逸趣网(cmd8.com)

TencentDB AI-Memory：一键给Openclaw装上最懂你的记忆引擎

Fri, 03 Apr 2026 10:08:28 +0800

概述

很多使用 OpenClaw 的用户都知道，OpenClaw 本身是自带基础记忆机制的。在简单的几轮日常问答中，它确实能连贯上下文。但在深度使用、处理长周期复杂任务时，你是否经历过这些崩溃瞬间

没有记忆的AI，只是工具；有记忆的AI，才是资产。

很多使用 OpenClaw 的用户都知道，OpenClaw 本身是自带基础记忆机制的。在简单的几轮日常问答中，它确实能连贯上下文。但在深度使用、处理长周期复杂任务时，你是否经历过这些崩溃瞬间：

昨天刚跟 AI 敲定好的代码规范，今天新开一个对话，它又像不记得一样全忘了？为了彻底解决这些痛点，腾讯云 Lighthouse OpenClaw 现已无缝集成 TencentDB AI-Memory（腾讯云数据库 Agent Memory 服务）官方插件！只需一键开启，即可让你的 Openclaw 的记忆力实现质的飞跃。

一、站在巨人的肩膀上：TencentDB AI-Memory 带来了哪些能力增强？

在 OpenClaw 优秀的底层之上，TencentDB AI-Memory 插件针对复杂长任务场景，重点做了以下四大核心能力的增强：

1. 从“上下文跟随”升级为“核心偏好锁定”：在超长轮次的对话中，有时会因信息过载而自然地将注意力转移到近期话题上。TencentDB AI-Memory 增强了对核心偏好的抓取能力，它能将你定下的约束条件（如代码规范、格式要求）稳稳“锁定”，确保无论聊多远，Agent 都不忘初心。

2. 跨会话的长周期任务无缝接力：面对需要分多天完成的大型项目，增强插件能妥善保存你的任务进度和决策背景。明天新开一个会话，无需再把前置条件重新喂一遍，昨天聊到哪，今天继续接着干。

3. 更高精度的结构化信息召回：针对你明确告知过的特定事实信息，TencentDB AI-Memory提供了一套独特的检索引擎。相比单纯依赖大模型的上下文窗口，它能实现更稳定、更精准的事实召回。

4. 多端统一的“独立大脑”体验：通过插件化设计，Agent 的记忆实现了与单一会话实例的解耦。无论你是切换聊天窗口，还是更换聊天渠道，经过提炼的用户画像都能始终伴随，让体验高度统一。

同时 TencentDB AI-Memory 记忆增强插件完全将数据存放在Lighthouse本机上，且不会禁用 Openclaw 原生的Memory Core，两套记忆体系可以共存使用，相互补充。

二、 TencentDB AI-Memory 对记忆独特的增强方式

TencentDB AI-Memory 是腾讯云数据库团队自研的 Agent Memory 服务，它不再是简单的上下文堆叠，而是独创了四层渐进式记忆金字塔架构：

● L0 Raw Log（原始对话）：全量保留原始对话，确保任何细微信息都不丢失。

● L1 Atomic Memory（原子记忆）：自动从对话中提取高价值的“事实”、“偏好”与“约束条件”。

● L2 Scene Block（场景分块）：按场景对记忆进行聚类，形成特定的任务认知块，告别信息混乱。

● L3 Persona（用户画像）：持续提炼，生成稳定且长期的用户数字画像。

数据说话：在权威的 PersonaMem 评测集中（模拟 20 了个用户，6000+ 条对话消息），使用 TencentDB AI-Memory 后Openclaw的回答总准确率高达 76.10%，而使用 OpenClaw 原生记忆仅为 47.85%，提升了58.9%！尤其在“用户事实召回”指标上，从原生不到 30% 飙升至 79%+。（相当于从原本100个问题中只能回答对30个不到，提升至能回答对79问题）

三、实战指南：一键开启 TencentDB AI-Memory记忆增强插件

作为免单独安装的内置官方插件，TencentDB AI-Memory 已无缝集成到了腾讯云 Lighthouse 的应用管理界面中，可参考以下方式快速启用：

1. 进入腾讯云 LightHouse 控制台，进入你的 OpenClaw 实例；

2. 进入应用管理，再点击左侧的「记忆管理」，即可找到 TencentDB AI-Memory 记忆增强插件，将底部的开关拨动至“启用”状态；

3. 再点击弹窗中的“确认”后，将重启Gateway，待Gateway重新运行后即可使用。

四、结语

通过无缝解耦的插件化设计以及独特的四层架构设计，TencentDB AI-Memory 记忆增强插件实现了让 OpenClaw 进化为“持续懂你、跨会话不断线的长期可依赖 AI 助理”。现在就登录腾讯云轻量应用服务器（Lighthouse）控制台，打开你的 OpenClaw，手动开启 TencentDB AI-Memory 记忆增强插件吧！

五、补充说明

1. 配置 TencentDB AI-Memory 的 Embedding 依赖：

因 Openclaw 的本地 Embedding 功能对于 Lighthouse 服务器资源消耗较大，使用本地 Embedding 会出现明显的性能和体验问题，不建议使用本地资源进行Embedding模型推理，所以 TencentDB AI-Memory 默认不开启 Embedding（向量化语义检索），此时仅使用基础的基于关键字的 BM25 检索逻辑。

如果你想真正解锁 TencentDB AI-Memory 强大的“语义+关键词”双路精准检索能力，强烈建议配置远程 Embedding 服务。你可以登录 LightHouse 服务器，在 Openclaw 的配置文件（openclaw.json）中，单独配置远端 Embedding 模型相关的信息，配置完成后重启Gateway服务即可生效。

{
  "plugins": {
    "entries": {
      "memory-tdai": {
        "enabled": true, 
        "config": {
          "embedding": { // 需配置自定义Embedding模型信息，非LLM模型
                "enabled": true, //是否启用向量搜索
                "provider": "openai", // 暂只支持OpenAI兼容的协议
                "baseUrl": "https://xxx", //API Base URL
                "apiKey": "xxx", //API Key
                "model": "text-embedding-3-large", //模型名称
                "dimensions": 1024 // 向量维度（需与所选模型匹配）
            }
        }
      }
    }
  }}

如何干净彻底地卸载openclaw?

