1. 项目概述为什么我们需要一个自己的智能办公助手最近在折腾各种AI工具的朋友估计都听过OpenClaw这个名字。它不像ChatGPT那样直接给你一个聊天框而是更像一个藏在后台的“智能管家”。你可以把它想象成一个超级能干的私人助理只不过这个助理能同时帮你处理微信、飞书、钉钉等好几个IM即时通讯软件上的消息。比如你在开会飞书群里有人问项目进度它可以根据你之前设定的规则自动从你的文档库里找到最新的周报发过去或者你在微信上收到一个产品需求文档它能自动总结要点并到相关的项目群里。这就是OpenClaw的核心魅力多IM协同的智能体Agent。它不是一个简单的聊天机器人而是一个可以连接你的各种工作软件并基于大模型LLM能力自动化处理重复性任务的“智能中枢”。市面上很多AI助手要么只能对接一个平台要么就是云端服务数据安全和定制化程度都让人心里没底。自己部署一个OpenClaw意味着数据完全留在本地你可以根据自己的工作流深度定制它的技能Skill让它真正成为你的生产力倍增器。我花了几天时间在本地环境Ubuntu Docker和Windows上都成功部署并接入了飞书过程中踩了不少坑也总结了一套相对平滑的流程。这篇文章我就来手把手带你走一遍从零开始打造一个专属于你的、7x24小时在线的智能办公助手。无论你是想解放双手处理琐碎消息还是想探索AI智能体的更多可能性这篇指南都能给你一个扎实的起点。2. 部署前的核心准备理解架构与选型在动手敲命令之前我们必须先搞清楚OpenClaw到底是个什么东西以及我们有哪些部署选项。盲目开干很容易在中间环节卡住不知道问题出在哪里。2.1 OpenClaw 的核心组件解析OpenClaw的架构可以简单理解为“大脑”“手脚”“连接器”。大脑LLM后端这是OpenClaw的智能核心负责理解你的指令、处理信息、做出决策。OpenClaw本身不包含大模型它需要连接一个外部的LLM服务。最常见的选择是Ollama这是目前最推荐、也是与OpenClaw集成最丝滑的本地大模型运行方案。它就像一个本地化的模型管理工具可以一键拉取和运行各种开源模型如 Llama 3、Qwen、DeepSeek 等。部署OpenClaw时通常需要同时部署Ollama。OpenAI API如果你有GPT-4的API密钥也可以直接使用响应速度快能力强大但需要付费且数据经过云端。其他兼容OpenAI API格式的服务如本地部署的text-generation-webui(Oobabooga) 或LM Studio。手脚Skill技能这是OpenClaw的能力单元。一个Skill就是一个具体的功能比如“总结网页内容”、“查询天气”、“发送邮件”。OpenClaw自带一些基础Skill更强大的是你可以自己编写或安装社区Skill让它学会操作你的软件如控制音乐播放器、操作Excel等。连接器Connector/Platform这是OpenClaw与外界沟通的桥梁也就是对接各种IM平台的部分。OpenClaw支持飞书、钉钉、Discord、Slack等每种平台都需要相应的配置来建立连接。主程序OpenClaw Server这是将以上所有部分粘合起来的核心服务。它接收来自连接器的消息调用合适的Skill并将请求发送给“大脑”LLM得到回复最后再通过连接器发送回去。2.2 部署方式选型Docker vs 本地安装这是第一个关键决策点直接影响后续的复杂度和可维护性。Docker部署强烈推荐优点环境隔离一键启动几乎不会和系统原有环境冲突。更新、迁移、备份都非常方便。这也是官方和社区最主流的部署方式。缺点需要先安装Docker和Docker Compose对完全没接触过容器技术的新手有一点点门槛。适用场景绝大多数Linux服务器如Ubuntu、Mac以及Windows通过WSL2环境。追求稳定、易维护的首选。本地Python环境安装优点更贴近底层方便调试和深度定制代码。缺点需要手动解决Python版本、各种依赖包尤其是某些需要编译的包的冲突问题极易出现“在我的机器上能跑”的玄学问题。适用场景开发者需要修改OpenClaw源码或运行环境受限无法安装Docker。对于绝大多数想快速用起来的用户我强烈建议选择Docker部署。下面的教程也将以Docker方案为主线它会帮你避开90%的环境坑。2.3 硬件与网络要求CPU现代多核处理器即可。