上周帮一个做运营的朋友装OpenClaw，她提了两个硬性要求：两小时内必须跑通，而且别给她整一堆黑框框的命令行。最后实际用时一小时五十分钟，全程用到的核心组合就是本地部署OpenClaw，再配合Cherry Studio和Ollama Cloud。这套方案最吸引人的地方在于，模型不是完全被绑在电脑里，也不是一开始就要花钱买各种API额度——Ollama Cloud每周大约能免费支撑5次左右的OpenClaw任务，足够你验证智能体所有核心能力。这篇文章就把这个两小时流程完整记录下来，你会看到我为什么这么选型、每一步操作背后在解决什么问题，以及那些日志一翻就让人头疼的报错该怎么定位。
不管你是刚接触AI智能体的新手，还是已经被各类部署教程折磨过的老手，只要你手头有台还过得去的Windows电脑，这篇文章应该都能帮你省下不少摸索时间。
1. 先讲选型：这套组合为什么适合新手
很多人一听“本地部署”，本能反应是又要配置显卡驱动、又要编译源码、又要写一堆YAML。其实OpenClaw的本地化部署远没有想象中那么重，关键在于你要把“本地部署”理解成“本地编排+模型路由”，而不是“所有东西全部跑在本机”。
1.1 本地部署不等于完全离线
我见过不少朋友一上来就追求“完全离线”，把模型、向量库、前端全塞进一台电脑。这个精神是好的，但现实是：你如果只用本地小模型，OpenClaw能干的活儿会被极大限制，复杂一点的拆解任务就开始胡说八道。更合理的做法是混合架构——本地负责日常高频、轻量、隐私敏感的任务，云端模型处理复杂推理。
标题里的组合就是这么设计的：OpenClaw是那个负责接收任务、调用工具、给你交结果的智能体外壳；Ollama负责在本地拉起模型；Cherry Studio则扮演了一个“模型连接调试台”，先帮你把模型通道验证好，再把同一套地址给OpenClaw用。即便后面想切换Ollama Cloud的免费云端模型，也只是改一个服务地址的事。
1.2 三个软件各管哪一块
先给完全没有概念的朋友说一下三个角色之间的关系。OpenClaw更像一个“自动执行任务的员工”，它本身不带脑子，得接上模型才能思考；Ollama是本地模型管家，专门负责在电脑上跑模型；Cherry Studio则是一个多模型客户端，帮你用图像界面快速测试模型能不能正常回复，省去来回敲curl命令的麻烦。
你可以把OpenClaw想象成公司里的项目经理，Ollama是本地外包团队，Cherry Studio就是让你先面试一下外包团队靠不靠谱的HR。项目经理把任务拆好后，需要团队给出回复，而“回复质量”全靠模型通道配置是不是通顺。很多新手部署完OpenClaw后半天不回话，问题根本不在OpenClaw本身，而是模型通道就不通。
1.3 每周约5次免费额度到底是什么
标题里说“每周可免费使用约5次OpenClaw任务”，指的是Ollama Cloud这类云服务针对新用户的免费配额策略。每次你通过OpenClaw发起一个完整任务，会消耗一次配额，配额用完后继续使用就需要付费，或者等下周重置。这个5次/周的量级，刚好适合做功能验证和日常轻量试用。
实际体验下来，这个额度对新手期来说非常够用。你不需要在一开始就绑定支付方式，完全可以用它测试OpenClaw接入飞书、钉钉、Telegram等渠道，测试不同的system prompt，看看智能体到底能把哪类任务做到什么程度。后面我也会具体讲怎么把这5次花在刀刃上。
2. 开工前两小时规划：硬件确认、软件清单和下载顺序
部署之前最怕的不是配置复杂，而是装到一半发现电脑带不动模型，或者下载顺序乱七八糟白等半小时。这一节把准备动作拆开，你可以照着清单一项项打勾。
2.1 硬件底线：能跑7B模型的电脑长什么样
OpenClaw本身只是一个智能体框架，对硬件几乎没要求，真正的硬件压力来自本地模型。如果你打算用Ollama把模型拉下来跑，内存至少要有8GB，更建议16GB。CPU方面，主流四核以上处理器就够，模型推理慢一点没关系，验证功能完全能忍。