Thu, 02 Apr 2026 16:44:29 +0800

最近不少朋友问到如何卸载 OpenClaw，今天出一篇保姆级教程，手把手教你干净彻底地卸载，不留一点痕迹。

一、先用官方命令卸载

打开终端（PowerShell 或 CMD），直接运行：

代码语言：bash
AI代码解释
openclaw uninstall

二、选择要卸载的组件

运行后会弹出选择界面：

代码语言：txt
AI代码解释
◆  Uninstall which components?
│  ◼ Gateway service (launchd / systemd / schtasks)
│  ◼ State + config (~/.openclaw)
│  ◼ Workspace (agent files)
│  ◻ macOS app

默认已经选中前三个（Windows 用户不用管 macOS app），直接回车即可。

三、确认卸载

接着会提示：

代码语言：txt
AI代码解释
Proceed with uninstall?
│  ● Yes / ○ No

直接回车（默认 Yes），开始卸载。

四、卸载完成

看到以下输出，说明第一步卸载完成：

代码语言：txt
AI代码解释
✓ Gateway service removed
✓ State + config deleted
✓ Workspace cleaned
OpenClaw has been uninstalled.

五、验证是否卸载干净

代码语言：bash
AI代码解释
openclaw --version

如果提示 找不到命令，恭喜你，已经彻底卸载了！🎉

如果还显示版本号（如 2026.3.7），说明命令行工具还在，需要继续下一步。

六、彻底删除命令行工具（如果没卸干净）

方法一：直接删除文件

先找到 openclaw 命令的位置：

代码语言：bash
AI代码解释
where openclaw

通常会在：

C:\Users\你的用户名\AppData\Roaming\npm\openclaw
C:\Users\你的用户名\AppData\Roaming\npm\openclaw.cmd

直接删除这两个文件：

代码语言：bash
AI代码解释
rm C:\Users\你的用户名\AppData\Roaming\npm\openclawrm C:\Users\你的用户名\AppData\Roaming\npm\openclaw.cmd

方法二：通过 npm 卸载

如果 openclaw 是通过 npm 安装的：

代码语言：bash
AI代码解释
npm uninstall -g openclaw

七、最终验证

再次运行：

代码语言：bash
AI代码解释
openclaw --version

如果提示 'openclaw' 不是内部或外部命令，说明彻底卸载成功！✅

通用卸载步骤

‌停止运行服务‌：在终端执行 openclaw daemon stop 或 openclaw gateway stop，防止文件占用。‌‌

‌执行官方卸载‌：运行 openclaw uninstall --all --yes 可删除核心服务、配置及数据库。‌‌

‌卸载 CLI 工具‌：根据安装方式执行 npm rm -g openclaw、pnpm remove -g openclaw 或 bun remove -g openclaw。‌‌

分平台深度清理

‌Windows‌：删除计划任务 schtasks /Delete /F /TN "OpenClaw Gateway"，并清理 %AppData%\npm 下的 openclaw.cmd 等残留脚本。同时删除 %USERPROFILE%\.openclaw 配置目录。‌‌

‌macOS‌：移除自启动文件 rm -f ~/Library/LaunchAgents/ai.openclaw.gateway.plist，删除应用 rm -rf /Applications/OpenClaw.app 及 ~/.openclaw 目录。‌‌

‌Linux‌：禁用 systemd 服务 systemctl --user disable --now openclaw-gateway.service 并删除对应 service 文件。‌‌

验证卸载结果

‌检查命令‌：终端输入 openclaw --version，若提示找不到命令则 CLI 已清除。‌‌

‌检查进程‌：使用 ps aux | grep openclaw（Mac/Linux）或任务管理器（Windows）确认无后台进程。‌‌

‌检查文件‌：搜索用户目录下是否仍有 openclaw 相关文件夹，确保无残留

使用1panel部署OpenClaw完全指南

Thu, 02 Apr 2026 16:14:47 +0800

资源环境准备

本次OpenClaw安装部署需要准备以下资源环境：

客户端或服务器准备：
操作系统：支持主流 Linux 发行版本（基于 Debian / RedHat，包括国产操作系统）
服务器架构：x86_64、aarch64
内存要求：建议可用内存在 2GB 以上
浏览器要求：请使用 Chrome、FireFox、IE10+、Edge 等现代浏览器
网络要求：可访问互联网
大语言模型API key
公有模型：如DeepSeek 、Kimi、OpenAI等大语言模型 API Key
本地模型
1Panel v2.1.0 安装部署：
可参考1Panel官方文档完成安装部署。具体参见如下：

https://1panel.cn/docs/v2/installation/online_installation/

基于以上环境，我们可以分为1Panel安装部署、大语言模型API Key准备、OpenClaw安装部署以及飞书渠道配置四部分完成整个安装部署过程，具体参见如下详细说明文档。

1Panel安装部署

1Panel安装部署时首先登录到Linux客户端或服务器端，然后按照以下过程快速部署即可：

步骤一：获取root权限

登录服务器后首先输入如下命令切换至root权限。

sudo su -

步骤二：执行在线安装命令

输入以下在线安装脚本命令开始执行安装。

bash -c "$(curl -sSL https://resource.fit2cloud.com/1panel/package/v2/quick_start.sh) "

步骤三：指定1Panel安装目录

安装脚本会首先提醒设置指定安装目录，没有特殊情况直接回车选择默认即可。

设置1Panel 安装目录（默认为 /opt）：

步骤四：完成Docker的安装

指定目录后，安装脚本会自动检测当前服务器是否安装Docker，未安装时，会询是否安装，此处输入“y”确认安装即可。

检测到未安装 Docker，是否安装[y/n]: y

步骤五：镜像加速器配置并设置默认参数

Docker安装完成后，会如下图所示会分别提醒是否配置镜像加速并逐步提醒设置1Panel的端口、安全入口以及面板用户密码等，根据个人情况完成设置即可。其中端口需要保证已开通。

