2026年3月实测：OpenClaw 7分钟部署教程，云上/Mac/Linux/Win11全流程
先说结论：OpenClaw 这东西，如果你只是听说、还没动手，2026年现在正是入坑的好时机。我3月初在腾讯云轻量服务器、Mac mini、Ubuntu 工作站和一台 Win11 笔记本上各跑了一遍，把踩过的坑和节省时间的操作全部记了下来。这篇不整虚的，直接给你一份照着敲就能跑通的教程，目标是最快7分钟内让 OpenClaw 在你机器上活起来，并把 Control UI、微信/飞书接入、本地模型配置这些核心使用场景一并讲明白。
先说清楚它是什么：OpenClaw 是一个开源的个人 AI 助理框架，你可以把它理解成"给大模型装上手脚"。它不只陪你聊天，还能替你在电脑上操作软件、写代码、跑脚本、控制浏览器、读文件、发消息。比单纯调 API 更强的是，它是一个完整的 Agent 运行时，能自主规划任务、调用工具、循环执行。适合三类人：想搞个人自动化助手的技术爱好者、想用 AI 写小说做内容创作的作者、以及需要在多设备之间统一管理 AI 能力的效率党。
1. 先弄清楚：OpenClaw 到底是个什么东西
1.1 从 Clawdbot 到 OpenClaw，它解决什么问题
如果你在 2025 年末关注过 AI Agent 赛道，应该听过 Clawdbot 这个名字。OpenClaw 就是在这个项目基础上演化而来的开源继任者，社区更活跃、模型接入更丰富、插件体系也更完整。它的核心思路很简单：把"大模型当脑子"，把"各种工具当手脚"，然后由 OpenClaw 这个运行时来协调两者。
具体到实际能力，它可以做到这些事：直接接管你的命令行终端执行 bash 命令、读取和修改本地文件、通过浏览器自动化完成网页操作、生成和运行 Python/JavaScript 代码、接入即时通讯工具接收指令并回复结果、在本地调用 Ollama 或者远程 API 模型做推理。最让我觉得值的是它的"写小说"能力——不是那种简单续写，而是给它一个人设和世界观的框架，它能自己规划章节、维护角色状态、保持叙事一致性，确实比直接在网页端和大模型对话要方便得多。
1.2 为什么 2026 年值得折腾它
第一，模型接入门槛低。OpenClaw 不再绑定某一家模型，Claude、GPT、Gemini、DeepSeek、本地 Ollama 模型都能接。你可以白天用云端大模型处理复杂任务，晚上改用本地小模型省钱跑批处理，切换只是改个配置的事。第二，社区生态起来了。GitHub 上每周都有新插件和配置模板，遇到问题搜一下就有人遇到过。第三，它解决的是"AI 用完即走"的痛点：传统聊天窗口用完就没了，但 OpenClaw 是常驻服务，可以持续监听消息、定时执行任务、后台跑自动化流程，这是它和普通 AI 聊天工具最本质的区别。
我个人还有一个感受：OpenClaw 特别适合做"个人数据处理管道"。比如我每天会把一些 RSS 文章喂给它，它会自动总结、分类、存到本地笔记库里，再通过飞书机器人把日报推给我。这种"无人值守"式的工作流，只有像 OpenClaw 这样可以常驻运行的框架才能实现。
2. 部署前的准备：工具、模型和几个关键决策
2.1 四种环境怎么选
我这次实测覆盖了四类常见环境，先说结论：如果你只需要一个 7x24 小时在线的 AI 助理，云服务器最省心；如果你在本地开发且手上有 Mac，Docker 或脚本安装都行；Linux 服务器和 Win11 各有各的玩法，但 Win11 是体验最折腾的，新手要有心理准备。
| 环境 | 推荐指数 | 适用场景 | 主要优势 | 主要坑点 |
|---|---|---|---|---|
| 云服务器 | 五颗星 | 7x24 在线服务、配合 IM 使用 | 稳定、公网可访问、不占本地资源 | 需要会看安全组、需要付费 |
| Mac（M系列） | 四颗星 | 本地开发、个人自动化 | 配置简单、Docker 支持好 | 长时间运行占内存 |
| Linux | 四颗星 | 开发机/树莓派/NAS | 资源占用低、脚本安装快 | 需要基础命令行能力 |
| Win11 | 三颗星 | 公司电脑、Windows 用户 | 可跑，但依赖 Docker Desktop | 路径兼容、WSL 配置较繁琐 |
2.2 API Key、模型选择与 Token 预算
动手之前先把模型这事儿想清楚。OpenClaw 本身不生产模型，你必须给它配一个后端推理源。主流选择有这么几类：
- 云端商业 API：Claude 系列、GPT 系列、Gemini 系列，能力强、稳，但按量计费，重度使用一个月几十到几百块很正常。
- 国内 API 兼容服务：DeepSeek、MiniMax、通义等，性价比高，响应速度也不错。OpenClaw 可以通过 OpenAI 兼容协议接入。
