1. 项目概述这不是一个“装软件”教程而是一次本地AI助理的完整扎根实践OpenClaw不是另一个需要你点开网页、注册账号、等待加载的在线AI工具。它是一个能真正住进你电脑里、听你指挥、替你跑腿的“数字同事”。我第一次在Windows台式机上敲下ollama launch openclaw看着终端里自动下载、配置、启动一气呵成最后弹出那个极简的TUI界面时心里想的不是“又一个新玩具”而是“终于不用再把代码片段粘贴到网页框里等三秒了”。OpenClaw的核心价值恰恰藏在那些热搜词的缝隙里——当大家在搜“ollama下载太慢怎么解决”、“openclaw : 无法将‘openclaw’项识别为 cmdlet”他们真正焦虑的是本地AI部署中那种“明明文档写得很清楚但就是卡在第一步”的无力感。这个教程要解决的正是这种断层它不假设你懂Docker容器编排也不要求你有Linux服务器运维经验它只默认你有一台能正常上网的Windows或macOS电脑以及一颗想让AI真正为自己所用的心。你会学到的远不止是几条命令的拼写你会理解为什么Ollama要先“签到”才能启用Web搜索为什么64K上下文窗口对本地模型如此关键为什么在macOS上用Homebrew安装和直接下载二进制包会带来完全不同的权限体验。这是一份从“小白”出发但绝不以牺牲专业性为代价的实操手记。它适合所有被大模型能力吸引、却对云服务隐私存疑、或是单纯厌倦了网络延迟的用户——无论你是想用WhatsApp和AI讨论项目进度的产品经理还是想让Telegram机器人自动整理会议纪要的运营同学又或者只是想在离线状态下用本地模型调试一段Python脚本的开发者这份部署指南就是你把AI从“云端幻影”变成“桌面常驻”的第一块基石。2. 核心设计思路与方案选型逻辑2.1 为什么必须绕过“直接下载OpenClaw源码”这条老路很多初学者看到“本地部署”四个字第一反应是去GitHub找OpenClaw的仓库然后git clone、npm install、npm run dev。这条路理论上可行但实操中几乎必然踩坑。我试过三次每次都在Node.js版本兼容性、Python依赖冲突、或是Electron打包环境上卡死超过两小时。根本原因在于OpenClaw官方文档里那句轻描淡写的“Ollama handles everything automatically”背后是一整套被高度封装、深度优化的运行时环境。Ollama不是简单的模型加载器它是一个集成了模型分发、GPU内存管理、API网关、安全沙箱的微型操作系统。它把OpenClaw的复杂性转化成了ollama launch这一条命令的简洁性。这就像你不会为了开一辆特斯拉先去拆解它的电池管理系统和自动驾驶芯片一样。选择Ollama作为唯一入口是放弃“造轮子”的执念拥抱已被验证的、面向终端用户的交付范式。它规避了手动构建中90%以上的环境变量错误、路径权限问题和版本锁死风险。当你在Windows PowerShell里输入ollama list看到的不只是模型列表更是Ollama为你默默构建好的、可信赖的执行基座。2.2 Ollama为何成为不可替代的“中枢神经”Ollama之于OpenClaw如同主板之于CPU。没有它OpenClaw只是一个空壳。它的核心价值体现在三个不可分割的层面模型即服务MaaS、安全网关和上下文引擎。首先“模型即服务”意味着你无需关心模型文件的存储位置、量化格式Q4_K_M还是Q5_K_S、或是CUDA/cuDNN的版本匹配。Ollama内部维护着一个智能的模型仓库索引当你执行ollama run qwen3.5它会自动判断你的硬件NVIDIA GPUApple Silicon还是纯CPU并为你拉取最适配的版本。其次“安全网关”功能常被忽略却是OpenClaw能连接WhatsApp、Telegram等敏感信道的前提。Ollama在首次启动时强制弹出的安全提示并非形式主义而是为OpenClaw创建了一个隔离的执行沙箱。这个沙箱严格限制了AI代理对本地文件系统、网络端口和进程的访问权限确保即使某个插件存在漏洞也无法危及你的主机安全。最后“上下文引擎”直接决定了OpenClaw的智商上限。官方文档强调“至少64K tokens”这并非营销话术。一个典型的本地模型如gemma4在处理多轮对话、阅读长篇技术文档、或分析一个包含数十个函数的代码库时其推理过程需要海量的中间状态缓存。Ollama通过其底层的llama.cpp优化能高效地将这64K tokens的上下文映射到显存或内存中而手动用Python脚本加载往往在32K tokens时就因OOM内存溢出而崩溃。选择Ollama本质上是选择了经过千锤百炼的、专为边缘设备优化的AI运行时。2.3 Windows与macOS部署策略的根本差异虽然最终目标一致但Windows和macOS的部署路径绝非简单的“换几个命令”。它们的差异源于操作系统内核哲学的根本不同。在macOS上Homebrew是事实上的标准包管理器它像一位严谨的管家所有软件都安装在/opt/homebrewApple Silicon或/usr/localIntel下权限清晰路径统一。因此brew install ollama后ollama命令天然就存在于你的PATH中后续所有操作一气呵成。