| 项目 | 最低要求 | 建议配置 | 影响说明 |
|---|---|---|---|
| 内存 | 8GB | 16GB | 8GB只能跑3B级别小模型，16GB可以流畅跑7B模型 |
| 磁盘 | 20GB可用 | 50GB SSD | 模型文件每个几个GB，还要留日志和会话目录 |
| CPU | 4核 | 6核以上 | 决定本地模型的推理速度 |
| 显卡 | 可选 | NVIDIA 8GB显存 | 有显卡可以开启GPU加速，没有就用CPU硬扛 |
如果你的电脑低于这个底线，也别急着放弃。你完全可以在OpenClaw的模型配置里直接指向Ollama Cloud，让云端来接管本地跑不动的任务。换句话说，电脑管编排，云端管思考，OpenClaw照样能跑。
2.2 四份软件清单与下载优先顺序
这一套流程需要准备的东西其实只有四样：
- OpenClaw Windows Hub安装器：这是新手友好度的关键，后面单独讲。
- Ollama客户端：负责本地模型的管理和运行。
- Cherry Studio：负责模型连通性测试和日常调试。
- 一个飞书或钉钉账号：作为OpenClaw的消息收发渠道，实测后交互体验最好。
下载顺序建议是：先下载Ollama，再下载Cherry Studio，最后下载OpenClaw Hub。为什么？因为OpenClaw装完以后你需要立刻验证模型通道，而Ollama装完还要拉模型，比较耗时，可以先把模型文件下载后台挂着，等OpenClaw装完，模型差不多也就绪了。Cherry Studio体积小、安装快，可以作为等待过程的补充工具。
2.3 时间轴：120分钟拆成七个动作
我实测这轮部署的时间分配是这样的，你可以直接照抄：
| 时间段 | 操作内容 | 备注 |
|---|---|---|
| 0-15分钟 | 下载四份软件，安装Ollama和Cherry Studio | 下载顺序按上面来，别同时开太多线程 |
| 15-45分钟 | 用Ollama拉取一个7B模型 | 此时OpenClaw的安装包还在后台下载 |
| 45-55分钟 | 安装OpenClaw Hub，完成首次启动 | 使用默认目录，不做任何自定义修改 |
| 55-75分钟 | 在Cherry Studio中配置Ollama并验证模型回复 | 把本地模型和云端模型都测一遍 |
| 75-95分钟 | 在OpenClaw Hub中创建Agent并绑定飞书/钉钉渠道 | 失败也不怕，后面第5节讲排查 |
| 95-110分钟 | 发起第一个真实任务，观察执行结果 | 建议用一个会议纪要整理类任务 |
| 110-120分钟 | 处理初次运行出现的各种小问题 | 留白时间非常重要，新手一定会遇到 |
这个时间表最核心的思想就是“并行下载、串行配置”。如果顺序反了，比如先把OpenClaw装完再下载模型，你会在配置完成后干等好一阵子，体验感会非常差。
3. Windows下安装OpenClaw并用Hub完成首个Agent注册
OpenClaw的安装方式不止一种，有人喜欢用命令行工具直接装，有人喜欢用Docker。但对新手来说，Windows Hub安装器是最省心的选择。
3.1 为什么首选Windows Hub安装包
我在Windows上试过几乎所有安装方式，结论很明确：新手就用官方Windows Hub安装器。这个安装器本质上是把命令行工具、默认配置、依赖组件全部打包成了一个图形化安装向导，你只需要一路Next，让它装到一个固定目录。装完之后桌面上会多出一个OpenClaw Hub入口，所有Agent、Channel和模型路由的管理都能在图形界面里完成。
