OpenClaw跨平台部署实战：从Windows到Termux，本地Ollama与技能扩展全攻略

最近折腾OpenClaw前后花了三个晚上把Windows桌面版、安卓Termux版、还有接Ollama本地模型的路子全部走通了一遍。这项目的定位很清晰一个开源的跨平台个人AI助理框架你可以在自己的电脑或手机上跑一个AI代理通过skills给它扩能力算力可以选本地Ollama也可以接各家云端API。它不是那种一两分钟装完就完事的工具配置路径不少尤其是想把它跟ROS2机器人仿真环境打通的时候坑会一个接一个。这篇总结就基于我这次的完整部署经历把方案选择、双端安装、模型接入、技能扩展和排错经验一次讲清楚。如果你正准备在自己机器上把OpenClaw跑起来这篇应该能帮你少走不少弯路。1. 部署前必须想清楚的三件事1.1 部署形态决定后续维护成本先说结论OpenClaw的部署形态不是越多越好选对了路子后面维护能省一半力气。我这次实测下来主流的部署方式有三种分别是Windows桌面原生、安卓Termux终端、以及Docker容器。Windows桌面版最直观适合日常办公电脑上跑官方提供的安装包装完就能开个终端对话图形化配置项也相对齐全。安卓Termux版是重头戏很多人问“手机版怎么装”其实就是把Termux这个Linux模拟环境当成运行底座再在里头装OpenClaw的依赖和启动脚本。手机端的优势是随身携带、随时唤醒劣势是性能和续航都有限跑大模型基本不现实走云端API倒是很顺。还有一个方式容易被忽略就是Docker容器。如果家里有NAS或者一台Linux小主机用Docker跑OpenClaw最省心依赖隔离、升级方便、日志清理也简单。我个人的建议是如果你只是想快速试玩Windows或安卓单端就够了如果打算长期当个人助理用优先考虑Docker或Linux服务端部署把OpenClaw当后台服务跑再用手机端当客户端去连接。这里必须提醒一句不要看到别人用某个方式部署成功就照抄同款环境。不同部署形态对Python版本、Node.js版本、系统库的要求不完全一致混着抄很大概率会在初始化阶段报一堆莫名其妙的问题。先把使用场景想清楚再决定用哪种部署形态是我这次踩了两次坑之后最想说的经验。1.2 算力来源决定体验上限部署完OpenClaw只是第一步真正决定它好不好用的是算力来源。打开配置文件的时候你会看到一个模型端的配置项常见的选择就是“本地模型”和“云端API”两个方向。本地模型这边最热门的搭配是Ollama。Ollama负责把开源模型跑在本机OpenClaw通过标准接口跟它通信。好处是数据不出门、离线可用、没有调用费用坏处是对硬件要求高。我手头这台机器是32G内存加一张8G显存的显卡跑7B级别的小模型还比较流畅一旦换成14B甚至更大的模型首字延迟和生成速度就明显下滑了。如果你机器配置一般建议先从3B到7B的小模型起步先把流程跑通再追求模型规模。云端API这边就灵活很多各家大模型的API服务都能接按token计费不用操心硬件网络好就行。这么做唯一的顾虑是数据要经过第三方服务隐私敏感的场景要谨慎。很多人问“OpenClaw是不是只能用接入API的方式使用算力”我可以直接回答不是本地Ollama是完全可以的而且这也是官方推荐的离线方案之一。API和本地模型并不是互斥关系OpenClaw支持配置多个模型源日常聊天用本地小模型复杂任务临时切到云端大模型只要在配置里把路由规则写好就行。1.3 版本依赖先确认再动手安装OpenClaw之前一定要先确认环境依赖这一步能避免80%的安装失败。以我这次的实践为准OpenClaw对Python有明确版本要求太老的Python会直接导致依赖编译失败太新的版本反而可能遇到个别库还没适配。建议直接按官方文档指定的Python版本来不要用系统自带的老版本凑合。Node.js这边也不是可有可无OpenClaw的某些前端组件和工具链依赖它最好也装到文档推荐的LTS版本。操作系统层面Windows下需要注意PowerShell执行策略Termux下需要注意存储权限和系统包更新。装之前把以下几条命令跑一遍能省不少心# 检查Python版本 python --version # 检查Node.js版本 node -v # Windows下允许本地脚本执行PowerShell管理员模式 Set-ExecutionPolicy RemoteSigned -Scope CurrentUser # Termux下先更新软件源 pkg update pkg upgrade -y这些基础检查做扎实了后面的安装过程基本就是一路顺畅。如果跳过这一步轻则某个依赖装不上重则OpenClaw启动后闪退排查起来会非常痛苦。2. 核心安装实操Windows与安卓双端部署2.1 Windows端安装完整步骤Windows端安装OpenClaw说白了就三步拉代码、装依赖、初始化配置。第一步从官方仓库把项目代码拉下来。建议用git克隆而不是直接下载压缩包方便后续更新。