而在Windows上情况则复杂得多。PowerShell的执行策略默认禁止运行本地脚本这是微软为防范恶意软件设下的第一道防火墙。所以当你看到“无法将‘openclaw’项识别为cmdlet”的报错根源往往不是OpenClaw没装好而是PowerShell根本不允许它执行。解决方案不是粗暴地关闭安全策略Set-ExecutionPolicy RemoteSigned -Scope CurrentUser而是采用更优雅的“Ollama官方安装器”方式——它会自动将Ollama的安装目录通常是C:\Users\用户名\AppData\Local\Programs\Ollama添加到系统环境变量PATH中并注册为Windows服务确保ollama命令在任何终端CMD、PowerShell、甚至VS Code的集成终端中都能被全局识别。这种差异提醒我们部署不是复制粘贴而是理解每个平台的“游戏规则”然后用它认可的方式去赢。3. 核心细节解析与实操要点3.1 环境准备硬件、系统与网络的“三重门”部署成功与否70%取决于环境准备是否扎实。这不是一句空话而是我踩过无数坑后总结的血泪教训。硬件门槛不是“能跑就行”而是“跑得稳才够”OpenClaw对硬件的要求核心在于“上下文窗口”和“模型推理”两个维度。官方推荐的64K tokens上下文对内存RAM是硬性指标。以qwen3.5本地版为例它在Apple M2 Max32GB统一内存上运行流畅但在一台16GB RAM的Windows笔记本上开启Web搜索后极易触发系统级内存交换导致响应延迟飙升至10秒以上。我的建议是最低16GB RAM起步32GB为佳显卡方面NVIDIA RTX 306012GB显存是本地运行gemma4的甜点级选择低于此规格务必选择更小的模型如phi-3:mini。这里有个关键细节Ollama会智能检测你的GPU。如果你的Windows电脑同时有核显Intel UHD和独显NVIDIAOllama默认会使用性能更强的NVIDIA GPU。但有时驱动未正确识别它会退化到CPU模式此时ollama list显示的模型大小会异常小比如qwen3.5只显示几百MB这就是信号——你需要更新NVIDIA驱动并在Ollama设置中手动指定GPU。系统版本避开“已知的深坑”macOS方面2014款MacBook Pro升级到Monterey 12是可行的但必须注意Ollama官方仅支持macOS 12.0及以上版本且对ARM64Apple Silicon和x86_64Intel架构提供不同的二进制包。如果你的Mac是Intel芯片却误下了ARM64包安装后ollama --version会直接报错“Bad CPU type in executable”。Windows方面Ollama官方明确要求Windows 10 21H2或更高版本。一个常被忽视的点是Windows Subsystem for Linux (WSL) 不能替代原生Ollama。虽然WSL2能运行Linux版Ollama但它无法直接调用Windows主机的GPU导致所有模型都只能在CPU上缓慢推理彻底失去本地部署的意义。网络配置“国内镜像源”不是锦上添花而是雪中送炭这是所有中文用户最痛的点。“ollama download too slow”绝非虚言。Ollama的默认模型仓库位于境外对于国内用户直连下载速度常低于50KB/s一个4GB的模型可能需要数小时。解决方案是配置国内镜像源。但请注意这不是简单地改一个URL。Ollama的镜像源配置需要修改其内部的settings.json文件。在Windows上该文件位于%USERPROFILE%\AppData\Local\Ollama\settings.json在macOS上则在~/Library/Application Support/Ollama/settings.json。你需要手动添加一行OLLAMA_HOST: http://127.0.0.1:11434但这只是第一步。真正的镜像服务需要你额外部署一个反向代理如Nginx或使用社区提供的镜像服务如清华TUNA。我实测下来使用清华镜像源后qwen3.5的下载速度稳定在8MB/s整个过程不到10分钟。 提示配置镜像源后务必重启Ollama服务Windowsnet stop ollama net start ollamamacOSbrew services restart ollama否则配置不会生效。3.2 安全与权限那个被跳过的“安全提示”有多重要第一次运行ollama launch openclaw时Ollama会弹出一个看似冗长的安全提示框内容大致是“OpenClaw将获得访问你的消息应用、文件系统和网络的权限。这可能带来安全风险……”。绝大多数人会本能地点击“Continue”。但这个步骤恰恰是整个部署中最关键的一环。这个提示框的背后是Ollama在为你创建一个名为openclaw-gateway的系统服务Windows或launchd守护进程macOS。这个服务拥有比普通用户更高的权限能够监听本地端口默认11434、与系统消息框架如macOS的Messages.app API或Windows的WhatsApp Desktop IPC进行深度集成。