步骤六：获取1Panel面板的登录信息

统一设置完成后，系统会自动打印出1Panel的登录访问信息，如下图所示，大家保存方便后续使用。

步骤七：验证1Panel部署成功

将步骤六中获取的外部地址输入浏览器即可进入1Panel面板登录页面，输入对应的面板用户和密码，确认1Panel已经安装部署完成。

步骤八：1Panel访问地址设置

进入面板后，切换到“面板设置”页面，将默认访问地址设置为1Panel访问的公网IP，方便后续部署的应用可以通过点击“跳转”按钮进行访问。

步骤九：升级到V2.1.0最新版本（可选）

对于已有1Panel，登录面板后，点击右下角更新，将当前1Panel更新升级到v2.1.0版本。

大语言模型API申请

大家可以参加OpenClaw官网支持的模型列表，分别获取大语言模型的API Key，本次以DeepSeek为例。其它公有模型和本地模型大家自行参考相关文档准备。

步骤一：DeepSeek开发者平台注册

进入DeepSeek 开发者平台：https://platform.deepseek.com/ ，首先完成个人实名认证并注册，并完成充值。如下图所示：

步骤二：获取DeepSeek的API key

如下图所示，进入API keys，点击创建API key，创建完成后将API Key妥善保管，方便后续使用。

OpenClaw安装部署

OpenClaw的安装基于1Panel的智能体管理进行部署，在部署过程中我们需要结合上一步骤DeepSeek大模型的API key。在1Panel中将OpenClaw的部署以及大模型API key账号的管理分为两部分进行，将二者进行了解绑，主要是为了方便大家进行OpenClaw个人助理的模型配置调整。

步骤一：添加模型账号

进入「AI」管理中的「智能体」管理菜单，点击进入后首先切换进入「模型账号」管理，点击「添加模型账号」，然后按照模型账号创建要求选择模型供应商并输入模型账号信息，完成模型账号创建。

步骤二：创建智能体

准备好模型账号后，切换进入「智能体」，点击创建智能体，根据要求输入相关参数即可。具体参见如下图所示：

其中创建智能体过程中的参数定义参见如下详细说明：

名称：默认openclaw，可以自定义作为容器的名称；
应用版本：指OpenClaw的版本，如上图默认为当前最新的版本2026.2.9；
WebUI端口：OpenClaw默认的端口为18789，可自行定义端口且确保已开通；
Bridge端口：OpenClaw默认的端口为18790，可自行定义端口且确保已开通；
模型供应商：当前支持的模型如图所示，这里选择刚才添加的DeepSeek 模型供应商，如果已添加对应模型供应商的模型，则会直接提醒模型账号数量；

其他模型参数：选择模型供应商后，系统会自动获取已经维护的模型账号，如下图所示，也可勾选「手动输入模型」自行输入，如未创建模型账号，点击「创建模型账号」完成创建即可。

Token：为OpenClaw 的Web UI访问地址的token，这里系统会自动生成，方便后续直接访问。
其他参数：其他参数均保持默认配置即可。

以上参数配置完成后，直接点击确认，OpenClaw开始安装。直到如下图所示，代表完成安装。

步骤三：验证OpenClaw部署成功

OpenClaw安装部署完成后，进入智能体列表页面，如下图所示，点击WebUI直接跳转即可进入OpenClaw页面。

进入OpenClaw页面后，输入信息看AI助理是否回复，如有正常回复，如下图所示，说明确认OpenClaw部署成功。

飞书渠道配置

截止目前，整个OpenClaw已经完全部署完成，我们接着在配置下飞书渠道。配置飞书渠道我们首先需要在飞书中创建一个可用的机器人，参照如下步骤逐步完成即可。

说明：本次介绍使用的是飞书个人账号，如果是企业账号则版本发布以及权限授权需要进行管理员审批，其他操作步骤一致。

步骤一：创建企业自建应用

首先我们登录飞书进入飞书开放平台（链接：https://open.feishu.cn/app?lang=zh-CN ）进入「开发者后台」，选择「企业自建应用」，点击「创建企业自建应用」，如下图所示：

如下图所示，根据要求输入相关应用名称以及基本信息点击创建即可。

步骤二：创建机器人

如下图所示，点击创建机器人，完成机器人创建。

进入机器人页面后，点击机器人配置后的编辑按钮，定义机器人名称，如下图所示：

步骤三：权限配置

完成机器人创建后，点击进入「权限管理」，并点击「批量导入/导出权限」。

点击「批量导入/导出权限」，清空默认配置权限信息，将如下所示权限授权脚本复制粘贴，点击保存即可。

{   "scopes": {     "tenant": [       "aily:file:read",       "aily:file:write",       "application:application.app_message_stats.overview:readonly",       "application:application:self_manage",       "application:bot.menu:write",       "cardkit:card:write",       "contact:contact.base:readonly",       "contact:user.employee_id:readonly",       "corehr:file:download",       "docs:document.content:read",       "event:ip_list",       "im:chat",       "im:chat.access_event.bot_p2p_chat:read",       "im:chat.members:bot_access",       "im:message",       "im:message.group_at_msg:readonly",       "im:message.group_msg",       "im:message.p2p_msg:readonly",       "im:message:readonly",       "im:message:send_as_bot",       "im:resource",       "sheets:spreadsheet",       "wiki:wiki:readonly"     ],     "user": [       "aily:file:read",       "aily:file:write",       "contact:contact.base:readonly",       "im:chat.access_event.bot_p2p_chat:read"     ]   } }