为什么说这是最友好的路径？因为你在命令行里装OpenClaw，通常背后还要处理Node.js版本、PATH环境变量、配置文件格式等一堆问题，任何一个环节出问题，报错信息新手根本看不懂。而Hub安装器把这些细节全部封装掉了。虽然自定义程度低一些，但对我想在两小时内跑通的目标来说，完全值得。
安装过程有几个坑提前提醒你：
- 安装路径尽量不要选带有中文或空格的目录，OpenClaw的会话目录解析有时候会因此出问题。
- 安装过程中如果杀毒软件弹窗拦截，需要放行，这个属于正常现象，毕竟是本地启动服务。
- 安装完先别急着打开，重启一下电脑，让相关的环境变量生效再启动。
3.2 安装完成后第一次启动该看哪里
打开OpenClaw Hub，你会看到几个主要板块。第一次启动时不要一上来就急着配置模型，先去日志窗口看一眼启动输出。正常情况下，你会看到类似“Session service started”“Workspace initialized”的字样，这说明核心服务已经在跑。
如果启动日志里直接报错，大多数情况下要么是端口被占用，要么是安装目录权限不够。前者非常常见，因为OpenClaw默认的服务端口比较固定，如果你机器上已经跑了其他服务，就会冲突。这时候打开任务管理器，看看是不是已经有残留的OpenClaw进程，有的话全部结束，再重新启动Hub即可。
我第一次装的时候卡在这一步卡了半小时，后来发现是之前用命令行方式装过另一个版本，两个版本抢同一个端口，老的没退干净，新的起不来。所以装新版前，把旧版本彻底卸载或者是把旧进程全杀掉，这个操作比你想的重要。
3.3 创建并自检第一个Agent
进入Hub之后，找到Agent管理区域，新建一个Agent。这里需要填写名字和模型配置。名字建议直接用中文，比如“我的助理”，这样后续在飞书里艾特它的时候更好认。
模型配置这一栏，平台不同版本显示的名称可能略有区别，但核心要填的内容是统一的：模型服务商类型、服务地址Base URL、模型名称。这里先空着没关系，等第4节把Cherry Studio里的模型连通性验证完，再填也不迟，顺序上更稳。
创建完Agent之后，可以先用Hub自带的调试面板发一条测试消息。如果模型还没配置好，这里会一直转圈，不用慌，说明你还没喂给它“大脑”。如果你已经照着第4节填好了地址和模型名，这里应该能收到模型的回复。
3.4 给小白补充：工作目录和日志先别乱动
新手最容易犯的错，就是看到目录里有几个不知道干嘛的配置文件，手痒去改一改。OpenClaw默认会创建一个工作目录，里面包含会话记录、日志、Agent配置。在你还没有完全理解这些文件作用之前，一个都不建议动。
尤其是日志文件里有大量的时间戳和调试信息，看起来很乱，但那是你后面排查所有问题最重要的依据。后面要讲的“session file locked”报错，最终定位全靠日志。所以我的建议是：先正常使用，出问题了再按照报错关键字去查日志，不要因为“看着没用”就随手清理。
我的操作习惯是，给OpenClaw单独建一个备份文件夹，每改一个配置就复制一份原始文件进去。多花三十秒，却能让你随时回滚，非常值。
4. Cherry Studio把Ollama Cloud变成免费大脑：模型连接的细节坑
标题里把Cherry Studio和Ollama Cloud放在一起，核心作用就是解决“OpenClaw没有大脑”的问题。我在实际部署中发现，很多人的OpenClaw无法回复，不是安装有问题，而是模型地址和模型名没配对。
4.1 先用Cherry Studio验证模型连通性
OpenClaw本身不提供聊天界面，你很难直观判断模型通道通不通。Cherry Studio在这里的价值就是给你一个可交互的聊天窗口，让你先把模型调通。
打开Cherry Studio，在设置里找到Ollama服务商。如果Ollama已经在本地跑起来，Cherry Studio通常能自动识别到，服务地址显示为http://127.0.0.1:11434。这里有一个很多人不知道的细节：Ollama不仅提供普通接口，还提供了一个OpenAI兼容的/v1接口，地址是http://127.0.0.1:11434/v1。OpenClaw这类框架走这个地址兼容性更好，后面的配置建议都填带/v1的版本。
