v openclaw-docker_ollama_data:/source -v $(pwd):/backup alpine tar czf /backup/ollama_backup.tar.gz -C /source .。恢复时反向操作即可。版本升级 更新docker-compose.yml中的镜像标签如crestodian/openclaw:latest改为具体版本号然后执行docker compose pull拉取新镜像再docker compose up -d重启服务。升级前务必备份数据卷。资源监控 使用docker stats或cAdvisor、Portainer等工具监控容器资源使用确保服务稳定。经过以上步骤你应该已经拥有了一个功能完整、运行稳定的OpenClaw智能体平台。从部署、配置到集成、排错每一个环节的深入理解都能让你在遇到问题时从容应对。记住玩转OpenClaw的关键在于“大胆设想精细调试”——用清晰的提示词定义智能体角色用扎实的调试解决运行问题。剩下的就是让它为你自动处理那些重复性的工作真正成为你的数字员工。