Clawdbot部署教程：Qwen3:32B与Clawdbot共用Docker网络及端口映射配置-平芜编程栈

Clawdbot部署教程：Qwen3:32B与Clawdbot共用Docker网络及端口映射配置

1. 为什么需要共用Docker网络和端口映射

Clawdbot作为AI代理网关与管理平台，本身不直接运行大模型，而是通过API调用后端模型服务。当你在本地部署了Qwen3:32B模型（通过Ollama），Clawdbot需要能稳定、低延迟地访问这个服务。如果两者运行在独立的Docker容器中，默认是隔离网络，Clawdbot容器根本无法通过http://127.0.0.1:11434访问到Ollama服务——因为对Clawdbot容器来说，“localhost”指的是它自己，而不是宿主机。

很多新手会卡在这一步：明明Ollama在宿主机上跑得好好的，curl http://localhost:11434/api/tags能返回模型列表，但Clawdbot配置里填了http://127.0.0.1:11434/v1却一直报错“Connection refused”。这不是Clawdbot的问题，也不是Ollama没启动，而是典型的容器网络通信误解。

解决这个问题的核心思路就两个：要么让Clawdbot容器能访问宿主机的Ollama服务（通过特殊网络模式），要么让Ollama也跑在Docker里，并和Clawdbot放在同一个自定义网络中——后者更规范、更可控，也更适合生产环境。本教程采用第二种方式，手把手带你完成从零开始的双容器协同部署。

2. 环境准备与基础依赖安装

2.1 确认系统要求

操作系统：Ubuntu 22.04 LTS 或 CentOS 8+（推荐 Ubuntu，文档适配最完善）
硬件：至少24GB GPU显存（Qwen3:32B最低要求），CPU 8核，内存32GB+
软件：Docker 24.0+、Docker Compose v2.20+、NVIDIA Container Toolkit（已配置GPU支持）

注意：如果你还没装好NVIDIA驱动和nvidia-docker，请先执行nvidia-smi确认驱动正常，再按官方指南配置runtime。本文默认你已具备GPU容器运行能力。

2.2 创建项目目录并初始化配置文件

我们不使用clawdbot onboard一键脚本，因为它默认走单机模式，无法精细控制网络。我们要手动构建可复用的部署结构：

mkdir -p ~/clawdbot-qwen3 && cd ~/clawdbot-qwen3

创建docker-compose.yml，这是整个协同部署的核心：

# docker-compose.yml version: '3.8' services: # Ollama服务：运行Qwen3:32B模型 ollama: image: ollama/ollama:latest container_name: ollama-qwen3 restart: unless-stopped ports: - "11434:11434" volumes: - ./ollama_models:/root/.ollama/models - ./ollama_logs:/var/log/ollama environment: - OLLAMA_HOST=0.0.0.0:11434 - OLLAMA_ORIGINS=http://clawdbot:3000,http://localhost:3000 networks: - clawdbot-net deploy: resources: reservations: devices: - driver: nvidia count: 1 capabilities: [gpu] # Clawdbot服务：AI代理网关与管理平台 clawdbot: image: ghcr.io/clawdbot/clawdbot:latest container_name: clawdbot-main restart: unless-stopped ports: - "3000:3000" volumes: - ./config:/app/config - ./data:/app/data environment: - NODE_ENV=production - CLAWDBOT_PORT=3000 - CLAWDBOT_HOST=0.0.0.0 - CLAWDBOT_TOKEN=csdn depends_on: - ollama networks: - clawdbot-net # 关键：让Clawdbot能调用ollama服务，必须在同一网络下 # 容器内可通过服务名"ollama"直接访问，无需IP networks: clawdbot-net: driver: bridge ipam: config: - subnet: 172.20.0.0/16

这个配置做了几件关键事：

定义了一个名为clawdbot-net的自定义桥接网络，两个容器都接入其中；
Ollama容器暴露端口11434，Clawdbot容器暴露端口3000；
Clawdbot通过depends_on声明依赖Ollama，确保启动顺序；
最重要的是：Clawdbot容器内部可以直接用http://ollama:11434/v1访问Ollama API——因为Docker内置DNS会把服务名ollama解析为该容器在clawdbot-net中的IP。