粘贴后，效果如下图所示：

点击「下一步，确认新增权限」，并最终确保所有权限均已开通。其中个人用户自行确认企业账户需要管理员审核。确保所有权限均已开通，如下图所示：

步骤四：获取凭证并1Panel配置

进入飞书平台在「凭证与基础信息」中获取应用凭证，如下图所示：

获取后，进入1Panel的「智能体」的「配置」页面，完成飞书聊天渠道配置，点击保存，如下图所示：

步骤五：创建事件与回调

如下图所示，进入「事件与回调」菜单，分别完成订阅方式设置以及事件添加。

订阅方式设置：参照如下图选择长链接订阅方式：

添加事件：输入im.message.receive_v1搜索，基于「应用身份订阅」勾选接收消息，最后确认添加即可。

步骤六：创建并发布版本

确认完成后点击「创建版本」，然后根据要求输入版本相关信息并发布，个人账号无需审批，企业账号需要进行企业审批。

步骤七：飞书渠道验证确认

以上信息配置完成后，我们进入飞书客户端，如下图打开应用：

最后我们再进行简单尝试，如下图所示即代表配置成功。

模型配置修改

如果在OpenClaw个人AI助理使用时，需要切换模型，同样进入「智能体」列表，点击「配置」，进入模型切换菜单，完成模型配置修改点击「保存」即可。如下图所示：

Ollama本地部署完全指南：OpenClaw Token免费用

Thu, 02 Apr 2026 15:54:49 +0800

文章更新：本文之前提到的模型有些过旧，是由于某些参考来源中的模型相对过时导致。通常来说，越新的模型性能越强。当然了，本文关键是向大家说明Ollama 的部署流程，而不是模型性能评测对比。大家可以直接把文中提到的模型，替换为最新的模型即可。对于算力有限的朋友，可以部署体积较小的版本作为入门探索。

综合来说，目前 2026 社区普遍认可的顶级开源 LLM：

1️⃣ DeepSeek-R1
2️⃣ DeepSeek-V3.2
3️⃣ Qwen3-235B
4️⃣ GLM-5
5️⃣ gpt-oss-120B
6️⃣ Kimi K2.5

以下是文章原文：

你有没有算过，用云端 API 跑 OpenClaw 一个月要花多少钱？

有用户分享，一个配置不当的”心跳检查”（每 30 分钟一次），一晚上就烧掉了 18.75 美元；还有人单日”待机”就消耗了 5000 万 Tokens，折合约 11 美元。更夸张的是，有人用 GPT-5 Pro 级别 API 跑复杂任务，一个月账单直接突破 300 美元。

但如果我告诉你，同样的 OpenClaw，可以做到完全免费、断网可用、数据永不出本机——你信吗？

答案就是三个字：Ollama。

为什么 Ollama + OpenClaw 是 2026 年最值得关注的组合？

先说一个数据：截至 2026 年 3 月，OpenClaw 在 GitHub 上的 Star 数已经突破历史新高，社区贡献的 Skills 插件超过 1700 个，覆盖文件管理、PDF 编辑、语音识别、邮件处理、智能家居控制等几乎所有你能想到的场景。

而 Ollama，作为目前最流行的本地大模型运行工具，支持一键部署 Qwen、Llama、GLM、DeepSeek 等主流开源模型，不需要复杂的 CUDA 配置，不需要深入了解底层技术，甚至不需要联网。

这两个项目的结合，意味着什么？

意味着你可以在自己的电脑上，零成本运行一个功能完整的 AI Agent——它能帮你管理文件、自动回复消息、监控服务器、甚至在你睡觉时清理 GitHub 的过期 Issue。

从 Ollama 0.17 版本开始，只需要一条命令，你就可以在本地部署 OpenClaw：

ollama launch openclaw

如果你的系统上还没有安装 OpenClaw，Ollama 会自动检测并弹出安装提示，选择 Yes 即可。整个过程不超过 10 分钟。

云端 vs 本地：一笔账算清楚

在决定部署方式之前，我们先来算一笔经济账。

云端 API 的真实成本

模型	输入价格（每百万 Token）	输出价格（每百万 Token）
GPT-5.2 Pro	21 美元	168 美元
Claude Opus 4.5	15 美元	75 美元
Llama 3.3 70B（OpenRouter）	0.12 美元	0.30 美元

对于轻度用户（每天 1 万 - 10 万 Token），云端 API 确实更划算，月费接近于零。

但如果你是重度用户（每天 3000 万+ Token），云端成本将飙升至每月 9000 美元以上。而同样的工作量，本地部署的话，在扣除一次性配置成本以后，你就能自己源源不断地生产属于自己的 token。

（这就是免费且自由的意思，不要纯做白日梦然后来和我杠，杠就是你对！）

本地部署的一次性投入

配置方案	硬件成本	月均摊销（3-5年）
基础版（单张 RTX 4090）	800 - 1200 美元	33 - 55 美元
进阶版（双 GPU）	1500 - 2500 美元	55 - 100 美元
企业版	3000 美元+	100 美元+

回本周期：重度用户约 24 个月，普通用户约 50 个月。如果你已经有一台配备独显的游戏 PC 或 Mac，那初始成本几乎为零。

关键结论：每天 Token 消耗超过 500 万，就值得考虑本地部署；超过 3000 万，本地部署几乎是唯一理性选择。

硬件要求：你的电脑能跑吗？

这可能是大家最关心的问题。好消息是：门槛比你想象的低得多。

GPU 显存与模型对应关系

显存	可运行模型	推荐方案
4 GB	Qwen2.5:4B 等轻量模型	能用，但速度较慢
8 GB	大部分 7B 模型	入门首选，体验流畅
16-24 GB	14B - 32B 模型	最佳性价比区间
48 GB+	70B+ 大模型	接近云端体验

最低配置要求

CPU：Intel i5 / AMD Ryzen 5 及以上
内存：8 GB（最低），16 GB（推荐），32 GB（最佳）
存储：至少 20 GB 剩余空间，强烈建议 SSD
GPU：NVIDIA 显卡优先（RTX 3060/4060/5060 系列均可）

