手把手教你用Docker和Ollama部署本地AI财经助理OpenClaw

1. 从零到一：为什么你需要一个本地化的财经助理

最近几年，AI Agent（智能体）的概念火得一塌糊涂，从帮你写周报的ChatGPT，到能联网搜索的Claude，再到能调用各种工具的GPTs。但说实话，对于财经这类涉及个人资产、投资决策的敏感领域，把数据和分析完全交给一个云端黑盒，心里总有点不踏实。数据隐私是一方面，更关键的是，云端模型的通用性太强，很难真正理解你个人的投资偏好、风险承受能力和持仓结构。

这就是为什么我开始折腾OpenClaw。你可以把它理解为一个开源的、能部署在你本地电脑或服务器上的“AI管家”。它本身不生产知识，而是作为一个“大脑”，去调度和整合你赋予它的各种能力（Skill）。比如，你可以让它接入一个能分析财报的模型，再给它一个能实时获取股票数据的工具，最后再教它怎么用Excel生成可视化图表。这样一来，一个专属于你、完全在本地运行的“财经助理”就诞生了。它不仅能回答“茅台今天股价怎么样”这种基础问题，更能基于你的持仓文件，回答“根据我上个月的交易记录和当前市场行情，我的投资组合风险暴露在哪里？”这类深度、个性化的问题。

听起来很复杂？别怕。我花了将近两周时间，在Mac、Windows和Ubuntu系统上都踩了一遍坑，从环境配置、模型选择、技能安装到最终接入飞书/微信，把整个流程摸得门儿清。这篇文章，我就手把手带你走一遍，目标是让你在读完并跟着操作后，能在自己的电脑上拥有一个7x24小时待命、懂你、且私密的AI财经伙伴。整个过程，我们会用到Docker来简化部署，用Ollama来本地运行开源大模型，最终让OpenClaw把它们都管起来。

2. 核心基石：部署前的环境准备与工具选型

在真正动手安装OpenClaw之前，我们需要把它的“地基”打好。这个地基主要由三部分组成：容器环境、大模型引擎和必要的系统依赖。很多人安装失败，问题都出在这一步。

2.1 容器化部署：为什么首选Docker？

OpenClaw是一个相对复杂的系统，它由多个微服务组成（如网关、技能服务器、模型连接器等）。如果直接在宿主机上安装，你会面临Python版本冲突、依赖库打架、端口被占用等一系列“玄学”问题。Docker的价值就在于，它把OpenClaw及其所有依赖打包成一个独立的、隔离的“集装箱”（容器）。你只需要确保Docker能运行，那么无论你的系统是Win10、macOS还是Ubuntu，OpenClaw的运行环境都是一致的。

注意：如果你对Docker完全陌生，可以把它想象成一个超级轻量级的虚拟机。我们不需要理解其底层原理，只需要学会几个关键命令就能驾驭它。

安装Docker：

• Windows/macOS：直接访问 Docker Desktop 官网，下载对应系统的安装包。安装过程基本是“下一步”到底。安装完成后，务必打开Docker Desktop应用程序，并保持它运行（任务栏或菜单栏会有小鲸鱼图标）。
• Linux (Ubuntu为例)：通过命令行安装更快捷。

  # 更新软件包索引 sudo apt-get update # 安装必要的依赖 sudo apt-get install ca-certificates curl # 添加Docker官方GPG密钥 sudo install -m 0755 -d /etc/apt/keyrings sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc sudo chmod a+r /etc/apt/keyrings/docker.asc # 设置软件仓库 echo \ "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://download.docker.com/linux/ubuntu \ $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \ sudo tee /etc/apt/sources.list.d/docker.list > /dev/null # 安装Docker引擎 sudo apt-get update sudo apt-get install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin # 将当前用户加入docker组，避免每次都要sudo sudo usermod -aG docker $USER # 退出当前终端并重新登录，使组权限生效

  安装完成后，运行docker --version和docker run hello-world来验证安装是否成功。

2.2 大模型引擎：Ollama，本地运行LLM的最佳拍档

OpenClaw的“智能”来源于大语言模型（LLM）。我们当然可以让它去调用OpenAI的API，但那又回到了云端，且需要付费。为了完全本地化，我们选择Ollama。Ollama是一个专门用于在本地运行、管理开源大模型的工具，它简化了模型下载、加载和提供API接口的整个过程。