如果使用本地大模型OllamaCPU也能跑但速度较慢。内存这是重点。如果计划在本地运行大模型至少需要16GB内存。运行一个7B参数的量化模型大概需要4-8GB内存。如果只使用云端API如GPT-4则8GB内存也足够。存储至少10GB可用空间用于存放Docker镜像、模型文件等。网络需要能正常访问Docker Hub拉取镜像和GitHub拉取代码。如果使用海外LLM API则需要相应的网络条件。操作系统Linux (Ubuntu 20.04 / CentOS 7) macOS 或 Windows 10/11 (需安装WSL2)。我的选择与理由我采用了一台Ubuntu 22.04的云服务器4核8G内存进行部署LLM使用Ollama运行Qwen2.5:7b模型。选择云服务器的原因是希望它能24小时在线且不受本地电脑开关机影响。选择Qwen模型是因为它在中文理解和逻辑推理上表现不错且对硬件要求相对友好。如果你的机器性能更强可以尝试Llama 3.1:8b或更大的模型。3. 实战部署基于Docker-Compose的一站式搭建这里我们采用最清晰、最易管理的方式使用docker-compose.yml文件来定义和启动所有服务OpenClaw Ollama。请确保你的系统已经安装了Docker和Docker Compose。3.1 第一步准备部署目录与配置文件在你的服务器或本地电脑上创建一个专门的工作目录比如openclaw_deploy。mkdir openclaw_deploy cd openclaw_deploy接下来创建两个核心配置文件docker-compose.yml和 OpenClaw的环境变量文件.env。1. 创建docker-compose.yml文件这个文件定义了Ollama和OpenClaw两个服务。version: 3.8 services: ollama: image: ollama/ollama:latest container_name: ollama restart: unless-stopped volumes: - ./ollama/ollama:/root/.ollama # 将模型数据持久化到本地避免容器删除后模型丢失 ports: - 11434:11434 # 将Ollama的API端口映射到宿主机 networks: - openclaw-net openclaw: image: ghcr.io/openclawai/openclaw:latest container_name: openclaw restart: unless-stopped depends_on: - ollama volumes: - ./openclaw/data:/app/data # 持久化OpenClaw的数据技能、配置等 environment: - OPENCLAW_OLLAMA_BASE_URLhttp://ollama:11434 # 关键告诉OpenClaw Ollama服务的内网地址 - OPENCLAW_DEFAULT_MODELqwen2.5:7b # 设置默认使用的模型需与Ollama中拉取的模型名一致 - OPENCLAW_LOG_LEVELINFO ports: - 3000:3000 # 将OpenClaw的Web管理界面端口映射出来 networks: - openclaw-net networks: openclaw-net: driver: bridge关键参数解读OPENCLAW_OLLAMA_BASE_URLhttp://ollama:11434这是容器间通信的地址。ollama是上面定义的service名称Docker Compose会将其解析为容器内网IP。千万不要写成http://localhost:11434因为从OpenClaw容器内部看localhost是它自己而不是Ollama容器。OPENCLAW_DEFAULT_MODEL这个模型名称必须和你在Ollama中拉取pull的模型名称完全一致。2. 创建.env文件可选但建议对于更复杂的配置你可以创建一个.env文件来管理环境变量这样docker-compose.yml会更简洁。但上述简单配置可以直接写在yml里。3.2 第二步启动服务并拉取大模型现在可以启动整个栈了。