- 本地模型：通过 Ollama 跑 Qwen、GLM、Llama 等，免费、私密，但需要一台内存至少 16GB 的机器，效果也受模型大小限制。
- NVIDIA NIM 这类企业级推理服务：如果你手上有配备 NVIDIA GPU 的机器，可以用 NIM 跑本地推理，性能更强。
我的建议是：新手首次部署先用一个便宜甚至免费的模型打通流程，确认 OpenClaw 能响应了，再升级到更强力的模型。我测试时就遇到过有人直接配错了模型名，导致 Agent 一直报"unknown model"，这在后面排查章节我会细说。
2.3 端口、数据目录与网络环境准备
安装前要确认一件事：OpenClaw 的 Control UI 默认监听 6000 端口，也就是你通过浏览器访问http://localhost:6000就能打开管理界面。如果你是装在有公网 IP 的云服务器上，记得去云控制台的安全组/防火墙规则里放行 6000 端口，否则你在浏览器里根本连不上。很多新手卡在"服务起来了，但浏览器打不开"，八成就是安全组没配。
数据目录也很关键。OpenClaw 默认会把配置、日志、上下文记忆存放在~/.openclaw目录下，所有密钥和配置都在这个文件夹里。重装系统前一定要备份它。另外，如果你用了 Docker 方式部署，数据目录要通过-v参数挂载到宿主机，否则容器一删，你所有的配置和记忆全部归零。这一点我在 Mac mini 上用 Docker 部署时差点踩进去。
网络方面，国内云服务器拉取 Docker Hub 镜像或 GitHub 上的安装脚本可能较慢，建议提前配置 Docker 镜像加速器（阿里云、腾讯云控制台都有免费加速地址），安装过程会更顺滑。这条我实测下来能省不少等待时间。
3. 7分钟快速部署：四种环境的完整实操
3.1 云服务器部署（以腾讯云轻量 CentOS 为例）
我这次用的是一台 2C4G 的腾讯云轻量应用服务器，系统选的 CentOS 7。如果你手上有别的云服务器，操作逻辑一致。先说结论：云上部署是四条路径里最省心的一条，因为环境干净、不受本机干扰，整个流程大概 5 分钟就能把服务跑起来。
第一步，租一台服务器并记录公网 IP。用 SSH 登录后，确认系统包管理工具可用：
sudo yum update -y curl -sSf https://raw.githubusercontent.com/openclaw/openclaw/master/scripts/install.sh | bash这个脚本会自动检测系统、安装依赖、把 OpenClaw 的可执行文件放到/usr/local/bin下。安装完成后，验证一下：
openclaw --version如果看到版本号，说明安装成功。接着启动服务：
openclaw首次启动会进入初始化流程，让你选择模型后端、填写 API Key，并生成默认配置文件。等看到类似Control UI started at http://0.0.0.0:6000的日志后，在浏览器里访问：
http://你的服务器公网IP:6000此时大概率打不开，原因是云安全组没放行 6000 端口。去腾讯云控制台，找到这台实例的防火墙规则，新增一条：TCP 端口 6000，来源0.0.0.0/0，保存后再刷新浏览器即可。
最后，为了让服务能在你关掉 SSH 后继续跑，用 nohup 方式启动，或者配置成 systemd 服务：
nohup openclaw > ~/.openclaw/openclaw.log 2>&1 &后续想查日志，直接看~/.openclaw/openclaw.log。这是云上部署最完整的链路。多说一句，如果你顺手还要在这台服务器上配置 FTP 做文件传输，记得把 21 端口也加到安全组，这和 OpenClaw 无关，但很多人会在同一台上部署多个服务，提前规划端口能避免冲突。
3.2 Mac 部署（M4 Mac mini 实测）
Mac 上部署有两种方式：直接脚本安装和 Docker 容器。我这次先用了 Docker 方式，因为干净、好卸载。前提是你已经装好 Docker Desktop，并完成了 Docker 加速配置。
docker run -d \ --name openclaw \ -p 6000:6000 \ -v ~/.openclaw:/root/.openclaw \ ghcr.io/openclaw/openclaw:latest跑完后同样访问http://localhost:6000。这里有几个 Mac 专属细节：第一，Apple Silicon 芯片的机器会自动跑 arm64 镜像，速度更快，不用担心兼容问题；第二，-v挂载目录必须提前创建，建议先执行mkdir -p ~/.openclaw；第三，Docker Desktop 默认内存可能只有 2GB，如果后面跑本地模型觉得卡，去 Docker Desktop 设置里把内存拉到 8GB。