第二步在项目根目录创建虚拟环境安装Python依赖。这一步请务必使用虚拟环境否则依赖冲突会教你做人。第三步运行初始化命令它会生成默认配置文件并引导你填写模型服务的关键参数。我实际操作时的命令大致是git clone https://github.com/你的源地址/OpenClaw.git cd OpenClaw # 创建并激活虚拟环境 python -m venv venv source venv/bin/activate # Windows下是 venv\Scripts\activate # 安装依赖 pip install -r requirements.txt # 初始化配置 openclaw init初始化完成后它会问你几个问题比如“默认模型源是本地还是API”“模型名称是什么”“是否开启自动更新”。这里有个经验初始化的过程中能选“示例技能包”的话尽量选上它会帮你生成一批可用的skills样例方便一上来就理解OpenClaw的能力边界。Windows下还有一个很多人问到的“Companion配置”。所谓Companion可以理解成OpenClaw在Windows上的一个配套服务组件负责处理系统级集成比如剪贴板访问、通知推送、文件索引等。配置Companion的要点在于它需要和主程序使用同一份配置文件并且在系统服务或启动项中注册。我的建议是先正常启动一次OpenClaw主程序让它生成完整的配置结构再去启动Companion否则Companion会因为找不到关键配置而报错。配置完成后启动OpenClaw终端会输出一个本地交互界面。试一句话看看反馈如果模型正常响应Windows端就算部署成功了。2.2 Windows Companion配置细节Companion配置是Windows端最容易卡壳的地方我单独拿出来说。官方文档里的说明偏精简实际操作时你需要关注这几个点第一Companion需要Node.js环境装好后要确认它在PATH里第二它默认读的是主程序的config文件路径里不要有中文和空格否则解析会出问题第三Companion启动后会监听一个本地端口主程序通过这个端口跟它通信防火墙首次弹出时记得允许访问。如果启动Companion之后发现主程序连接不上先别急着怀疑端口被占用。最常见的原因是配置文件里的host还是默认的127.0.0.1而Companion启动时用的却是局域网IP。把两者的绑定地址统一成127.0.0.1或者统一成你机器的局域网IP问题基本能解决。除了连接问题Companion还会在Windows下创建开机启动项。我个人建议把这个开机启动关掉改成手动触发因为Companion的实时监听会占用一些内存和CPU偶尔还会在资源管理器里留下多余的进程。等真正有需要的时候再手动拉起体验反而更好。2.3 Termux安卓部署实录安卓端部署OpenClaw核心工具就是Termux。很多人一听“手机装OpenClaw”以为有官方安卓App其实目前最稳的方式还是通过Termux跑命令行实例。Termux的安装没必要从应用商店找那个版本比较老功能也受限。直接去Termux官方渠道下载最新安装包装完以后先执行软件源更新再安装基础依赖包pkg update pkg upgrade -y pkg install python nodejs git openssh nano接着给Termux开启存储权限让它能访问手机的外部存储termux-setup-storage权限开好之后就可以正常克隆项目、装依赖了。流程和Windows端基本一致但有几个安卓特有的坑必须注意第一Termux的后台进程容易被系统回收。如果锁屏一段时间再打开发现OpenClaw进程断了需要在系统设置里把Termux的电池优化改成“不限制”并在最近任务里给它加锁。第二存储路径不要乱来。项目放在Termux的家目录就行不要放在/sdcard下因为安卓的文件系统权限模型会导致脚本执行权限丢失。我就吃过这个亏明明chmod x了还是提示Permission denied后来把项目挪到家目录才恢复正常。第三手机端跑本地模型非常吃力。即使在旗舰机上跑7B模型也会烫手、掉电快。所以手机端建议只接云端API或者作为局域网内远端服务的客户端使用这个后面讲模型接入时还会细说。在Termux里把OpenClaw跑起来之后一个真正意义上的“手机上的人工智能助理”就算落地了。你可以在通勤路上给它丢任务让它帮你整理待办、生成文案结果同步到远端笔记里体验很不一样。3. 模型接入与本地算力配置3.1 Ollama对接OpenClaw的完整流程本地算力最省心的搭配就是Ollama加OpenClaw。Ollama本身就是一个极简的模型运行工具装好后一条命令就能把开源模型拉下来跑起来而且它对显存小的机器做了不少资源优化。先装Ollama。