# 在 openclaw_deploy 目录下执行 docker-compose up -d-d参数表示后台运行。执行后Docker会拉取两个镜像并启动容器。使用docker-compose logs -f可以查看实时日志确认没有报错。接下来我们需要为Ollama拉取一个大模型。等Ollama容器完全启动后约30秒执行# 进入Ollama容器内部执行命令 docker exec -it ollama ollama pull qwen2.5:7b这个命令会从Ollama官方库下载Qwen2.5:7b模型。下载速度取决于你的网络模型大小约4-5GB。你也可以选择其他模型如llama3.1:8b、deepseek-coder:6.7b等只需将上述命令中的模型名替换掉并记得同步修改docker-compose.yml中的OPENCLAW_DEFAULT_MODEL环境变量。踩坑记录模型拉取失败或超时由于网络原因直接从官方拉取模型可能会非常慢或失败。有两个解决方案使用镜像源国内用户可以在宿主机而不是容器内配置Ollama的镜像源。编辑~/.bashrc或~/.zshrc添加export OLLAMA_HOST0.0.0.0这步其实是为了后续以及export OLLAMA_MODELS/path/to/your/models作用不大。更有效的是在拉取时使用镜像站但需要修改Ollama的容器启动配置比较复杂。手动导入模型文件推荐先去能高速下载的地方比如某些国内镜像站或社区下载模型的Modelfile和blob文件然后通过ollama create命令本地创建。具体操作是将下载的文件放到./ollama/ollama目录下对应的位置然后执行docker exec -it ollama ollama create mymodel -f /root/.ollama/.../Modelfile。这是我最终成功的方法虽然步骤多但一劳永逸。3.3 第三步验证基础服务检查Ollama访问http://你的服务器IP:11434如果看到Ollama的API欢迎页面或返回一个JSON说明Ollama正常。检查OpenClaw访问http://你的服务器IP:3000应该能看到OpenClaw的Web管理界面。第一次访问可能会让你进行初始化设置。在OpenClaw中测试LLM连接在OpenClaw的Web界面通常位于Settings-LLM Settings或类似位置你应该能看到Ollama作为一个Provider并且Base URL已经自动填好了http://ollama:11434。尝试发送一条测试消息如果OpenClaw能调用模型并返回回答说明核心链路打通了。至此你的“大脑”Ollama模型和“中枢神经”OpenClaw Server已经就绪。接下来就是给它安装“手脚”Skill和连接“感官”IM平台。4. 功能配置安装Skill与连接飞书一个只有基础对话能力的OpenClaw是远远不够的。我们需要赋予它真正的“技能”并让它能融入到我们的日常工作中。4.1 为OpenClaw安装实用SkillOpenClaw的Skill可以通过Web界面或命令行安装。Web界面更直观。在管理界面中找到Skills或技能商店的选项。这里我推荐几个必装的基础Skill它们能极大提升实用性Web Search让OpenClaw能够联网搜索最新信息。安装后需要在配置里填写Serper或SearXNG等搜索服务的API密钥。Knowledge Base RAG知识库检索。你可以上传公司文档、产品手册、个人笔记OpenClaw能基于这些资料回答问题。这是打造专属助手的关键。Code Interpreter代码解释器。可以让它运行Python代码来处理数据、生成图表等功能非常强大。Gmail / Email邮件处理技能可以帮你总结邮件、自动回复等。安装Skill通常只需点击“Install”。但部分Skill需要额外的配置比如API密钥、访问令牌等请务必根据页面提示完成。安装后你可以在对话中通过自然语言触发这些技能例如“搜索一下今天AI领域有什么新闻”或“在我的知识库里找一下关于Q2营收的报告”。4.2 接入飞书让助手融入工作流以飞书为例详细讲解如何配置Connector。其他平台如钉钉、微信通过第三方插件流程类似核心都是获取平台的API凭证。飞书配置步骤创建飞书开放平台应用登录 飞书开放平台 进入“开发者后台”。