在Cherry Studio里选中Ollama服务商之后，模型列表里应该能看到你本地已经拉下来的模型。选一个模型开始对话，如果能正常回复，就说明本地模型通道已经通了。这个步骤千万不要跳过，因为一旦在Cheery Studio里都不通，你在OpenClaw那边配置再久也是白费。
4.2 本地模型拉取与运行实测
模型选择上，我建议新手先用qwen2.5:7b或者llama3.2:3b。前者在中文理解上表现不错，后者对内存压力更小。如果你下载速度很慢，先拉一个更小的模型也可以，验证完流程后再换大模型，体验会更好。
# 安装完成Ollama后，在命令行中拉取模型 ollama pull qwen2.5:7b # 拉取完成后直接运行，测试模型是否可以正常回复 ollama run qwen2.5:7b命令行里能正常回复后，再回到Cherry Studio里测试。如果命令行能跑但Cherry Studio不回复，大概率是模型名填错了，记住模型名一定带版本标签，例如qwen2.5:7b，不能只写qwen2.5。
至于Ollama Cloud，你需要在Ollama的云服务页面登录并获取API Key，然后在Cherry Studio里新增一个OpenAI兼容的服务商，把云端地址和API Key填进去。填完以后也要先在这里发一条消息验证，验证通过后再把这个服务商的信息交给OpenClaw使用。
4.3 OpenClaw的模型地址填什么
OpenClaw配置模型这一步，是整套流程里最需要耐心的地方。在Hub里进入Agent设置，找到模型路由或服务商配置，按照下面的对照表填：
| 配置项 | 本地模型值 | Ollama Cloud值 |
|---|---|---|
| Base URL | http://127.0.0.1:11434/v1 | Ollama Cloud给你的API地址 |
| API Key | 任意字符串，本地不需要鉴权 | 云端创建的API Key |
| 模型名称 | qwen2.5:7b | 云端提供的模型ID |
| 模型类型 | OpenAI兼容 | OpenAI兼容 |
填完之后回到调试面板再发一条消息。如果OpenClaw开始一个字符一个字符地蹦回复，恭喜你，大脑接上了。如果还是没反应，不要急着改配置，先去Cheery Studio再发一条，确认模型通道没被刚才的操作弄坏，然后再检查OpenClaw这边的地址是否多了空格或者换行。
4.4 “自动改名成英文”的成因与两种修复
使用过程中有朋友问我，为什么Cherry Studio或者OpenClaw里的助手名称总是自动变成英文，设好的中文名隔一会儿就变成类似Sky、Claw、Prawn这样的默认名。我专门盯着日志看了一段时间，发现原因不复杂：这类工具为了保证会话标识符稳定，默认使用英文保留字作为内部ID，当你在界面里修改名称但没同步到会话文件时，系统就会回退到这些保留名。
解决办法有两个。第一个是新建Agent时直接使用英文ID作为标识，显示名再设为中文，比如内部ID叫my-assistant，显示名叫“我的助理”，这样界面里就不会乱跳。第二个是在Chat界面或者Agent管理页中，把显示名和系统提示词里的称呼写死，每次对话都会强化这个名称。
如果你发现OpenClaw在飞书里回复时，自称变成了英文名，那大概率是Agent配置里的system prompt没有做身份设定。加一句“你的名字是xxx，任何时候都用这个名称自称”基本就能解决。
4.5 免费额度要用对地方：本地兜底+云端攻坚
弄明白本地和云端两条通道之后，你的使用策略自然清晰了：日常高频任务走本地模型，虽然回答质量一般，但胜在免费、无延迟、不消耗配额；遇到复杂分析、代码生成、长文档总结这类任务，再临时切换到Ollama Cloud，用每周约5次的免费额度来攻坚。