安装Ollama：

• macOS/Linux：在终端中执行一条命令即可。

  curl -fsSL https://ollama.com/install.sh | sh

• Windows：直接从Ollama官网下载安装程序。

安装完成后，终端或命令提示符里输入ollama --version检查。接下来，我们需要为OpenClaw下载一个合适的模型。考虑到财经分析需要一定的推理和计算能力，同时兼顾本地硬件性能，我推荐从Qwen2.5-Coder或Llama 3.2系列开始。它们对中文支持较好，且在代码和逻辑推理上表现不错。

# 拉取一个7B参数量的模型，对大多数消费级显卡（8G显存）或纯CPU（16G内存）都较为友好 ollama pull qwen2.5-coder:7b # 或者 ollama pull llama3.2:3b # 3B版本，对硬件要求极低，适合入门尝鲜

模型下载需要一些时间，取决于你的网速。下载完成后，运行ollama run qwen2.5-coder:7b可以进入交互式聊天界面，测试模型是否正常工作。

2.3 系统环境检查与问题预判

即使有了Docker和Ollama，OpenClaw在安装时仍可能遇到一些系统级问题。提前排查能省去大量调试时间。

1. 网络与端口：OpenClaw默认会使用多个端口（如3000用于Web UI，11434用于连接Ollama）。确保这些端口没有被其他程序（如本地开发服务器、其他容器）占用。在终端可以使用netstat -an | grep <端口号>（Linux/macOS）或netstat -ano | findstr :<端口号>（Windows）来检查。
2. 资源分配：在Docker Desktop（Windows/macOS）的设置中，建议将内存分配调整到至少4GB，CPU至少2核。本地运行大模型本身就很吃资源。
3. 文件权限：在Linux系统下，如果后续需要OpenClaw访问宿主机的某个目录（例如你的财经数据文件夹），需要确保Docker容器有相应的读取权限。这通常通过Docker的-v卷挂载参数来实现，我们后面会详细说。

3. 实战部署：一步步拉起你的OpenClaw服务

环境就绪，现在进入核心环节——部署OpenClaw。我们将采用最稳定、最被社区验证过的Docker Compose方式。Docker Compose允许我们用一个配置文件（docker-compose.yml）来定义和运行多个相关联的容器，非常适合OpenClaw这种多服务应用。

3.1 获取与配置部署文件

首先，找一个你喜欢的目录，比如~/projects/openclaw。然后创建部署配置文件。

mkdir -p ~/projects/openclaw cd ~/projects/openclaw

创建一个名为docker-compose.yml的文件，内容如下。这个配置是我综合了官方文档和社区实践后调整的稳定版本。

version: '3.8' services: openclaw: image: openwebui/openclaw:latest container_name: openclaw restart: unless-stopped ports: - "3000:3000" # Web管理界面 environment: - OLLAMA_BASE_URL=http://host.docker.internal:11434 # 关键！让容器内能访问宿主机的Ollama - DEFAULT_MODEL=qwen2.5-coder:7b # 指定默认使用的模型，需与Ollama中拉取的模型名一致 volumes: - ./data:/app/data # 持久化存储OpenClaw的数据（技能配置、对话历史等） depends_on: - mcp-server # 可选，如果你需要MCP（模型上下文协议）服务器 networks: - openclaw-net # MCP Server示例（以文件系统工具为例，让AI能读写本地文件） mcp-server: image: mcp/fsserver:latest container_name: mcp-fsserver restart: unless-stopped volumes: - /path/to/your/finance/data:/app/data # 请替换为你的本地财经数据目录绝对路径 environment: - MCP_SERVER_DIR=/app/data networks: - openclaw-net networks: openclaw-net: driver: bridge

