OpenClaw 是一个开源、可本地部署的多模型AI应用平台，它的核心目标是为开发者和企业提供一个易于使用、功能强大且可扩展的框架，以便在私有环境中部署和管理各种大语言模型

openclaw AI小龙虾攻略 2026-04-09 2

核心特点

开源与本地部署：代码完全开源，允许用户在自己的服务器或本地机器上运行,保障数据隐私和安全。
多模型支持：不仅支持 OpenAI API 格式的模型（如 GPT 系列），还深度集成 Ollama，能够方便地拉取和运行数百种开源模型（如 Llama 3、Qwen、Gemma 等）。
统一的 WebUI：提供了一个类似 ChatGPT 的现代化聊天界面,让用户可以通过一个入口与后端的所有模型进行交互。
OpenAI API 兼容：后端服务完全兼容 OpenAI API 格式，这意味着任何使用 OpenAI SDK （如 openai Python 库）的应用，只需更改 API Base URL，就可以无缝切换到 OpenClaw 部署的模型。
易于安装与扩展：项目通常采用 Docker 或 Docker Compose 进行部署，极大简化了环境配置,模块化设计也便于功能扩展。

系统架构（理解各组件）

一个典型的 OpenClaw 部署包含以下几个核心组件：

OpenClaw 是一个开源、可本地部署的多模型AI应用平台，它的核心目标是为开发者和企业提供一个易于使用、功能强大且可扩展的框架，以便在私有环境中部署和管理各种大语言模型-第1张图片-官方获取 | OpenClaw下载 - openclaw官网

Ollama：负责在本地拉取、管理和运行各种开源大语言模型，它是 OpenClaw 的“模型引擎”。
OpenClaw 后端：核心服务，提供以下功能：
- 统一的 API 网关（兼容 OpenAI API）。
- 管理对话历史、用户会话。
- 将前端的请求路由到对应的模型服务（如 Ollama）。
OpenClaw WebUI：基于 Next.js 等框架构建的前端聊天界面,用户直接操作的部分。
数据库：通常使用 SQLite 或 PostgreSQL 来存储用户、对话、配置等信息。

基本使用流程

第一步：环境准备与安装

前提条件：确保你的机器上已安装 Docker 和 Docker Compose。

获取代码：

git clone https://github.com/opendatalab/OpenClaw.git
cd OpenClaw

配置环境变量：复制示例配置文件并根据需要修改,关键配置项包括：
- 数据库连接信息。
- 服务监听的端口。
- 默认模型设置。
```
cp .env.example .env
# 使用文本编辑器修改 .env 文件
```
启动服务：使用 Docker Compose 一键启动所有服务（后端、前端、数据库等）。
```
docker-compose up -d
```
首次运行会下载所需的 Docker 镜像,可能需要一些时间。
访问 WebUI：启动成功后，在浏览器中打开 http://localhost:3000（默认端口）,你应该能看到聊天界面。

第二步：配置与连接模型

OpenClaw 本身不“包含”模型,它需要连接到模型服务。

启动 Ollama 并拉取模型：
- 如果你通过 Docker Compose 部署，Ollama 可能已作为服务启动。
- 你需要进入 Ollama 容器或在宿主机上安装 Ollama 命令行工具，来拉取你想要的模型。
```
# 拉取 Llama 3 8B 模型
docker exec <ollama_container_name> ollama pull llama3:8b
# 或者如果宿主机安装了 ollama
ollama pull qwen2.5:7b
```
在 OpenClaw 中添加模型：
- 登录 OpenClaw WebUI（首次使用可能需要注册/登录）。
- 通常在管理后台或模型设置页面，你需要添加一个“模型提供商”。
- 提供商类型选择 Ollama。
- API 地址填写你的 Ollama 服务地址，http://ollama:11434（如果在同一 Docker 网络）或 http://localhost:11434。
- 保存后，OpenClaw 会自动从该 Ollama 实例发现已拉取的模型,并将其添加到可用模型列表中。

第三步：开始使用

在 WebUI 中聊天：
- 在聊天界面左上角或模型选择区域，从下拉列表中选择你刚添加的模型（如 llama3:8b）。
- 在输入框中输入问题，开始对话，体验与 ChatGPT 非常相似。

通过 API 调用（编程方式）： OpenClaw 的核心优势之一是提供兼容 OpenAI 的 API。

API Base URL: http://<你的服务器地址>:<后端端口>/v1
API Key: 默认情况下，很多开源项目为了简化，可能允许空 Key 或固定 Key（如 sk-no-key-required），具体请查看项目文档,生产环境建议配置认证。

Python 调用示例：

from openai import OpenAI
# 将 base_url 指向你部署的 OpenClaw 后端
client = OpenAI(
    api_key="sk-no-key-required", # 根据你的配置修改
    base_url="http://localhost:8000/v1" # 默认后端端口可能是 8000 或 3001
)
response = client.chat.completions.create(
    model="llama3:8b", # 使用你在 OpenClaw 中配置的模型名称
    messages=[
        {"role": "user", "content": "你好，请介绍一下你自己。"}
    ]
)
print(response.choices[0].message.content)

cURL 调用示例：

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-no-key-required" \
  -d '{
    "model": "llama3:8b",
    "messages": [
      {"role": "user", "content": "Hello!"}
    ]
  }'

进阶管理与配置

用户与权限：可以配置多用户系统、API 密钥管理、访问控制等。
对话持久化：所有聊天记录会保存在数据库中，可以在 WebUI 中查看历史会话。
模型参数调整：在调用 API 时，可以传入 temperature, top_p, max_tokens 等参数来控制模型生成行为。
集成其他模型服务：除了 Ollama，理论上可以配置 OpenClaw 连接到其他提供 OpenAI 兼容 API 的服务，如本地部署的 vLLM、Together.ai 的 API 等。
查看日志：使用 docker-compose logs -f 来查看各个容器的运行日志,便于排查问题。

注意事项

硬件要求：运行大模型需要强大的硬件，特别是 GPU 内存（VRAM），运行 7B 模型建议至少有 8GB VRAM，运行 70B 模型则需要更多。
首次模型下载：通过 Ollama 拉取大型模型文件（数GB到数十GB）需要较长时间和稳定的网络。
版本差异：OpenClaw 项目可能快速迭代，具体命令、配置文件和功能请务必以你克隆的仓库中的 README.md 和官方文档为准。
安全：如果将服务暴露到公网，请务必配置强密码、HTTPS 和防火墙规则,防止未授权访问。

OpenClaw 的本质是一个 “胶水”框架，它将好用的开源模型（通过 Ollama）、一个统一的 API 接口和一个美观的 Web 界面粘合在一起，极大简化了在私有环境中构建和测试大模型应用的门槛，对于想要进行本地开发、测试或构建内部 AI 工具的开发者和团队来说,它是一个非常优秀的选择。

开始使用的最佳路径是：准备Docker环境 -> 克隆项目并启动 -> 通过Ollama拉取一个小模型（如 Llama 3 8B）-> 在WebUI中测试 -> 最后尝试用API进行编程调用。

标签：多模型AI平台本地部署