实操层面，我建议在OpenClaw里创建两个Agent，一个绑定本地模型，一个绑定云端模型。平时默认找本地Agent，重要任务找云端Agent。这样做的好处是免费额度就会被严格控制住，不会因为忘了切换而在一些简单任务上白白浪费。
5. 接通飞书、跑通首个任务：channel选择、截断与session lock报错全排查
模型通了、Agent建了，接下来就是把OpenClaw接入你的聊天工具，让它能像真人同事一样在群里收任务、交结果。这一节也是报错最密集的部分，我会把最常见的问题完整走一遍排查链路。
5.1 创建channel并把OpenClaw拉进飞书群
在Hub里找到Channel板块，新建一个飞书渠道。这里需要填应用ID和应用密钥，这两个值在你创建飞书开放平台应用之后就能拿到。创建应用后，再按照官方文档配置事件订阅和机器人权限，让OpenClaw能被艾特到。
我用下来觉得最关键的一个细节是：群聊里艾特OpenClaw触发的消息，和单独私聊触发的消息，它们的会话上下文是独立的。也就是说，私聊里和OpenClaw说的事，群里它不知道。所以测试的时候不要来回切换场景，先固定在一个入口测通再说。
渠道绑定成功后，在飞书群里艾特你的Agent，如果它能回复“你好”之类的欢迎语，说明channel链路已经通了。这个环节卡住的人，绝大多数问题出在应用权限没有开启“接收群消息”，或者事件订阅URL没填对，回到飞书开放平台检查这两项即可。
5.2 飞书输出容易被截断：原因与应付办法
标题里的热搜词提到OpenClaw在飞书输出容易被截断，这个我看一次就要补充一次真实情况。飞书对单条机器人消息的长度有硬性限制，OpenClaw的一次回复可能几千字，超出了限制就会被截断，看起来像是只答了一半。
解决思路不是让OpenClaw“别写太长”，而是让它学会分段。有两种做法比较有效。第一种是在Agent的系统提示词里写“回复超过八百字时，按小标题分段输出”；第二种是在任务的原始指令里直接要求“先输出结论，再把细节放在第二段”。这两种办法都不需要改代码，只需要调整提示词就能明显改善截断。
另外，如果你把OpenClaw接的消息渠道不止一个，记得不同渠道对消息长度的容忍度不一样。同一条超长回复在飞书可能被截断，在其他渠道可能完好，所以当你看到截断时，先别认定是OpenClaw本身的问题，要结合具体渠道一起判断。
5.3 首次任务实测：让OpenClaw整理一份会议纪要
模型通了、channel通了，接下来当然要让它干点真活。我建议新手第一个任务不要选太复杂的，比如让OpenClaw根据一段会议记录整理出待办事项，这个任务既能看出它的理解能力，又能验证工具调用链路。
我在测试时给它的一段原文是：“下午的评审会讨论了三件事，一个是首页改版进度延期到周五，第二个是用户反馈的登录报错需要产品经理复现，第三个是下个月的运营活动预算还需要再确认。”
OpenClaw跑完之后输出了三行待办：跟踪首页改版进度、协调产品经理复现登录问题、确认运营活动预算负责人。这个结果看起来简单，但背后说明它已经完成了识别实体、归纳主题、归类待办三个步骤。如果你的Agent连这种任务都跑不对，那就不是模型通道的问题，而是提示词太笼统，需要你在任务指令里写清楚输出格式。
5.4 Agent failed before reply: session file locked (timeout 60000ms) 的完整排查链路
部署OpenClaw的人大概率都见过这个报错：Agent failed before reply: session file locked (timeout 60000ms)。第一次见到的人会以为模型挂了，其实问题不在模型，而是Session会话文件被锁住了。
我的排查链路是这样的，供你直接照抄：