点击“创建企业自建应用”填写应用名称、描述等。在应用详情页找到“凭证与基础信息”记录下App ID和App Secret。这是OpenClaw与飞书通信的身份证。配置应用权限与事件订阅权限配置在“权限管理”中为你的应用添加以下权限contact:user:read(获取用户信息)im:message(发送与接收消息)im:message.group:readonly(读取群消息)im:message.p2p:readonly(读取单聊消息) 等。根据你的需要添加。事件订阅这是最关键的一步。在“事件订阅”页面你需要设置一个“请求地址 URL”。这个地址就是你的OpenClaw服务对外的回调地址格式为http://你的公网IP或域名:3000/feishu/callback。确保3000端口在防火墙/安全组中已开放。在事件订阅里至少需要订阅接收消息这个事件。飞书会向你的回调地址发送验证请求OpenClaw需要正确处理它才能通过验证。在OpenClaw中配置飞书连接器打开OpenClaw Web管理界面 (http://IP:3000)。找到Connectors或平台连接部分选择添加飞书。填写从飞书开放平台获取的App ID和App Secret。填写Encryption Key和Verification Token。这两个值同样在飞书开放平台应用详情的“事件订阅”页面可以找到。保存配置。OpenClaw通常会提示你一个重定向URL你需要将这个URL填回飞书开放平台应用详情的“安全设置”-“重定向URL”中。发布应用与添加助手在飞书开放平台将应用版本创建并发布。发布后在飞书客户端中打开“工作台”点击“管理应用”找到你创建的应用并添加。现在你可以在飞书的单聊或群聊中你的应用即你的OpenClaw助手并发送消息了。OpenClaw收到消息后会经过LLM处理并调用相关Skill最后将回复发回飞书。核心避坑点网络与回调验证最大的坑在于“事件订阅”的URL验证。飞书会向你的http://IP:3000/feishu/callback发送一个带有特定参数的GET请求。如果你的OpenClaw服务部署在家庭宽带无公网IP或某些NAT后飞书将无法访问到这个地址验证永远失败。解决方案使用云服务器拥有公网IP。使用内网穿透工具如ngrok或frp将本地的3000端口暴露到一个公网域名然后用这个域名地址作为回调URL。这是本地开发测试的常用方法。确保OpenClaw的docker-compose.yml中正确映射了3000:3000端口。5. 高级调优与日常运维部署成功并接入飞书只是第一步。要让这个助手稳定、聪明地工作还需要一些调优和了解如何维护。5.1 模型性能与提示词优化默认的模型和提示词可能不符合你的需求。你可以在OpenClaw的LLM设置里进行优化。更换模型如果你觉得qwen2.5:7b反应慢或智商不够可以在Ollama中拉取更大或更专精的模型然后在OpenClaw设置中切换default_model。例如llama3.1:8b在逻辑推理上可能更强deepseek-coder:6.7b则擅长编程。调整参数在OpenClaw的LLM配置高级选项中可以调整temperature创造性值越高回答越随机、max_tokens生成的最大长度等影响回答风格。系统提示词System Prompt这是控制AI助手“人设”和“行为准则”的关键。你可以在设置中修改它例如“你是一个高效、严谨的办公助手回答要简洁专业优先使用中文。如果用户的问题需要搜索或查询知识库请先告知用户你将进行查询。” 一个好的系统提示词能显著提升助手的有用性。5.2 记忆与会话管理你提到的“第二天就不知道昨天会话的内容了”是一个常见问题。OpenClaw默认的会话记忆是短暂的保存在内存中重启服务就会丢失。解决方案是启用持久化记忆Memory后端使用数据库OpenClaw支持将记忆存储到PostgreSQL或SQLite中。你需要修改docker-compose.yml添加一个PostgreSQL服务并配置OpenClaw连接它。这样每次对话的上下文都能被保存和读取。使用向量数据库用于知识库对于Knowledge Base技能它默认使用本地的Chroma向量数据库。如果你上传了大量文档可以考虑配置外部的向量库如Qdrant或Weaviate以提高检索性能和稳定性。