Apple Silicon 用户的福音：如果你用的是 M1/M2/M3/M4 系列 Mac，统一内存架构天然适合跑本地模型。一台 16 GB 内存的 MacBook Air 就能流畅运行 7B 模型，32 GB 的 MacBook Pro 甚至可以驾驭 14B 模型。

没有独立 GPU 也不用担心——Ollama 支持纯 CPU 推理，只是速度会慢一些。对于 Qwen3.5:cloud 或 Qwen3:0.6b 这类超轻量模型，即使没有 GPU，也能在几秒内给出回复。

手把手部署教程：三步搞定

第一步：安装 Ollama

macOS：

brew install ollama

Windows：访问 http://ollama.com 下载安装包，双击安装即可。安装后 Ollama 会自动注册为系统服务。

Linux（Debian/Ubuntu）：

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

安装完成后，验证是否成功：

curl http://localhost:11434/api/tags

如果返回 JSON 数据，说明 Ollama 已在后台运行。

第二步：拉取模型

这一步是重点。选哪个模型，直接决定了你的使用体验。

入门推荐（适合 8 GB 显存）：

ollama pull qwen2.5:7b

下载约 4.7 GB，中文表现出色，是性价比最高的起步方案。

进阶推荐（适合 16 GB+ 显存）：

ollama pull qwen3-coder

编码任务优化，OpenClaw 官方推荐。

其他优秀选项：

模型	特点	适用场景
glm-4.7	强大通用模型	日常对话、文档处理
glm-4.7-flash	速度与性能兼顾	实时交互
gpt-oss:20b	平衡型	通用 Agent 任务
deepseek-r1:32b	推理能力强	复杂分析
llama3.3	通用型	英文场景

重要提示：OpenClaw 要求模型上下文窗口至少 64K Token（官方推荐）。Ollama 默认只有 4096 Token，需要手动扩展。方法如下：

创建一个 Modelfile：

FROM qwen2.5:7b
PARAMETER num_ctx 32768

然后运行：

ollama create qwen2.5-32k -f Modelfile

或者通过环境变量设置：

export OLLAMA_CONTEXT_LENGTH=32768

第三步：启动 OpenClaw

方法 A：一键启动（推荐）

ollama launch openclaw

如果还没安装 OpenClaw，系统会自动提示安装。

方法 B：手动安装

macOS/Linux：

curl -fsSL https://openclaw.ai/install.sh | bash

Windows：

iwr -useb https://openclaw.ai/install.ps1 | iex

安装完成后，运行配置向导：

openclaw onboard --install-daemon

在配置过程中，选择 Ollama 作为模型供应商，API 地址填写：

http://127.0.0.1:11434

不需要任何 API Key。

配置完成后，打开控制面板：

openclaw dashboard

浏览器会自动打开 http://127.0.0.1:18789，你的私人 AI 助手已经就绪。

本地模型能做什么？不能做什么？

很多人担心：本地模型比不上云端大模型，是不是体验会差很多？

答案是：看场景。

本地模型擅长的事

工具调用：执行简单命令、操作文件系统
格式转换：JSON 提取、文本分类、数据清洗
日志分析：摘要总结、异常检测
代码生成：常见语言的基础代码编写
定时任务：Cron 调度、自动化巡检
隐私场景：处理医疗记录、财务数据、个人日记

本地模型的短板

复杂多步推理（需要精密规划的任务）
超长文本的精确格式化
多语言输出质量（尤其是小语种）
显存不足时的大上下文窗口

最佳实践：混合策略

聪明的做法不是二选一，而是两者兼用。OpenClaw 支持按 Agent 配置不同模型：

日常轻量任务（写代码片段、整理笔记、处理隐私数据）→ 本地模型，快、免费、安全
攻坚重型任务（复杂推理、长文本分析）→ 一键切换到云端大模型

这就是所谓的 “Local + Cloud 混合模式”，既省钱又不牺牲关键任务的质量。

真实用户都在用 OpenClaw 做什么？

理论说得再好，不如看看真实案例。以下是社区中最受欢迎的几种玩法：

每日晨间简报：每天早上 6:30，OpenClaw 自动汇总天气、日历、待办事项、行业新闻，一条消息发到你的 Telegram 或微信。替代了 5-6 个 App 的打开操作。

邮件自动分拣：有用户让 OpenClaw 两天内自动处理了 4000+ 封邮件——退订垃圾邮件、按紧急程度分类、起草回复。整个过程在夜间完成，第二天早上只需要审核。

智能家居控制：通过 Home Assistant 集成，OpenClaw 可以控制全屋灯光、空调、监控摄像头，甚至根据天气预报自动调节锅炉设置。

GitHub Issue 自动清理：开发者让 AI 在夜间自动审查过期 Issue，关闭不活跃的 PR，生成每日开发报告。

语音转日记：每天录一段语音备忘，OpenClaw 自动转写成结构化的日记，还能追踪情绪变化。

进阶技巧：让本地部署更稳更快

1. 开启 Flash Attention

设置环境变量 OLLAMA_FLASH_ATTENTION=1，可在 Ampere 及以上架构的 NVIDIA GPU 上减少 30% 显存占用，同时提升推理速度。

2. 减少模型”话唠”

本地模型有时候会输出冗长的内容。在 OpenClaw 的 SOUL.md 文件中添加：

请直接执行任务，不要输出大段说明文字。
总结而非原样输出 JSON。

或者创建自定义 Modelfile，在系统提示中强调简洁和直接。

3. 配置健康检查

运行 openclaw doctor 可以自动检测并修复常见配置问题，建议在首次部署后立即执行。

4. 7x24 小时运行

如果想让 OpenClaw 持续在线（比如监控服务器或自动回复消息），可以使用 Docker 部署或配合 1Panel 面板管理。具体方案：

Docker：所有服务跑在容器里，不污染宿主机环境
1Panel：可视化管理面板，一键安装 Ollama + OpenClaw
阿里云/腾讯云：68 元/年起，提供预装镜像一键部署