Windows直接下载安装包Linux执行官方安装脚本Termux里也有社区维护的安装方案# Linux/macOS 安装脚本 curl -fsSL https://ollama.com/install.sh | sh # 拉取一个通用模型 ollama pull qwen2.5:7b拉取完模型后确认Ollama服务端口是11434ollama serve然后在OpenClaw的配置文件中把模型源指向Ollamamodel: provider: ollama base_url: http://localhost:11434 model_name: qwen2.5:7b改完配置重启OpenClaw它就会自动通过Ollama加载本地模型。这一步走通之后整个对话过程完全不依赖外网数据也全部留在本机。我实测下来7B模型在本地机器的响应速度基本能控制在每秒几十个token以内对话交流感受良好。3.2 API模式配置与参数选择如果你打算接云端API配置也简洁但有几个参数值得仔细选。先在配置文件中指定provider类型和API Keymodel: provider: openai-compatible base_url: https://你的API服务地址 api_key: sk-xxxx model_name: 你的模型名称这里要说明的是OpenClaw兼容OpenAI格式的API所以不只是某一家的API能接凡是兼容这个大类的服务都能接。选择服务商时重点看三点模型质量、token价格、数据隐私条款。日常任务多的建议选便宜的需要深度推理的再考虑更强的大模型。还有几个上下文参数可以顺手调好。比如max_tokens控制单次回复长度temperature控制随机性stream决定是否流式输出。我的建议是max_tokens稍微给大一点避免长文生成被截断temperature日常用0.7左右比较均衡stream尽量开启体验更跟手。3.3 算力问题的明确回答关于“OpenClaw是不是只能用接入API的方式使用算力”这里再展开说说。不是。OpenClaw是支持纯本地算力的Ollama就是最典型的方式。只要你的机器能跑得动模型OpenClaw就能在完全离线的状态下工作。API只是它众多算力来源中的一种选择适合硬件不够又想要大模型能力的情况。我的实际建议是机器带得动就本地模型优先隐私性好、延迟低、无额外费用机器带不动就接API简单省事。更进一步的做法是混合模式本地跑一个小模型负责常用任务遇到复杂需求时再切到大模型API。OpenClaw的配置是支持多模型源的根据任务类型路由过去就行。4. 技能扩展与ROS2机器人场景实战4.1 openclaw skill开发入门OpenClaw真正值钱的地方在于它的可扩展技能体系也就是热词里反复出现的skill。简单理解skill就是OpenClaw的一个能力模块。它定义了智能体在什么情况下执行什么操作、调用哪个工具、如何处理结果。这里面有一个很妙的设计你不需要写复杂的调度逻辑只要按约定的格式描述能力范围和处理方式OpenClaw会在对话时自动判断要不要调用这个技能。一个最小skill的结构大致是skills/ └── my-awesome-skill/ ├── SKILL.md # 技能描述与触发条件 └── script.py # 实际执行逻辑SKILL.md里写清楚这个技能是干什么的以及它在什么输入条件下应该被触发。script.py负责做具体的事比如读取文件、调用API、执行计算等。写完后重新加载OpenClaw它就会自动识别新技能并在后续对话中按需调用。这里有个实践心得技能描述一定要写得具体包括它适合解决什么类型的任务、需要哪些输入、输出格式如何。描述得越清楚OpenClaw在触发时越准确误触发率越低。我刚开始写技能时描述得太泛导致它经常在无关对话里被调用后来把描述改成“当用户明确要求X时执行”的句式误触发基本消失了。4.2 rosclaw与ROS2 Humble、Gazebo联动热词里出现了一组“rosclaw、openclaw ros2 humble gazebo”的组合这其实是OpenClaw向机器人领域延伸的桥接工具。如果你做机器人开发对ROS2 Humble应该不陌生Gazebo是常用的仿真环境。rosclaw做的事情就是让OpenClaw能与ROS2生态通信让智能体可以通过自然语言控制仿真环境里的机器人或者在Gazebo里执行复杂任务规划。这是一个典型的“AI加机器人”落地场景。比如在ROS2 Humble环境下跑一个Gazebo仿真小车通过OpenClaw发一句话“让机器人绕障碍物走一圈”rosclaw会把这句话解析成ROS2的指令发布到对应的Topic上Gazebo里的机器人就会执行动作。从外部看等于给机器人装了一个能听懂人话的“大脑”。安装rosclaw的流程大致分三步第一步确保ROS2 Humble环境已安装并能正常运行第二步安装rosclaw它会自动发现当前ROS2环境第三步把OpenClaw的配置里开启rosclaw插件并指定要订阅和发布的Topic名称。rosclaw的玩法目前还在快速迭代期但方向很明确以后机器人调试不再需要记一堆命令和坐标直接对着智能体说需求就行。