关键配置解读：

• OLLAMA_BASE_URL=http://host.docker.internal:11434：这是连接容器内OpenClaw与宿主机上Ollama服务的关键。host.docker.internal是Docker提供的一个特殊域名，指向宿主机。在Linux原生Docker环境下，有时可能需要改为http://172.17.0.1:11434（宿主机在Docker网桥中的IP）。
• DEFAULT_MODEL：必须与你在Ollama中pull的模型名称完全一致。
• volumes挂载：将容器内的/app/data目录映射到宿主机的./data目录，这样即使删除容器，你的配置和数据也不会丢失。
• mcp-server：这是一个可选服务。MCP（Model Context Protocol）是一种让AI模型安全访问外部工具和数据的协议。这里我们配置了一个文件系统服务器，挂载了你本地的财经数据目录（如Excel报表、交易记录CSV等），后续可以让OpenClaw技能直接分析这些文件。请务必将/path/to/your/finance/data替换成你电脑上的真实路径。

3.2 启动服务与验证

配置文件保存后，在docker-compose.yml所在目录下，执行启动命令：

docker-compose up -d

-d参数表示“后台运行”。Docker会开始拉取OpenClaw和MCP服务器的镜像，然后启动容器。

如何检查服务状态？

• 查看所有容器状态：docker-compose ps
• 查看OpenClaw容器的实时日志：docker-compose logs -f openclaw

当你在日志中看到类似“Server started on port 3000”的信息时，说明服务启动成功。

首次访问与初始化：

1. 打开浏览器，访问http://localhost:3000。
2. 首次访问会进入初始化设置页面。你需要设置一个管理员账号和密码。
3. 在模型设置部分，系统应该已经自动读取了我们在环境变量中配置的OLLAMA_BASE_URL和DEFAULT_MODEL。点击“测试连接”，如果显示成功，说明OpenClaw已经连上了你本地的Ollama模型。
4. 完成初始化，进入OpenClaw的主Web UI界面。到这里，一个基础的、能对话的OpenClaw已经运行起来了。你可以直接在聊天框里问它“解释一下市盈率”，测试它的基础能力。

3.3 避坑指南：部署中常见的“拦路虎”

在实际操作中，你几乎一定会遇到下面一两个问题。别慌，都有解。

问题一：OpenClaw无法连接Ollama，报错Connection refused或Failed to fetch models。

• 原因：这是最常见的问题。核心是Docker容器网络隔离导致的。
• 解决方案：
  1. 确认Ollama服务在运行：在宿主机终端执行ollama serve，确保Ollama服务进程正在运行。默认端口是11434。
  2. 调整连接地址：
     • 对于Windows/macOS 的 Docker Desktop：使用http://host.docker.internal:11434几乎总是有效的。
     • 对于Linux 原生Docker：host.docker.internal可能无效。你需要找到宿主机的Docker网桥IP。通常可以通过ip addr show docker0命令查看inet字段的IP（如172.17.0.1）。将docker-compose.yml中的OLLAMA_BASE_URL改为http://172.17.0.1:11434。
  3. 检查防火墙：确保宿主机的11434端口没有被防火墙阻止。

问题二：Web UI能打开，但对话时提示模型不可用或加载失败。

• 原因：DEFAULT_MODEL名称不匹配，或者Ollama中该模型未成功下载。
• 解决方案：
  1. 在宿主机终端运行ollama list，查看已下载的模型及其完整名称。
  2. 确保docker-compose.yml中的DEFAULT_MODEL值与ollama list显示的名称一字不差。比如qwen2.5-coder:7b和qwen2.5-coder可能就是两个不同的标签。
  3. 如果模型不存在，回到第二步，用ollama pull重新拉取。

问题三：启动时出现got exception: { “error“: { “code“: 400等类似错误。

• 原因：这个错误信息不完整，但通常与配置错误有关，尤其是环境变量格式错误、或者某个依赖服务（如MCP服务器）的配置有问题。
• 解决方案：
  1. 仔细检查docker-compose.yml文件的语法，特别是缩进（必须是空格，不能是Tab）和冒号后的空格。
  2. 暂时注释掉mcp-server部分（在每行前加#），先确保最简化的OpenClaw能运行。如果能运行，问题就出在MCP配置上。
  3. 查看完整的错误日志：docker-compose logs openclaw，寻找更详细的错误描述。