5. 网络部署与远程访问

Ollama 和 OpenClaw 可以部署在不同机器上。常见方案：OpenClaw 跑在随时在线的服务器上，Ollama 跑在有 GPU 的工作站上。只需修改 baseUrl 指向 GPU 机器的 IP 地址即可。

Ollama 架构：为什么它跑得起来？

很多人好奇：Ollama 凭什么能在消费级硬件上跑大模型？

核心在于三点：

第一，GGUF 格式 + 量化技术。Ollama 使用 GGUF（GPT-Generated Unified Format）格式存储模型，支持 4-bit 和 8-bit 量化。一个 7B 参数的模型，经过 4-bit 量化后只占约 4 GB 空间，8 GB 显存的显卡就能流畅运行。

第二，智能内存调度。2025 年底的一次架构升级引入了精确内存分配机制，取代了此前的估算方式，OOM（内存溢出）崩溃减少了 70%。系统会根据实际上下文长度动态调整 VRAM 使用。

第三，模型进程隔离。Ollama 的 CLI 本质上是一个 HTTP 客户端，模型在独立进程中运行。如果模型进程崩溃，主服务器照常运行，比把所有东西塞进一个进程要稳健得多。

目前在 H100 GPU 上，DeepSeek 14B 模型的推理速度可达 75 Token/秒；双 RTX 5090 跑 Llama 3.3 70B 也能达到 27 Token/秒——对于 Agent 任务来说，完全够用。

极客天花板：Mac Studio 512GB 跑 400B 模型

前面聊的都是”够用”级别的配置。但如果你是那种追求极致的人——本地跑 400B 参数的大模型，体验接近甚至超越云端 API，行不行？

答案是：行，而且已经有人在这么干了。

创始人 Peter Steinberger 的”真香”时刻

OpenClaw 的创始人 Peter Steinberger（@steipete）曾经写过一篇指南，教大家怎么在 5 美元的 VPS 上跑 OpenClaw。但他自己呢？他在社交媒体上坦言：

“I wrote a guide on running Clawdbot on a $5 V P S . N o w I^{'} m e y e i n g a$ 10K Mac Studio. Do as I say, not as I do.”

这句话让整个社区都笑了。但 Peter 的选择并非冲动消费——512 GB 统一内存的 Mac Studio，是目前消费级硬件中唯一能跑 400B 级别大模型的方案。

更夸张的是，因为 OpenClaw 的爆火，Apple Mac Studio M3 Ultra 512GB 一度出现了超过 50 天的供货等待期。一款原本面向视频剪辑师和 3D 设计师的工作站，被 AI 极客们买断了货。

还有 Hacker News 上的用户直接晒单：花 12000 美元订购了一台 512GB 内存的 Mac Studio，专门用来跑 DeepSeek R1（671B 参数）和其他 200GB+ 的超大模型。他的理由很实际：这些模型在传统 GPU 集群上需要昂贵的 InfiniBand 互联才能跑，但 Apple Silicon 的统一内存架构让一切变得简单。

（最新消息：Mac Studio 的 512 GB 内存配置被取消，目前最高配置被限制在 256 GB 或更低的市场版本，原因是全球 DRAM 供应紧张。）

图源：Ars Techinca

400B 模型实测：Llama 4 Maverick

说到 400B 级别的模型，不得不提 Meta 的 Llama 4 Maverick。这是一个采用混合专家架构（MoE）的模型，总参数量约 400B，但每次推理只激活 17B 参数，通过 128 个专家路由。

Ollama 已经原生支持这个模型，一条命令即可拉取：

ollama pull llama4:maverick

模型文件约 245 GB（Q4_K_M 量化），所以你确实需要 512GB 内存的 Mac Studio 才能完整加载。

那实际跑起来怎么样？根据 Hardware Corner 在 Mac Studio M3 Ultra（512GB 统一内存，800 GB/s 带宽）上的实测数据：

模型	上下文长度	提示处理速度	生成速度
Llama 4 Scout（109B）	30 Token	103 tok/s	44 tok/s
Llama 4 Scout（109B）	10K Token	82 tok/s	22 tok/s
Llama 4 Maverick（400B）	30 Token	140 tok/s	50 tok/s
Llama 4 Maverick（400B）	10K Token	117 tok/s	25 tok/s

50 Token/秒的生成速度，这意味着什么？这已经是实时对话级别的流畅度了。要知道，人类的平均阅读速度大约是 4-5 个汉字/秒（约 8-10 Token/秒），模型输出的速度是你阅读的 5 倍。

更让人意外的是，Maverick 的提示处理速度（140 tok/s）比 DeepSeek V3 在同等上下文长度下快了约 70%。MoE 架构的优势在 Apple Silicon 上展现得淋漓尽致。

高端硬件配置一览

配置	价格	可运行模型	推理速度
Mac Studio M4 Max 64GB	约 3000 美元	70B（Q4 量化）	8-15 tok/s
Mac Studio M4 Max 128GB	约 5000 美元	70B（Q6/Q8 高精度）	10-18 tok/s
Mac Studio M4 Ultra 192GB	约 8000 美元	109B（Llama 4 Scout）	22-44 tok/s
Mac Studio M4 Ultra 512GB	约 12000 美元	400B+（Maverick/DeepSeek R1）	25-50 tok/s

当然，Peter Steinberger 自己也说过：”Please don’t buy a Mac Mini — sponsor one of the developers instead.” 他建议大多数人用 5 美元的 VPS 就足够了，Mac Studio 是给真正需要本地跑超大模型的人准备的。

为什么选 Apple Silicon 而不是 NVIDIA？

对于 400B 级别的模型，Apple Silicon 有一个 NVIDIA 消费级显卡无法比拟的优势：统一内存。

一张 RTX 4090 只有 24 GB 显存，即使是专业级的 RTX PRO 6000 也只有 48 GB。要跑 400B 模型，你需要 4 张 RTX PRO 6000（总价约 34000 美元），还需要复杂的多 GPU 互联配置。