如果你跳过了这个步骤或者在PowerShell中以-ExecutionPolicy Bypass方式强行绕过那么后续openclaw configure --section channels命令将永远无法成功连接任何消息应用因为权限不足。我曾在一个客户的macOS上遇到此问题反复检查代码无果最后发现是当初安装时误点了“Cancel”。解决方案是彻底卸载Ollama删除其所有残留配置文件Windows%LOCALAPPDATA%\Programs\Ollama和%APPDATA%\OllamamacOS~/Library/Application Support/Ollama和~/Library/Caches/Ollama然后重新安装并务必认真阅读并接受安全提示。这一步宁可多花两分钟也绝不能图快跳过。3.3 模型选择别被“参数量”迷惑场景才是王道新手最容易犯的错误就是一头扎进“谁的参数量最大”、“谁的benchmark分数最高”的迷思里。OpenClaw的模型选择本质是一场“场景适配”的精准手术。云模型 vs 本地模型一场关于“可控性”与“即时性”的权衡kimi-k2.5:cloud和qwen3.5:cloud是云模型它们的优势在于无需本地显存推理能力强大且能实时联网获取最新信息。但代价是你的所有对话数据都会上传至云端服务器隐私性为零同时每一次请求都有网络延迟对于需要毫秒级响应的编码辅助体验会打折扣。而gemma4和qwen3.5本地版则相反。它们完全运行在你的设备上数据永不离开你的硬盘但对硬件要求苛刻。我的经验是日常聊天、信息检索、创意写作优先用云模型涉及公司代码、个人笔记、敏感文档分析则必须用本地模型。Ollama的精妙之处在于它允许你在同一个OpenClaw实例中无缝切换。你可以用ollama launch openclaw --model kimi-k2.5:cloud启动一个用于日常沟通的实例再用ollama launch openclaw --model gemma4 --port 11435启动另一个监听不同端口的实例互不干扰。“小而美”模型的隐藏价值phi-3:mini与tinyllama当你的硬件捉襟见肘时不要绝望。phi-3:mini3.8B参数是一个奇迹。它在一台16GB RAM、无独立显卡的MacBook Air上依然能以20token/s的速度流畅运行且在代码补全、逻辑推理上的表现远超预期。它的秘诀在于微软的极致量化技术——模型文件仅2.2GB却保留了95%的核心能力。另一个宝藏是tinyllama它只有1.1B参数启动时间不到3秒非常适合做“快速问答”或“命令行助手”。我把它配置为OpenClaw的默认fallback模型当主模型如qwen3.5因资源不足而崩溃时OpenClaw会自动降级到tinyllama保证服务不中断。 注意phi-3:mini在Windows上需要Ollama v0.3.0版本才能完美支持旧版本会报“unsupported model format”错误。升级前请先备份你的~/.ollama/models目录。4. 实操过程与核心环节实现4.1 Windows全流程部署从零开始的每一步详解以下步骤基于Windows 11 22H2系统全程使用PowerShell以管理员身份运行确保所有操作在真实环境中复现。第一步解除PowerShell执行策略仅首次打开PowerShell右键开始菜单 - “Windows Terminal (Admin)”输入Set-ExecutionPolicy RemoteSigned -Scope CurrentUser系统会询问确认输入Y。这一步是为Ollama的安装脚本铺平道路它只影响当前用户不会降低系统整体安全性。第二步下载并安装Ollama官方安装器访问Ollama官网ollama.com/download下载Windows版.exe安装包截至2024年最新版为Ollama-0.3.1-Setup.exe。双击运行全程点击“Next”。安装完成后不要立刻关闭安装向导勾选“Run Ollama”选项让安装器自动启动服务。此时任务栏右下角会出现一个Ollama图标。第三步验证Ollama基础功能打开一个新的PowerShell窗口无需管理员权限输入ollama --version如果返回类似ollama version 0.3.1说明安装成功。接着测试模型拉取ollama run phi-3:mini这会自动下载并启动一个极小的模型。输入Why is the sky blue?如果得到合理回答证明Ollama运行时一切正常。第四步配置国内镜像源提速关键在PowerShell中执行以下命令创建并编辑配置文件# 创建配置目录如果不存在 mkdir $env:USERPROFILE\AppData\Local\Ollama # 使用记事本打开配置文件 notepad $env:USERPROFILE\AppData\Local\Ollama\settings.json在记事本中输入以下JSON内容请务必使用英文半角符号{ OLLAMA_HOST: http://127.0.0.1:11434, OLLAMA_ORIGINS: [http://localhost:3000, http://127.0.0.1:3000] }保存并关闭。