配置持久化记忆后OpenClaw就能在多次对话中记住上下文实现更连贯的交流。5.3 监控、日志与更新查看日志日常运维最重要的就是看日志。使用docker-compose logs -f openclaw可以实时查看OpenClaw容器的日志遇到问题首先从这里排查。更新OpenClaw和Ollama都在快速迭代。更新非常简单cd /path/to/openclaw_deploy docker-compose pull # 拉取最新镜像 docker-compose up -d # 重新启动服务数据卷会保留备份你最重要的资产是./openclaw/data和./ollama/ollama这两个被映射到本地的目录。定期备份这两个目录就能备份所有技能配置、知识库文件和下载的模型。6. 从“能用”到“好用”打造个性化智能工作流当基础功能跑通后你就可以开始深度定制让OpenClaw真正成为你的左膀右臂。6.1 创建自定义Skill这是OpenClaw最强大的地方。假设你每天都要从某个内部系统拉取报表手动整理后发到群里。你可以编写一个Skill来自动化这个流程。一个最简单的自定义Skill结构如下Python# 假设文件名为 fetch_report.py放在OpenClaw能加载的skill目录下 from openclaw.skills import BaseSkill, register_skill register_skill(namefetch_daily_report, description获取并发送每日业务报表) class FetchDailyReportSkill(BaseSkill): async def execute(self, input_text: str, **kwargs): # 1. 这里是你的业务逻辑比如调用内部API report_data await self.call_internal_api() # 2. 处理数据 summary self.analyze_data(report_data) # 3. 返回结果OpenClaw会将其发送给用户 return f这是今日报表摘要{summary}。详细数据已生成附件。 async def call_internal_api(self): # 模拟API调用 return {sales: 1000, users: 50}编写完成后将技能文件放到正确的目录并在OpenClaw管理界面刷新或重启服务新技能就会出现。你可以通过“获取每日报表”这样的自然语言来触发它。6.2 设计高效的触发与响应机制不要只把OpenClaw当作一个问答机器人。通过巧妙的配置它可以实现自动化流程。关键词触发在群聊中可以设置当消息包含“所有人 提交周报”时自动触发一个Skill该Skill会私聊提醒每个成员并收集整理他们的回复。定时任务Cron JobOpenClaw可以通过配置定时执行某个Skill。例如每天上午9点自动触发fetch_daily_report技能并将结果发送到指定的飞书群。多技能协作一个复杂任务可以拆解成多个Skill协作完成。例如用户问“分析一下上周的销售数据并预测下周趋势”可以设计一个工作流先触发fetch_sales_data技能获取数据然后将数据传递给data_analysis技能生成图表和摘要最后调用llm_summarize技能生成预测报告。6.3 安全与权限考量当你的助手能力越来越强能访问内部系统、发送消息时安全就至关重要。最小权限原则在飞书、钉钉等平台配置应用权限时只授予它完成功能所必需的最小权限。技能访问控制不是所有用户都能触发所有技能。你可以在OpenClaw中配置技能的白名单例如只有管理员才能触发“重启服务器”这样的高危技能。敏感信息过滤在Skill的逻辑中加入对输出内容的检查避免意外泄露敏感信息。也可以配置LLM的系统提示词要求它不生成涉及机密的内容。部署和配置OpenClaw的过程就像在组装和训练一个数字化的“实习生”。从最基础的对话开始逐步教会它使用各种工具Skill熟悉你的工作环境连接IM最后让它能够独立处理一套固定的流程。这个过程本身就是对AI智能体Agent工作方式的一次深刻理解。当你看到它自动在群里回复了一个复杂的问题或者准时把整理好的报告发到你邮箱时那种生产力解放的成就感远超单纯使用一个现成的AI聊天产品。