如果你不想用 Docker，也可以直接跑官方脚本安装：
curl -sSf https://raw.githubusercontent.com/openclaw/openclaw/master/scripts/install.sh | bash脚本方式的好处是启动快、日志直接输出到终端，适合调试。缺点是卸载时要手动清理二进制和配置目录。我的习惯是：日常使用用脚本安装，因为命令行工具和宿主机的文件交互更直接；如果想体验"不污染系统"的干净环境，再用 Docker。
3.3 Linux 部署（Ubuntu / CentOS / 国产系统）
Linux 的部署过程和云服务器基本一致，唯一的区别是你在自己的物理机或虚拟机里操作。Ubuntu 用户先确认依赖是否齐全：
sudo apt update && sudo apt install -y curl curl -sSf https://raw.githubusercontent.com/openclaw/openclaw/master/scripts/install.sh | bash openclawCentOS 用户则用 yum 装 curl。我在 Ubuntu 工作站上实测，从执行安装命令到 Control UI 能打开，一共用了不到 4 分钟。
国产 Linux 系统，比如麒麟桌面系统，我也试了。需要注意两点：一是麒麟底层的 apt 源和 Ubuntu 不完全一致，安装 curl 时要确认系统自带的源可用；二是文件路径权限要放宽松，建议当前用户直接安装，不要用 root，避免后续控制 UI 写日志时出现权限问题。我在麒麟上就遇到过安装脚本因/tmp目录执行权限受限而失败的情况，解决办法是chmod 1777 /tmp后重新执行脚本。
Linux 上还有一个福利：OpenClaw 启动后可以用 systemd 管理成常驻服务，这样开机自启、崩溃自动拉起都很方便。写一个简单的 unit 文件即可：
[Unit] Description=OpenClaw Service After=network.target [Service] ExecStart=/usr/local/bin/openclaw Restart=always User=你的用户名 [Install] WantedBy=multi-user.target保存到/etc/systemd/system/openclaw.service，然后执行：
sudo systemctl daemon-reload sudo systemctl enable --now openclaw3.4 Win11 部署（Docker Desktop 方案）
Win11 上部署 OpenClaw 不能直接跑官方脚本，因为脚本是基于 Unix 命令写的。最省事的路径是 Docker Desktop。装好 Docker Desktop 后，打开 PowerShell：
docker run -d --name openclaw -p 6000:6000 -v C:\Users\你的用户名\.openclaw:C:\data ghcr.io/openclaw/openclaw:latest然后浏览器访问http://localhost:6000。
Win11 部署最容易出问题的是路径兼容。上面参数里我把容器内数据目录挂到了C:\data，这是因为 OpenClaw 容器内部默认把数据写在/root/.openclaw，在 Windows 上挂载 Windows 路径时，可能因为权限模型不同导致容器启动失败。如果你发现容器一直重启，先docker logs openclaw看日志，大概率是目录挂载权限有问题。解决方法是换一个干净的目录，比如C:\openclaw-data，并且在 Docker Desktop 的 Settings 里把这个目录设为 File Sharing 允许访问。
另一个 Win11 方案是 WSL 2。在 WSL 里装 Ubuntu 子系统，然后按照 3.3 节的 Linux 流程走一遍。这样做的好处是后续用起来更"Linux 原生"，坏处是如果你不熟悉 WSL，网络和文件访问可能会绕一些弯。我的建议：普通 Windows 用户走 Docker Desktop 就好，别折腾 WSL。
4. 核心配置与玩法：Control UI、接入微信/飞书、本地模型
4.1 配置文件认识
OpenClaw 启动后，会在数据目录下生成一个配置文件，默认是openclaw_config.json。这个文件是整套系统的中枢，模型选择、通道（Channel）配置、插件开关全在这里。我贴个简化版的示例：