2.3 初始化Clawdbot配置文件

Clawdbot需要一个config.json来告诉它后端模型在哪。在项目根目录下创建config文件夹，并写入config/config.json：

{ "models": [ { "id": "qwen3:32b", "name": "Local Qwen3 32B", "baseUrl": "http://ollama:11434/v1", "apiKey": "ollama", "api": "openai-completions", "reasoning": false, "input": ["text"], "contextWindow": 32000, "maxTokens": 4096, "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 } } ], "defaultModel": "qwen3:32b", "token": "csdn" }

注意这里baseUrl不再是http://127.0.0.1:11434/v1，而是http://ollama:11434/v1——这是容器间通信的正确写法。

3. 部署与启动全流程

3.1 拉取镜像并首次加载Qwen3:32B模型

别急着docker-compose up。Ollama容器启动后，需要先手动加载模型，否则Clawdbot一上来就调用会失败。

# 启动Ollama容器（后台运行） docker-compose up -d ollama # 等待10秒让Ollama服务就绪 sleep 10 # 进入Ollama容器，拉取并运行Qwen3:32B docker exec -it ollama-qwen3 ollama run qwen3:32b # 第一次运行会下载约20GB模型文件，耗时较长，请耐心等待 # 下载完成后，你会看到类似这样的输出： # >>> Running qwen3:32b # >>> Loading model... # >>> Model loaded in 12.4s

小技巧：如果你网络慢，可以提前在宿主机用ollama pull qwen3:32b下载好，再启动容器。Ollama会自动复用已下载的模型文件。

3.2 启动Clawdbot并验证连通性

现在启动全部服务：

docker-compose up -d

查看状态：

docker-compose ps

你应该看到两个服务都是Up状态。接着验证Clawdbot是否能成功调用Ollama：

# 进入Clawdbot容器 docker exec -it clawdbot-main sh # 在容器内测试Ollama连通性（Ctrl+D退出） curl -X POST http://ollama:11434/api/chat \ -H "Content-Type: application/json" \ -d '{ "model": "qwen3:32b", "messages": [{"role": "user", "content": "你好，请用中文简单介绍你自己"}], "stream": false }'

如果返回了JSON格式的响应（包含message.content字段），说明网络打通成功
如果报Failed to connect，请检查：

docker-compose ps中ollama是否健康；
docker logs ollama-qwen3是否有启动错误；
docker network inspect clawdbot-net是否两个容器都在该网络中。

3.3 访问Web界面并完成Token配置

打开浏览器，访问：

http://localhost:3000/?token=csdn

注意：必须带?token=csdn，这是Clawdbot的管理令牌，和你在config.json中设置的一致。没有这个token，你会看到“unauthorized: gateway token missing”的错误提示。

首次进入后，你会看到Clawdbot的控制台界面。点击左上角Settings → Models，确认Local Qwen3 32B已显示为“Online”，状态灯为绿色。

现在你可以直接在聊天窗口输入问题，比如：“用Python写一个快速排序函数”，Clawdbot会将请求转发给Ollama容器中的Qwen3:32B模型，并把结果返回给你——整个链路完全走Docker内部网络，毫秒级延迟，稳定不掉线。

4. 关键配置详解与常见问题排查

4.1 端口映射的三种模式对比

模式	写法	适用场景	是否推荐
`11434:11434`	宿主机端口 ↔ 容器端口	需要从宿主机或外部调试Ollama	推荐（方便curl测试）
`11434`	仅容器端口，不映射到宿主机	纯内部调用，完全隔离	可行但不便于排障
`127.0.0.1:11434:11434`	仅绑定到本地回环	宿主机可访问，但其他机器不可见	生产推荐（更安全）

我们在docker-compose.yml中用了第一种，方便你随时用curl http://localhost:11434/api/tags查模型状态。上线后建议改为第三种。