对做机器人相关项目的朋友来说这一块值得重点关注。4.3 多模态与工具调用扩展除了skill和机器人桥接OpenClaw还支持多模态扩展和工具调用这点配合本地模型或者API模型都很实用。所谓工具调用就是让智能体不只是聊天还能真的去操作外部系统。比如给它一个“查天气工具”它就能引导用户把工具配置好然后通过API查询实时天气再自然地把结果组织成回答。再比如给它一个“执行脚本工具”你说一句“帮我统计一下这个文件夹里所有文件的大小”它就能跑起来把结果算出来。这种工具化能力最大的价值在于OpenClaw从一个“话痨”变成“手脚齐全的助手”。你给它配的工具越多它的实际价值就越大。配置工具的方式和skill类似只要在配置里注册工具端点并在技能描述里写清楚调用方法OpenClaw就会在需要时自动调用。我给OpenClaw配过几个常用工具比如文件搜索、网页摘要、提醒设置、本地脚本执行。使用下来最顺手的是文件搜索和网页摘要这两个工具让它的实用性大幅提升。强烈建议你部署完基础版本后优先从这几个高频场景开始扩展。5. 常见问题与排查技巧实录5.1 部署失败的典型场景与解法这次部署过程中我自己踩过不少坑也帮朋友排查过几个问题整理几个高频场景。场景一是依赖安装时报编译错误。大多数情况下是因为Python版本不对或者缺少系统级编译工具。Windows下建议安装Visual Studio Build ToolsLinux和Termux下需要安装build-essential或对应工具链。装了之后重新跑pip install编译错误基本能消失。场景二是启动时报“找不到配置文件”。这种情况通常是初始化步骤没执行成功或者当前工作目录不对。OpenClaw默认会在项目根目录找配置文件不在这个目录下启动就会报错。解决办法很简单先cd进项目根目录再执行启动命令。场景三是连接模型服务失败。如果日志里出现connection refused先去检查模型服务是否真的启动了再检查配置里的base_url和端口号是否一致。我在Termux上就遇到过Ollama端口被防火墙拦掉的情况后来去防火墙规则里放行了11434端口才解决。5.2 模型加载慢与内存不足的排查本地模型跑得吃力是个现实问题。加载慢、反应慢、甚至OOM内存不足在配置一般的机器上很常见。排查思路从三个角度入手模型规模是否超出硬件规格、Ollama的上下文长度设置是否合理、系统是否还在跑其他占内存的应用。如果是模型规模超出硬件最简单的办法是换小一号的模型。比如7B跑不动就换3B速度会明显提升对话质量在常见任务上也够用。如果是上下文长度问题去配置文件里找到context_length或num_ctx参数适当调小它。上下文越长占用的内存和显存就越多有时候从4096降到2048速度就能翻倍。还有个小技巧Ollama支持模型常驻内存的配置如果你的机器内存够大可以让模型一直驻留避免每次重新加载的耗时。但如果内存本身紧张反而要把这个配置关掉让系统按需加载。5.3 Termux手机部署的存储与进程问题回到手机端Termux部署最烦的两个问题就是存储权限和后台进程被杀。存储权限的问题我前面提过重点就是执行一下termux-setup-storage然后在系统设置里确认Termux有文件访问权限。如果项目跑在外部存储上出现权限异常mv到家目录再chmod一次就能解决。后台进程被杀的问题需要从系统层面处理。安卓系统为了省电会定期清理后台进程。你得去应用详情页里把Termux的“电池优化”设为不限制并且在任务管理器里锁定它。如果还不行考虑买一个带root或者能改调度策略的设备不过一般用户没必要折腾到那一步。还有一个容易忽略的点Termux如果长时间运行OpenClaw日志文件会膨胀得很快。建议配置日志轮转定期清理过期日志不然手机存储很快会被塞满。6. 几条值得长期坚持的实践心得部署完OpenClaw一切都跑通之后我反而觉得最重要的事情不是安装本身而是你打算怎么用它。这里分享几条我自己的长期实践心得算不上标准答案但能帮你少踩一些后脚坑。第一配置要版本化管理。OpenClaw的配置文件和技能代码都值得纳入git仓库管理。我每次调整配置或新增技能后都会提交一次出了问题可以直接回退想复现某一状态也方便。这个习惯帮我省了很多次“这个改了什么来着”的烦恼。第二日志要定期看。OpenClaw的日志文件里记录了每次技能调用、模型请求和错误堆栈。遇到问题先去看日志比瞎试配置要高效得多。及时清理旧日志也可以避免磁盘被撑爆特别是手机端。第三技能不在多在精。给OpenClaw加了一堆技能之后它的决策链路会变长有时候反而会因为过度调用技能而影响响应速度。保持一个精简的技能库及时删除那些很少触发的技能你会发现它的反应更快、心智更稳。第四模型选择要跟着任务走。日常总结、信息提取这类任务用本地小模型完全够用深度推理和创意写作再切大模型API。把两种算力分工配合好体验和成本都能兼顾。我把这套部署流程跑通之后OpenClaw已经成了我每天都会打开的工具。