{ "model": { "provider": "anthropic", "name": "claude-sonnet-4-5", "api_key": "sk-你的密钥", "base_url": "https://api.anthropic.com" }, "channels": { "wechat": { "enabled": true, "mode": "personal" }, "feishu": { "enabled": true, "webhook_url": "https://open.feishu.cn/open-apis/bot/v2/hook/xxx" } }, "storage": { "memory_path": "./memory" }, "plugins": { "browser": true, "code_executor": true } }注意：不同版本的配置字段可能有出入，所以首次启动时，建议先通过 Control UI 的引导式配置生成一个默认配置，再手工编辑成你要的样子，比直接手写靠谱得多。这是老手也要遵守的规则。
Control UI 是 OpenClaw 的网页管理后台。初次打开时，它会让你填模型后端、API Key 和基础偏好，填完后自动写入配置。界面上还能查看对话日志、任务状态、配置 Agent 的 system prompt。我的习惯是：部署完成后第一时间进 Control UI 做一次"冒烟测试"——在输入框里发一句"你好，请回复 OK"，确认全链路通顺，再去接微信飞书。
4.2 接入微信和飞书（最容易出成就感的部分）
OpenClaw 最受欢迎的场景之一就是给微信或飞书接入一个 AI 助理。接好之后，你直接在微信里给它发消息，它就能执行任务并回复结果。
微信接入有两种模式：个人号和企业微信。个人号模式在配置里设"mode": "personal"，本质是让 OpenClaw 控制你的微信客户端，需要保持微信登录在线。企业微信模式则通过企业微信机器人 API 对接，稳定性更好，适合团队场景。
我实测时开的个人微信模式，注意一个坑：如果你切换网络或手机扫码异常，可能导致客户端登录态丢失，OpenClaw 会频繁重试并刷日志。解决办法是去 Control UI 里停用微信通道，重新扫码后再启用。
飞书接入更简单，直接在飞书开放平台建一个自定义机器人，拿到 Webhook 地址填进配置里：
"feishu": { "enabled": true, "webhook_url": "https://open.feishu.cn/open-apis/bot/v2/hook/xxx" }OpenClaw 会主动向这个 Webhook 地址注册事件订阅，飞书群里 @ 机器人即可对话。飞书的稳定性比个人微信好很多，适合做定时推送：比如每天早上让 Agent 自动汇总昨天的日志推送到飞书群。
4.3 接入本地模型（Ollama / NVIDIA NIM / DeepSeek 私有化）
很多新手不想一直烧 API 费用，第一反应就是给 OpenClaw 接本地模型。这里我重点讲 Ollama 方案，门槛最低。
第一步，先装 Ollama 并拉一个模型：
curl -fsSL https://ollama.com/install.sh | sh ollama pull qwen2.5:7b ollama serve第二步，在 OpenClaw 配置里把 provider 改成 ollama：
{ "model": { "provider": "ollama", "name": "qwen2.5:7b", "base_url": "http://localhost:11434" } }重启 OpenClaw 后，它会通过 Ollama 的 API 调用本地模型。实测下来，7B 模型跑简单任务、聊天、写短文本没问题，但写长篇小说、做复杂代码生成就会明显吃力。如果你有 NVIDIA GPU，可以进一步配置 NVIDIA NIM 服务，推理速度和效果都会好不少。
我还试过用 OpenClaw 接入部署好的 DeepSeek 开源模型（本地或内网私有化部署）。只要是 OpenAI 兼容的推理服务，OpenClaw 都能通过base_url直接对接，模式上和接 Ollama 一样。这类私有化部署适合数据敏感的团队，模型跑在公司内网，OpenClaw 也部署在内网，数据完全不出域。
本地模型这块，新手最容易犯的错是把模型名称写错。比如 Ollama 里的模型名可能带版本号，qwen2.5:7b不是qwen2.5，差一个:7b标签，OpenClaw 就提示 unknown model。我建议配置前先执行ollama list确认准确名称。
5. 新手必经的坑：问题排查实录
5.1 OpenClaw Control UI did not start（常见故障 Top 1）
这个报错在 GitHub 上看到的频率极高，核心原因就三个：端口被占用、数据目录权限不足、初始化配置损坏。我实测排查顺序如下：