4.2 为什么Clawdbot配置里不能写`localhost`

这是新手最高频的误区。再次强调：

在宿主机终端里，localhost=127.0.0.1= 本机；
在Clawdbot容器里，localhost= 它自己（一个空的、没跑服务的容器）；
在Clawdbot容器里，ollama= Ollama容器在clawdbot-net中的IP（如172.20.0.2），这是Docker DNS自动解析的。

所以永远记住：容器间通信，用服务名；宿主机访问容器，用localhost:端口；容器访问宿主机，用host.docker.internal（仅Docker Desktop）或宿主机真实IP。

4.3 常见报错与速查解决方案

报错信息	根本原因	一行修复命令
`Connection refused`when calling ollama from clawdbot	Clawdbot容器无法访问Ollama容器	`docker-compose restart clawdbot`（确保Ollama已先启动）
`model not found: qwen3:32b`	Ollama容器内未加载模型	`docker exec ollama-qwen3 ollama run qwen3:32b`
`unauthorized: gateway token missing`	URL缺少token参数	改为`http://localhost:3000/?token=csdn`
`GPU memory exhausted`on qwen3:32b	显存不足，Ollama默认未启用GPU卸载	在`docker-compose.yml`的`ollama`服务下添加： `environment:` `- OLLAMA_GPU_LAYERS=99`
`Error response from daemon: could not select device driver`	NVIDIA Container Toolkit未安装或未启用	`sudo systemctl restart docker && sudo nvidia-ctk runtime configure --runtime=docker`

关于GPU加速：Qwen3:32B在24G显存上运行吃紧。加OLLAMA_GPU_LAYERS=99强制所有层都走GPU，能显著提升推理速度。你也可以在ollama run时加参数：ollama run --num-gpu 1 qwen3:32b

5. 进阶技巧：让部署更健壮、更易维护

5.1 模型热更新不重启Clawdbot

Clawdbot支持运行时重载模型配置。当你新增一个模型（比如qwen3:72b），只需：

在宿主机执行：docker exec ollama-qwen3 ollama run qwen3:72b
修改config/config.json，追加新模型配置项
发送SIGHUP信号重载配置：

docker kill -s HUP clawdbot-main

Clawdbot会在日志中打印Config reloaded successfully，无需docker-compose restart，业务零中断。

5.2 日志集中查看与问题定位

把两个容器的日志合并在一个流里看，效率翻倍：

# 查看最近100行混合日志 docker-compose logs -f --tail=100 | grep -E "(ollama\|clawdbot\|error\|failed)" # 单独看Ollama推理耗时（关键性能指标） docker logs ollama-qwen3 2>&1 | grep "evaluated" | tail -20 # 输出示例：[GIN] 2024/06/15 - 14:23:01 | 200 | 3.2452s | 127.0.0.1 | POST "/api/chat"

5.3 备份与迁移：三步带走整个环境

你的部署不是黑盒，所有数据都落盘在项目目录：

模型文件：./ollama_models/（Ollama模型二进制）
Clawdbot数据：./data/（会话记录、用户配置等）
配置文件：./config/config.json+./docker-compose.yml

迁移时，只需把整个~/clawdbot-qwen3文件夹拷贝到新机器，执行：

docker-compose down && docker-compose up -d

5秒内恢复全部服务，真正的“所见即所得”。

6. 总结：一次配置，长期受益

你现在已经完成了Clawdbot与Qwen3:32B的深度集成部署。这不是简单的“能跑就行”，而是构建了一个生产就绪的AI代理基础设施：

两个服务运行在同一个Docker网络，通信高效、隔离安全；
端口映射清晰明确，宿主机可调试、容器间可直连；
配置文件集中管理，模型增删灵活，支持热更新；
全流程覆盖GPU加速、日志追踪、故障排查、备份迁移。

接下来，你可以基于这个底座做更多事情：接入RAG插件增强知识库、挂载向量数据库实现语义检索、用Clawdbot的扩展系统开发自定义工具……而这一切，都建立在今天你亲手打通的这条稳定、低延迟的模型调用链路上。

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Clawdbot部署教程：Qwen3:32B与Clawdbot共用Docker网络及端口映射配置