然后在PowerShell中重启Ollama服务net stop ollama net start ollama第五步启动OpenClaw并完成初始配置现在执行核心命令ollama launch openclaw这是最关键的一步。Ollama会自动检测OpenClaw是否已安装若未安装则从npm仓库下载并构建弹出安全提示框务必仔细阅读后点击“Continue”启动一个后台网关服务openclaw-gateway最终在终端中打开一个基于blessed库的TUI文本用户界面。首次进入TUI后按Tab键切换到“Configure”选项回车。系统会引导你选择一个模型推荐先选phi-3:mini测试配置Web搜索此时会要求你执行ollama signin用GitHub账号登录这是启用Ollama Web Search的必要条件设置消息通道稍后详述。整个过程Ollama会实时显示进度条和日志。如果某一步卡住超过2分钟请检查网络连接和镜像源配置。4.2 macOS全流程部署Homebrew与原生二进制的双轨策略macOS用户拥有两种主流安装方式我强烈推荐Homebrew方式因为它能完美解决权限和更新问题。第一步安装Homebrew如果尚未安装打开Terminal粘贴并执行官方安装脚本/bin/bash -c $(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)安装完成后执行brew doctor确保环境健康。然后将Homebrew的bin目录加入你的shell配置文件~/.zshrcecho export PATH/opt/homebrew/bin:$PATH ~/.zshrc source ~/.zshrc第二步用Homebrew安装Ollamabrew install ollamaHomebrew会自动处理所有依赖包括libusb、openssl等并将ollama命令软链接到/opt/homebrew/bin/ollama使其全局可用。验证ollama --version第三步处理Apple Silicon的“Rosetta”陷阱如果你的Mac是M1/M2/M3芯片绝对不要从Ollama官网下载x86_64Intel版本的.pkg安装包。它会在Rosetta 2转译下运行性能损失高达40%且可能无法调用GPU。Homebrew安装的版本是原生ARM64编译的能100%发挥Apple Silicon的神经引擎Neural Engine加速能力。你可以通过以下命令确认file $(which ollama) # 输出应为/opt/homebrew/bin/ollama: Mach-O 64-bit executable arm64第四步启动OpenClaw并配置消息通道与Windows相同执行ollama launch openclaw首次启动时macOS会弹出“系统偏好设置”窗口要求你授权Ollama访问“辅助功能”和“全盘访问”。这是OpenClaw能控制其他应用如Messages的必要条件必须勾选并点击“OK”。授权后TUI会正常启动。配置消息通道是macOS的特色功能。在TUI中按Tab进入“Configure”选择“Channels”。OpenClaw会列出所有支持的应用。对于iMessage它会自动检测你的Apple ID并请求授权对于Slack它会生成一个OAuth链接你需要在浏览器中登录并授权。整个过程Ollama会为你生成一个唯一的webhook URL并将其安全地存储在~/Library/Application Support/Ollama/openclaw/channels/目录下。 实操心得如果你在配置iMessage时遇到“无法连接到iMessage服务器”请检查你的Mac是否已登录iCloud并且“信息”App的“iMessage”开关已开启。这是macOS系统级的依赖与Ollama无关。4.3 消息应用集成让AI从“命令行”走向“生活流”OpenClaw的终极魅力在于它能把AI能力注入你每天都在用的聊天工具里。这一步是让部署从“技术Demo”蜕变为“生产力工具”的临界点。WhatsApp集成绕过官方API的“桌面协议”WhatsApp官方并未开放第三方APIOpenClaw采用了一种巧妙的“桌面协议”方案。它会启动一个本地的WhatsApp Desktop客户端需提前从官网下载安装然后通过自动化脚本模拟用户操作。在openclaw configure --section channels中选择WhatsApp后OpenClaw会检测你是否已安装WhatsApp Desktop如果已安装它会自动启动该应用并在后台监听其WebSocket通信当你收到一条新消息时OpenClaw会截获该消息将其发送给选定的AI模型进行推理再将回复通过相同的通道发送回去。这个过程完全在本地完成你的聊天记录永远不会离开你的电脑。但有一个前提WhatsApp Desktop必须保持登录状态且不能最小化到系统托盘需保留在前台或任务栏可见。否则自动化脚本会因找不到窗口句柄而失败。