而 Mac Studio 512GB？一台机器，一根电源线，功耗仅 120W，噪音只有 15 分贝——放在书房里你甚至察觉不到它在运行。

这也是为什么越来越多的 AI 开发者开始把 Mac Studio 当作”个人 AI 服务器”来用——不是因为它便宜，而是因为在这个价位段，没有任何其他消费级方案能做到同样的事。

常见问题排查

问题	解决方案
模型回复为空	将 API 模式从 OpenAI 兼容切换到 Ollama 原生模式
OpenClaw 看不到模型	运行 openclaw models list，手动在配置中定义
工具调用失败	检查权限设置，考虑在 Modelfile 中调整系统提示
输出过于冗长	调整上下文长度，添加简洁规则
推理速度慢	换用更小的量化模型，或开启 Flash Attention

写在最后

OpenClaw + Ollama 的组合，本质上解决了 AI Agent 领域最大的痛点：让普通人也能拥有一个 7x24 小时工作的 AI 助手，而且完全免费、完全私密、完全可控。

你不需要每个月给 OpenAI 或 Anthropic 交”保护费”，不需要担心自己的数据被上传到云端训练，也不需要在网络断开时干瞪眼。

当然，本地模型不是万能的。对于真正需要顶级推理能力的场景，云端大模型仍然是更好的选择。但在 2026 年，本地模型的能力已经足以覆盖 80% 以上的日常 Agent 任务。

一条命令，十分钟部署，零元月费。剩下的，就交给你的想象力了。

关于 OpenClaw 本地部署，你有什么问题或者独特的玩法？欢迎在评论区分享。

参考来源

OpenClaw - Ollama 官方集成文档 - Ollama Docs
Ollama 最新版，一键启动 OpenClaw，0 配置 - 腾讯云开发者社区
2026 年 Windows+Ollama 本地部署 OpenClaw 保姆级教程 - 阿里云开发者社区
别再花钱买云服务器了！OpenClaw 本地部署保姆级教程 - 博客园
操作教程 | 使用开源三件套（OpenClaw+Ollama+1Panel）部署个人 AI 助理 - 博客园
Ollama + OpenClaw 真正本地部署：完全免费、断网可用 - 零度博客
OpenClaw + Ollama 本地模型：完全免费的 AI 助理 - ohya.co
Cost Comparison: Ollama Self-hosting vs Cloud APIs - Ventus Servers
Run OpenClaw locally for free with Ollama and zero API cost - LumaDock
OpenClaw Blog - Ollama Integration - Ollama Blog
Ollama Behind the Scenes: Architecture and Performance Deep Dive - DasRoot
OpenClaw use cases: 25 ways to automate work and life - Hostinger
硅谷最火 OpenClaw 人手一个，1 分钱傻瓜式部署 - 36氪
本地离线部署 AI 大模型：OpenClaw + Ollama + Qwen3.5 - 知乎
OpenClaw + Ollama Setup Guide: Run Local AI Agents 2026 - CoderSera
Llama 4 Scout & Maverick Benchmarks on Mac M3 Ultra - Hardware Corner
Llama 4 Maverick - Ollama Model Library - Ollama
Just ordered a $12k Mac Studio w/ 512GB of integrated RAM - Hacker News
Best Local LLMs for Mac in 2026 — M1, M2, M3, M4 Tested - InsiderLLM
Local LLMs for OpenClaw: the models, the RAM, the trade-offs - RentAMac

(文章结束)

使用1panel搭建OpenClaw图文教程

Thu, 02 Apr 2026 15:50:59 +0800

本文作者：猫猫摸大鱼原文地址：https://iloli.love/archives/1772270062391

1. 前言

本文隶属于 OpenClaw 龙虾系列教程文章，建议按顺序阅读，可以访问OpenClaw龙虾系列教程文章目录 https://iloli.love/archives/1766849996690 查看其它文章

本文基于 1Panel v2.1.1 版本以及 OpenClaw-20260226 版本

本文中安装的是由 1Panel 构建的 Docker 版本，非官方直装版本

本系列教程全程使用腾讯云轻量应用服务器，可以参加腾讯云OpenClaw专属活动进行购买，新客68/年起，老客99/年起

活动链接 https://cloud.tencent.com/act/pro/lighthouse-moltbot （无AFF） http://to.iloli.love/openclaw （有AFF）

就算不买也强烈推荐使用有快照功能的厂商的服务器进行搭建，并且一定要经常打快照，不要问为什么，血的教训，血的教训，血的教训

2.配置并搭建

进入 1Panel 面板，点击 AI 下拉，点击智能体，点击模型账号，点击创建模型账号

点击下拉模型供应商，选择自定义（这里我要使用的是前面教程反代出来的自建 API，如果你有其他官方 API，也可以直接在这里接入，这里不做赘述）

根据自己的实际情况，填写相关信息，点击确认

（名称随意；API Key 为在自建项目里创建的 API Key ；Base URL 为自建项目的服务器IP:端口或是为项目反代的域名（结尾一定要带/v1）；模型为在自建项目里获取到的模型名称，选择其中一个；API 类型无需改动）

（Max Tokens 为 AI 每次生成的最大 Token 数量；Context window 为模型上下文窗口的长度；这两个可以根据模型的实际情况进行调整，也可以直接默认）

可以看到我们刚刚创建的模型账号

点击智能体，点击创建智能体，点击下拉模型供应商，选择自定义，点击确认

等待一会，如图所示即为成功

可以看到我们刚刚创建的智能体（OpenClaw）

接下来点击面板设置，点击默认访问地址的设置，填入自己服务器的 IP ，点击确认

然后点击 AI ，点击智能体，点击 WebUI 端口这个按钮

会跳转访问服务器 IP:18789/?token=你的OpenClawToken

然后会重定向到 WebUI 界面

3. 开始使用

接下来就可以在 WebUI 里进行其他配置与聊天了

MemOS Local :让你的OpenClaw拥有永久记忆

Thu, 02 Apr 2026 14:30:43 +0800

OpenClaw 用久了，有个根本问题：对话一长，AI 就开始"失忆"。
之前聊过的内容、解决过的问题，下次再问又要从头解释。
今天介绍一个插件，专门解决这个痛点——MemOS Local，让 OpenClaw 拥有真正持久化的本地记忆。