4. 注入灵魂：为财经助理安装核心技能（Skill）

一个只有基础对话能力的OpenClaw，顶多算个本地版的ChatGPT，离“财经助理”还差得远。它的强大之处在于Skill（技能）。Skill可以理解为给OpenClaw安装的一个个“插件”或“小程序”，让它能执行特定任务，比如获取实时股价、分析财报PDF、计算投资组合指标等。

OpenClaw社区和官方提供了一些技能，我们也可以自己开发。这里，我介绍几个对财经分析至关重要的技能及其安装方法。

4.1 技能管理界面与安装流程

在OpenClaw的Web UI界面（localhost:3000），通常左侧或顶部会有“Skills”、“技能”或“Marketplace”（技能市场）的导航入口。点击进入，你可以浏览可用的技能。

安装一个技能（以“Web Search”为例，这是获取实时信息的基础）：

1. 在技能市场找到 “Web Search” 或 “网络搜索” 技能。
2. 点击“安装”或“Enable”。安装过程实际上是OpenClaw后台从技能仓库拉取代码和配置。
3. 安装完成后，通常需要配置。对于Web Search技能，你需要去一个搜索引擎（如DuckDuckGo、SearXNG）的开发者页面申请一个免费的API Key，然后将其填入技能配置页面的对应字段。没有API Key，网络搜索功能无法工作。
4. 配置保存后，该技能就被“注入”到你的OpenClaw助理中了。下次你对话时，它就可以在需要时自动调用网络搜索来获取最新信息。

4.2 核心财经技能推荐与配置要点

仅仅有网络搜索还不够，我们需要更专业的工具。

1. 金融数据获取技能：

   • Alpha Vantage / Yahoo Finance Skill：这些技能可以直接连接金融数据API，获取股票、基金、加密货币的实时价格、历史K线、基本面数据（市盈率、股息率等）。安装后，你需要去对应网站（如Alpha Vantage官网）注册一个免费API Key（通常有每日调用次数限制，但个人使用足够）。
   • 配置关键：将API Key填入技能配置。你还可以设置默认关注的股票代码列表。

2. 文档分析与处理技能：

   • File Reader / PDF Analyzer Skill：让OpenClaw能够读取你本地或上传的财经文档，如上市公司年报（PDF）、券商研报、个人交易记录（Excel/CSV）。这类技能往往依赖OCR和文本解析库。
   • 配置关键：需要配置允许访问的文件目录路径（这正好与我们之前部署的MCP文件服务器关联起来）。确保技能有权限读取你挂载的finance/data目录。

3. 计算与可视化技能：

   • Python Execution Skill：这是一个“神器”级技能。它允许OpenClaw在安全的沙箱环境中运行Python代码。这意味着，你可以直接要求助理：“用Python计算我这份持仓列表的夏普比率，并画一个饼图。” 助理会生成代码并执行，返回结果和图表。
   • 配置关键：此技能风险较高，务必在可信环境下使用。配置时通常可以限制可导入的库（如只允许pandas,numpy,matplotlib），并指定一个隔离的临时目录用于运行代码。

技能组合使用示例： 当你问：“分析一下特斯拉(TSLA)最近一个季度的财报，并总结其主要风险和亮点。”

• OpenClaw会先调用Web Search或Yahoo Finance Skill，找到特斯拉最新的季报PDF链接或摘要。
• 接着调用PDF Analyzer Skill去下载并解析那份PDF文件。
• 然后，利用其核心的LLM能力（Qwen2.5-Coder）去理解解析后的文本，进行总结归纳。
• 最后，它可能会调用Python Execution Skill，从获取的财务数据中计算几个关键比率的变化趋势。 整个过程完全自动化，无需你在不同网站、工具间手动切换。