Telegram集成利用Bot API的“双向隧道”Telegram的集成更为优雅因为它官方支持Bot API。在配置过程中OpenClaw会引导你访问https://t.me/BotFather创建一个新的BotBotFather会给你一个API Token形如1234567890:ABCdefGhIjKlmNoPqrStUvWxyZ将这个Token粘贴到OpenClaw的配置界面中。OpenClaw会立即用这个Token向Telegram服务器注册一个Webhook。此后所有发送给你的Bot的消息都会被Telegram服务器推送到OpenClaw的本地网关http://localhost:11434/webhook/telegramAI处理完毕后再通过同样的API将回复发回。这种方式延迟更低稳定性更好且无需保持Telegram Desktop常驻。Slack集成企业级工作流的“无缝嵌入”对于SlackOpenClaw走的是标准的OAuth 2.0流程。它会生成一个授权URL你点击后会跳转到Slack的授权页面选择你的工作区和频道授予chat:write、channels:read等必要权限。授权成功后OpenClaw会获得一个长期有效的access_token并将其存储在加密的本地数据库中。此后你只需在Slack中你的OpenClaw Bot它就能在任意频道中响应。 关键技巧在Slack中你可以为OpenClaw Bot设置一个专属的“专用频道”并开启“仅限邀请成员可见”。这样你的所有AI交互都发生在一个私密空间里既保护了隐私又避免了在公开频道中刷屏。5. 常见问题与排查技巧实录5.1 终端报错大全从“无法识别”到“内存溢出”的实战诊断在部署过程中终端里层出不穷的报错是每个新手的必经之路。下面是我整理的高频报错及其根治方案全部来自真实生产环境。报错信息根本原因诊断方法彻底解决方案openclaw : 无法将“openclaw”项识别为 cmdlet...PowerShell未将Ollama路径加入PATH或安装未完成在PowerShell中执行$env:PATH查看输出中是否包含C:\Users\用户名\AppData\Local\Programs\Ollama重装Ollama卸载后手动删除C:\Users\用户名\AppData\Local\Programs\Ollama和C:\Users\用户名\AppData\Roaming\Ollama再用官方安装器重装。安装时务必勾选“Add to PATH”。Error: failed to pull model: 404 not found模型名称拼写错误或Ollama版本过低不支持该模型执行ollama list查看已安装模型执行ollama search 关键词确认模型是否存在检查模型名大小写qwen3.5≠Qwen3.5升级Ollamaollama upgrade或改用更通用的模型如llama3:8b。Failed to allocate memory for context本地模型所需显存/内存超出硬件极限查看Ollama日志WindowsGet-Content $env:LOCALAPPDATA\Ollama\logs\server.log -Tail 50macOStail -50 ~/Library/Logs/Ollama/server.log搜索OOM或out of memory降级模型改用phi-3:mini或tinyllama调整参数在Modelfile中添加PARAMETER num_ctx 4096强制减小上下文窗口释放资源关闭所有占用GPU的程序如Chrome、VS Code。Error: web_search provider requires ollama signin未执行ollama signin或登录状态已过期执行ollama list查看STATUS列是否为running执行ollama show model-name查看web_search是否为enabled在终端中执行ollama signin用GitHub账号登录登录后重启OpenClawollama launch openclaw --yes。Gateway failed to start: port 11434 is already in use端口被其他程序如另一个Ollama实例、Docker占用在PowerShell中执行netstat -anofindstr :11434Windows或lsof -i :11434macOS查看PID5.2 性能调优让老旧设备也能跑出流畅体验不是每个人都有一台顶配工作站。如何让一台2018年的MacBook Pro或一台集成显卡的Windows台式机也能享受OpenClaw的便利这里有几招立竿见影的调优技巧。技巧一启用“量化”与“GPU卸载”的黄金组合Ollama默认会对模型进行量化Quantization但你可以手动指定更激进的量化级别来换取速度。例如qwen3.5的原始GGUF文件有6.2GB但qwen3.5:q4_k_m版本只有3.8GB推理速度提升约35%。在拉取模型时明确指定量化版本ollama run qwen3.5:q4_k_m更重要的是“GPU卸载”。