第一步，确认是不是有多余的OpenClaw进程同时在跑。在任务管理器里把所有OpenClaw相关进程全部结束，重启Hub，再试一次。如果是这个问题，大概率立刻恢复。
第二步，如果重启还不行，去OpenClaw的工作目录找session文件夹。如果发现session目录里出现了.lock后缀的文件，那就是上次任务异常退出后残留的锁。把锁文件备份后手动删除，再启动OpenClaw即可。
第三步，排查是不是多个入口同时操作同一个Agent。比如你既在Hub里发消息，又通过飞书渠道发消息，两个请求同时命中同一个会话文件，就会触发互斥。解决办法很简单：同一时间只用一个入口和同一个Agent对话。
第四步，如果以上都排查完还是锁住，看看你的工作目录是不是位于云同步盘里。像网盘同步目录这类文件系统，对文件锁的支持有时会出问题，导致OpenClaw无法正常获取锁。把工作目录迁移到纯本地目录，问题通常能彻底消失。
这个报错我在两台机器上碰到过，一次是残留进程，一次是网盘同步导致锁异常。两种情况表面看起来完全一样，但处理方式完全不同，所以排查顺序一定不要乱。
5.5 清理锁文件与防止并发冲突的操作习惯
请你把“锁文件”理解成一个路障：OpenClaw在处理某个会话时，会插一块牌子说“此路正在施工”，处理完再拔掉。如果进程异常退出，牌子没拔掉，下次它就以为还在施工。
养成两个习惯能极大降低这类问题。第一，每次任务结束后在Hub里顺手看一眼session列表，发现卡住的会话就主动清理；第二，不要在短时间内对同一个Agent连续发送任务，给模型一点处理时间，这个习惯也能减少很多莫名其妙的互斥。说实话，这类问题算不上bug，更像是并发控制机制太严格，了解它的脾气自然就好对付了。
6. 用完免费额度之后：本地模型长期化与下一步扩展
当你的OpenClaw能稳定在飞书或钉钉里收任务、做总结、给结果，整套部署就算成功了。接下来值得花点时间想一想：每周约5次的免费云端额度怎么分配，以及本地模型怎么扩大应用场景。
6.1 什么任务适合本地模型，什么任务值得动用云端
我把日常常见的OpenClaw任务分成三类：
- 适合本地模型的任务：固定格式的信息整理、关键词提取、定时提醒、日报生成。这类任务规律性强，即使模型能力一般，只要提示词写清楚，结果也足够用。
- 适合云端免费模型的任务：多步骤推理、代码调试、合同条款逐条分析。这类任务需要较强的上下文理解能力，本地小模型容易遗漏逻辑链条，云端模型明显更稳。
- 不太适合用免费额度去跑的任务：重复性极强的定时任务。每星期都跑一遍同样的事，却每次都消耗一次额度，非常不划算。
按照这个标准去分配，你会发现每周5次的额度其实足够你解决很多临时性的复杂需求，而日常的自动化底座完全由本地模型扛着，长期运行也不会产生额外费用。
6.2 后续要补的三件事：开机自启、多channel接入、换更大模型
部署完成只是第一步，真正让它变成生产力工具还需要做三件事。
第一，让OpenClaw开机自启。Hub设置里如果自带系统服务模式，直接开启；如果没有，就把启动快捷方式放进Windows的启动文件夹。这一步能避免每次重启电脑都要手动唤起服务。
第二，接入更多消息渠道。飞书跑了通之后，可以再试试钉钉和Telegram等，不同团队习惯用不同的沟通工具。实际上channel切换只是一个配置项的事，趁热打铁多接一个，后面谁也用得上。
第三，根据你的内存大小逐步升级本地模型。先跑3B验证流程，再换7B适应日常任务，如果电脑有16GB以上内存，可以考虑更大的模型，本地推理质量会明显提升。
我在实际使用里最大的感受是：OpenClaw这种本地部署的智能体，最大的价值不是让你能在聊天群组里“炫技”，而是把许多重复的、需要信息筛选的工作变成一条条自动指令。两小时部署听起来很快，但真正让它融入工作流，还需要你在日常任务里不断调校提示词和模型选择。先把这套组合跑起来，再往细处打磨，远比一开始就追求完美配置要实际得多。