4.3 技能调试与故障排除

技能安装后不工作？别急，按以下步骤排查：

1. 检查技能状态：在技能管理界面，确认技能已“启用”（Enabled）。
2. 查看技能日志：OpenClaw的Web UI通常有全局日志或技能专属日志面板。在这里可以看到技能被调用时的详细输入输出和错误信息。这是最重要的调试依据。
3. 验证API与连接：对于依赖外部API的技能（如金融数据），在技能配置页面往往有“测试连接”或“验证”按钮。使用它来确认API Key有效、网络连通。
4. 权限问题：对于文件操作类技能，确认Docker容器内的技能服务有权限访问你通过Volume挂载或MCP服务器暴露的目录。可以在容器内执行docker exec -it openclaw bash进入容器，尝试手动ls一下目标目录。
5. 技能冲突：极少数情况下，两个技能可能会注册相同的命令或触发关键词，导致冲突。尝试禁用其他技能，单独测试目标技能。

5. 打通最后一公里：将助理接入日常办公环境

让助理跑在浏览器里（localhost:3000）固然可以，但不够便捷。真正的效率提升在于将它融入你每天工作的通讯工具，比如飞书或微信。这样，你就能在群里或私聊中直接@你的助理提问。

5.1 接入飞书机器人

飞书提供了完善的机器人API，允许我们将一个Web服务对接成群聊机器人。

核心步骤：

1. 在飞书开放平台创建应用：登录飞书开发者后台，创建一个“企业自建应用”。在“功能”中启用“机器人”。
2. 获取凭证：在“凭证与基础信息”页面，拿到App ID和App Secret。在“事件订阅”页面，设置“请求地址”（Request URL）。这里需要填入你部署了OpenClaw的公网可访问地址。由于我们是本地部署，就需要用到内网穿透工具（如ngrok、localtunnel）将本地的3000端口暴露到一个公网域名。

   # 例如使用ngrok (需要先注册ngrok并获取authtoken) ngrok http 3000

   运行后，ngrok会生成一个https://xxxx.ngrok-free.app的地址。将这个地址（后面加上OpenClaw接收飞书事件的路径，如/webhook/feishu）填到飞书的事件订阅请求地址里。注意：OpenClaw需要安装或配置飞书技能（Skill），这个技能会提供具体的Webhook路径。
3. 配置飞书技能：在OpenClaw的技能市场中安装“Feishu Bot”或类似技能。安装后，在技能配置页面，填入从飞书平台获取的App ID,App Secret,Verification Token等信息。同时，技能也会告诉你它监听的Webhook路径（如/webhook/feishu）。
4. 权限订阅与发布：在飞书后台，为机器人添加“获取用户发给机器人的单聊消息”和“获取群聊中@机器人的消息”等权限，并申请发布。将机器人添加到你的群聊或设为好友。
5. 验证与测试：在飞书群里@机器人，问它一个简单问题，看OpenClaw是否能收到消息并回复。通过飞书技能和OpenClaw的日志来调试整个流程。

5.2 接入微信（难度较高，需谨慎）

将OpenClaw接入个人微信，通常需要通过逆向工程微信协议（如使用itchat、wechaty等库）或使用企业微信的API。前者有封号风险，且稳定性差；后者更合规但功能受限。

相对稳定的思路（企业微信）：

1. 注册企业微信，创建一个“自建应用”。
2. 在企业微信管理后台，配置该应用的接收消息服务器（API回调地址）。同样，你需要一个公网地址，通过内网穿透将OpenClaw的对应端口暴露出去。
3. 在OpenClaw中安装支持企业微信的技能，并配置企业的CorpID、应用的Secret、AgentId以及配置好的回调Token和EncodingAESKey。
4. 在企业微信中，将这个应用推送给需要使用的成员（或者你自己），就可以像使用普通企业微信聊天一样向助理提问了。

重要提示：接入微信个人号存在明确风险，我不建议在生产环境或重要账号上尝试。企业微信是更可靠的选择。整个配置过程涉及大量网络、API和加密验证细节，需要仔细阅读OpenClaw对应技能的文档和企业微信的官方开发文档。

5.3 配置优化与安全提醒

无论接入哪个平台，安全都是第一位的。

1. 使用HTTPS：飞书、企业微信等平台都要求回调地址是HTTPS。ngrok免费版提供的域名本身就是HTTPS。如果你有自己的服务器和域名，务必配置SSL证书。
2. 令牌管理：App Secret、API Key等所有令牌都应视为密码，不要泄露，也不要硬编码在代码中。在Docker中，可以通过环境变量文件（.env）来管理，并在docker-compose.yml中引用。