第一步，看端口：
lsof -i :6000 netstat -tlnp | grep 6000如果有进程占了 6000，要么杀掉旧进程，要么改 OpenClaw 的端口配置。
第二步，看数据和日志。在数据目录执行cat ~/.openclaw/openclaw.log，如果看到明显的 Python 栈或权限 denied，就检查目录权限：
chmod -R 755 ~/.openclaw第三步，如果以上都正常，大概率是初始化配置损坏。备份配置后删掉重来。
5.2 Agent failed before reply: unknown model（模型名写错的典型）
这个报错我在接入 DeepSeek 和 Ollama 时都遇到过。OpenClaw 在启动时会向模型后端发一个假设的请求验证模型名，如果名字对不上就报 unknown model。解决办法是：
第一，确认模型名和 provider 完全匹配，不匹配就改配置。 第二，确认base_url指向的 API 地址正确，尤其是自建服务，地址末尾的/v1路径不能漏。 第三，测试后端本身是否可用，用 curl 直接调一下 API 验证。
curl http://localhost:11434/api/tags只要这个 API 有返回，说明 Ollama 正常，问题就只可能出在 OpenClaw 配置上。
5.3 Win11 路径权限、中文目录、Docker 数据卷丢失问题
Windows 上还有一类坑是路径和权限。OpenClaw 在容器内跑，如果用C:\Users\中文用户名\...作为挂载目录，Docker Desktop 可能因为编码问题挂载失败。建议直接用纯英文路径，比如C:\openclaw-data。
另外，如果你是 Docker 部署，容器更新或删除后数据一般还在数据卷里，但如果你用了-v C:\xxx:C:\data这种方式，删除容器并不会删宿主机目录，数据还是安全的。真正危险的是你没挂载数据目录，所有数据都写在容器层，一删容器全部白干。判断方法很简单：执行docker inspect openclaw看 Mounts 字段，如果有宿主机路径，说明挂载成功。
5.4 关于"一键部署工具终身会员"的提醒
最近我在搜 OpenClaw 安装教程时，看到一些网站宣传"一键部署工具终身会员特惠"，落款是某某办公科技公司。这里提醒想做新手的各位：OpenClaw 本身是开源、免费的命令行工具，官方安装脚本一条命令就能装，根本不存在"会员制一键部署"这种说法。凡是让你付费买部署工具的，大概率是利用信息差收割。如果你确实需要图形化工具，网上也有社区网友写的免费图形安装器，用开源项目的页面即可，不建议向个人或第三方公司购买所谓的"终身会员"。
5.5 云服务器安全组、防火墙与日志查看
云上部署最容易"服务明明活着但访问不了"，绝大多数是防火墙没放行端口。记住三个层面：云控制台安全组、服务器系统内部防火墙、OpenClaw 自身监听地址。系统防火墙检查：
firewall-cmd --list-ports如果 6000 端口没放行，执行：
firewall-cmd --zone=public --add-port=6000/tcp --permanent firewall-cmd --reload日志查看是我排查问题的第一动作，OpenClaw 的日志通常输出到终端，如果你用 nohup 启动，就在~/.openclaw/openclaw.log里。我强烈建议把所有操作记录和报错都先过一遍日志再搜答案，因为 OpenClaw 的报错信息其实写得相当直白，多数时候看日志就能定位问题。
5.6 Token 费用控制与数据备份
最后聊一下费用和备份，这是老手才会主动关心的话题。如果你接的是商业 API，OpenClaw 这种 Agent 框架的 Token 消耗比单纯聊天高得多，因为一个任务可能要循环调用十几次模型。我的经验是：第一，给复杂任务设置一个最大步数上限，防止它"上头"跑偏；第二，把简单任务路由到便宜模型，把复杂任务路由到强模型——OpenClaw 支持按任务配置不同模型；第三，定期看 API 控制台的 Token 用量，设一个告警阈值。
数据备份就一句话：定期打包~/.openclaw目录。这里面包含你的配置、记忆上下文、日志和密钥。我的习惯是每周跑一次 tar 打包并传到对象存储，整个过程一分钟不到，但遇到配置改坏或系统重装时能救命。
我个人在实际部署中体会最深的一点是：OpenClaw 的试用过程一定要分阶段验证。先装通、再配模型、再接 IM、最后才上复杂自动化任务，每个阶段花几分钟确认结果正常，可以有效避免"最后一团乱麻不知道问题出在哪"的局面。新手如果一上来就同时开微信、飞书、浏览器自动化、本地模型，出了问题往往很难定位。一步步来，反而最快。