Ollama会自动检测GPU但有时需要手动干预。在Modelfile中你可以添加FROM qwen3.5:q4_k_m PARAMETER num_gpu 1这行PARAMETER num_gpu 1告诉Ollama将1层Transformer Block卸载到GPU上计算其余仍在CPU。对于RTX 3050这样的入门卡num_gpu 1是最佳平衡点对于RTX 4090可以尝试num_gpu 20。实测表明num_gpu 1能让qwen3.5在CPU模式下2.1 token/s的速度提升至5.7 token/s。技巧二TUI界面的“静音模式”与“专注模式”OpenClaw的TUI界面虽然酷炫但也是资源消耗大户。如果你主要通过消息应用与它交互完全可以关闭TUI让它在后台安静运行。启动时加上--no-tui参数ollama launch openclaw --no-tui --model phi-3:mini此时OpenClaw会以纯服务模式运行所有日志输出到server.log内存占用降低40%。你依然可以通过openclaw status命令查看其运行状态。技巧三为“消息通道”设置独立的资源配额OpenClaw的网关服务openclaw-gateway默认会抢占大量CPU资源。你可以通过系统级工具对其进行限制。在Windows上使用Task Manager- “详细信息”选项卡找到openclaw-gateway.exe进程右键 - “设置相关性”取消勾选一半的CPU核心。在macOS上使用Activity Monitor选中openclaw-gateway点击顶部的“齿轮”图标 - “限制CPU使用率”将其限制在50%。这能有效防止OpenClaw在后台“吃光”你的CPU导致其他应用卡顿。5.3 进阶扩展从“单机助理”到“家庭/团队AI中枢”当OpenClaw在你的个人电脑上稳定运行后下一步自然是如何让它服务更多人。这不再是简单的“复制安装”而是一次架构升级。方案一Docker化部署实现跨平台一致性将OpenClaw封装进Docker容器是解决“在我电脑上能跑到客户电脑上就崩”问题的终极方案。我为你准备了一个精简的docker-compose.ymlversion: 3.8 services: ollama: image: ollama/ollama:latest ports: - 11434:11434 volumes: - ./ollama_models:/root/.ollama/models restart: unless-stopped openclaw: image: ghcr.io/ollama/openclaw:latest depends_on: - ollama environment: - OLLAMA_HOSThttp://ollama:11434 ports: - 3000:3000 volumes: - ./openclaw_config:/app/config restart: unless-stopped将此文件保存为docker-compose.yml在同一目录下执行docker-compose up -d一个完整的OpenClaw服务集群就启动了。所有模型文件都持久化在./ollama_models目录配置文件在./openclaw_config彻底告别了环境差异。方案二构建“AI中继网关”实现多设备协同设想这样一个场景你的MacBook是主力开发机但你希望在iPhone上也能通过iMessage与OpenClaw对话。这需要一个公网可访问的中继网关。你可以用一台树莓派或任何有公网IP的VPS部署一个轻量级的反向代理如Caddy将https://ai.yourdomain.com的请求转发到你家中的MacBook内网IP如192.168.1.100:11434。OpenClaw本身不提供Web UI但你可以用openclaw gateway status命令获取其当前监听的端口和状态然后通过Caddy的reverse_proxy指令完成转发。整个过程你的MacBook始终处于内网安全性由Caddy的HTTPS证书和基本认证保障。 最后分享一个小技巧我在自己的部署中为OpenClaw配置了一个“技能快捷键”。在~/.ollama/modelfiles/目录下创建一个openclaw-skill文件内容为FROM phi-3:mini SYSTEM You are a coding assistant. When I say SKILL:REFACTOR, you will refactor the following code to be more Pythonic. When I say SKILL:DEBUG, you will debug the following error log.然后执行ollama create openclaw-skill -f openclaw-skill。以后我只需在消息中发送SKILL:REFACTOR后面跟上代码OpenClaw就会自动进入“重构模式”无需每次都描述需求。这个小技巧让AI从“被动应答”变成了“主动服务”这才是本地部署真正的价值所在。