   # docker-compose.yml environment: - FEISHU_APP_SECRET=${FEISHU_APP_SECRET}

   # .env 文件 (确保在.gitignore中，不上传至Git) FEISHU_APP_SECRET=your_secret_here

3. 限制访问：如果你的OpenClaw服务暴露在公网，至少应该设置一个简单的认证（OpenClaw Web UI本身有登录认证），或者通过防火墙规则限制只有飞书/企业微信的服务器IP可以访问你的Webhook端点。

6. 从能用变好用：高级配置与个性化调优

基础功能跑通后，我们可以让这个财经助理更贴合个人习惯，变得更强大。

6.1 管理多个本地大模型

你不可能只满足于一个模型。可能Qwen2.5-Coder擅长代码和逻辑，而Llama 3.2擅长通用对话。我们可以在Ollama中安装多个模型，并让OpenClaw灵活切换。

1. 在Ollama中拉取更多模型：

   ollama pull llama3.2:1b-instruct-q4_K_M # 非常小巧快速的模型 ollama pull mistral:7b-instruct-v0.3-q4_K_M # 在指令跟随上表现优秀的模型

2. 在OpenClaw中配置模型列表：通常，在OpenClaw的Web UI的设置（Settings）或模型（Models）页面，你可以添加新的模型后端。你需要提供模型的“名称”（自定义，如“快速小模型”）和“模型ID”（必须与Ollama中的模型名匹配，如llama3.2:1b-instruct-q4_K_M），以及基础URL（仍然是http://host.docker.internal:11434）。
3. 按需切换：在聊天界面，通常会有个模型选择下拉框，你可以根据问题类型选择不同的模型。你还可以为不同技能分配默认的模型。

6.2 技能工作流编排：实现自动化分析

这是OpenClaw的进阶玩法。你可以创建一个“工作流”（Workflow），将多个技能串联起来，一键执行复杂任务。

示例：创建“每日财经简报”工作流

1. 在OpenClaw的“工作流”或“自动化”板块，创建一个新工作流，命名为“Morning Briefing”。
2. 添加步骤：
   • 步骤1：调用金融数据技能，获取你关注列表（如AAPL, GOOGL, 00700.HK）的隔夜收盘价和涨跌幅。
   • 步骤2：调用Web Search技能，搜索“今日宏观经济头条新闻”，提取摘要。
   • 步骤3：调用Python Execution技能，将步骤1获取的数据用Pandas整理成一个简表，并用Matplotlib生成涨跌幅的柱状图。
   • 步骤4：调用飞书/邮件技能，将整理好的文本摘要和数据图表，在每天早上9点自动发送到你的飞书群或个人邮箱。
3. 保存并设置定时触发（例如，每个工作日早上8点）。这样，你每天上班前就能在手机上收到一份定制的财经简报。

6.3 性能监控与问题诊断

系统运行久了，需要知道它是否健康。

1. 资源监控：使用docker stats命令可以实时查看各个容器（openclaw, ollama等）的CPU、内存占用。如果发现Ollama容器内存占用持续很高，可能是模型一直驻留，可以考虑在Ollama设置中调整模型加载策略，或使用性能更低的量化模型（模型名带q4_K_M,q8_0等后缀的）。
2. 日志分析：OpenClaw和Ollama的日志是诊断问题的金矿。定期使用docker-compose logs --tail=100 openclaw查看近期日志，关注WARNING和ERROR信息。
3. 对话历史管理：OpenClaw会存储所有对话历史。如果数据量变大，可能会影响性能。定期在Web UI中清理不必要的对话历史，或者配置Docker Volume的自动清理策略。

经过以上六个步骤，你应该已经拥有了一个功能全面、运行在本地、并通过通讯工具与你紧密相连的专属财经助理。从环境搭建到技能武装，再到接入工作流，每一步的坑我都替你踩了一遍。这个过程的精髓不在于一步到位，而在于持续迭代——今天让它学会看财报，明天教它分析你的投资组合，后天让它自动生成周报。这个助理的能力边界，最终由你的需求和想象力决定。