MemOS Local 是什么？

MemOS Local 是 OpenClaw 的本地化记忆服务插件。所有数据存储在本地，不上传云端，完全离线可用。

核心定位：给 OpenClaw 装一个"本地记忆大脑"，每次对话自动整理、自动总结、自动进化。

六大核心能力

能力	说明
全量记忆写入	每次对话自动捕获，语义分块后持久化，不丢失关键信息
混合智能检索	FTS5 + 向量双通道检索，语义相关而非关键词匹配
任务自动总结	多轮对话自动归纳为结构化任务经验
技能自动进化	成功经验自动沉淀为可复用技能，持续升级
原生记忆导入	一键迁移 OpenClaw 原生记忆，智能去重、断点续传
多智能体协同	记忆隔离 + 公共记忆 + 技能共享，多 Agent 协同进化

工作原理：四条智能流水线

MemOS Local 的核心是四条自动运行的流水线，每条解决一个问题：

流水线一：记忆写入

对话 → Capture → 语义分片 → 内容哈希去重 → LLM 摘要 → 向量化 → SQLite 存储

关键机制：
• 系统消息自动跳过
• 工具调用结果不会重复存储
• SHA-256 内容哈希防止同一会话内重复 chunk

流水线二：任务生成

新 chunks → 按用户轮次分组 → LLM 话题判断
• 同一话题归入当前任务
• 新话题创建新任务
• 时间间隔超过 2 小时强制分割

结果：碎片化的对话被整理成结构化任务记录——目标、步骤、结果、关键细节完整保留。

流水线三：技能进化

已完成任务 → 规则过滤 → 检索相关已有技能
• 找到相关技能 → 评估升级（refine/extend/fix）
• 无相关技能 → 评估新建 SKILL.md + 脚本 + 验证项
• 质量评分 ≥ 6 自动安装

这就是它最厉害的地方——Agent 越用越聪明，同类问题不再重复踩坑。

流水线四：智能检索

查询 → FTS5 + 向量双通道召回 → RRF 融合 → MMR 重排 → 时间衰减过滤 → Top-K → LLM 相关性过滤 → 返回摘录

技术亮点：
• RRF（倒数排名融合）：两个检索通道合并为统一得分
• MMR（最大边际相关）：重排兼顾相关性与多样性
• 时间衰减：近期记忆加权提升，默认半衰期 14 天

安装步骤

环境要求

要求	版本
Node.js	>= 18.0.0
OpenClaw	>= 2026.2.0
系统	Linux / macOS / Windows 均支持

第一步：安装插件

openclaw plugins install @memtensor/memos-local-openclaw-plugin@latest

第二步：安装依赖（部分系统需要）

cd ~/.openclaw/extensions/memos-local-openclaw-plugin
npm install
npm rebuild better-sqlite3

第三步：重启网关

openclaw gateway restart

验证安装

openclaw status

看到以下输出说明安装成功：

Memory │ enabled (plugin memos-local-openclaw-plugin)
memos-local: initialized (db: ~/.openclaw/memos-local/memos.db)

数据存储位置

内容	路径
插件本体	`~/.openclaw/extensions/memos-local-openclaw-plugin`
记忆数据	`~/.openclaw/memos-local/memos.db`
Memory Viewer	`http://127.0.0.1:18799`

插件代码与数据完全分离，升级插件不会删除已有记忆。

内置管理面板

MemOS Local 提供 6 个本地面板页面，完全可视化：

页面	功能
Memories	时间线浏览、CRUD 操作、语义搜索
Tasks	任务列表、状态筛选、结构化总结
Skills	技能管理、版本历史、一键下载
Analytics	读写统计、活跃度图表、记忆分布
Logs	工具调用日志、输入输出、耗时统计
Settings	在线配置、模型切换、参数调优

效果数据

指标	提升幅度
LLM Judge Score	提升约 18%
平均交互轮次	减少 53%（116轮 → 54轮）
单次任务 Input Token	减少 30.8%
总 Token 消耗	节省近 49%

与 mem9 的区别

维度	mem9	MemOS Local
存储	云端	完全本地 SQLite
隐私	数据上传云端	零上传
跨设备	支持	不支持
任务总结	无	有
技能进化	无	有
分级模型	无	Embedding 轻量 / 摘要中等 / 技能高质量

说在最后

如果你的 OpenClaw 经常需要处理复杂、长周期的任务，MemOS Local 是一个值得投入的升级。

它解决的不只是"记住对话"这个问题，而是让 AI 真正从历史经验中学习、把成功方案固化为可复用技能。

长期来看，这会显著减少 Token 消耗、提升 AI 执行效率。

华为系OSPF核心配置与查看命令

Thu, 02 Apr 2026 14:28:34 +0800

本文整理“华为系OSPF核心配置与查看命令”，覆盖基础配置、区域、认证、路由、FRR、BFD、过滤、维护等场景，网工可直接速查使用。

一、核心基础命令

ospf：创建并运行OSPF进程
router-id：配置路由器ID
area：创建OSPF区域并进入区域视图
network：指定运行OSPF的接口与所属区域
display ospf brief：查看OSPF概要信息
display ospf peer：查看OSPF邻居信息
display ospf routing：查看OSPF路由表
display ospf lsdb：查看链路状态数据库

二、区域相关命令

stub：将区域设为Stub区域
nssa：将区域设为NSSA区域
default-cost：配置Stub/NSSA区域缺省路由开销
abr-summary：ABR上配置区域间路由聚合
vlink-peer：创建并配置虚连接
sham-link：配置伪连接
filter export/import：区域内过滤Type3 LSA

三、认证与安全命令

authentication-mode：配置区域认证模式与口令
ospf authentication-mode：配置接口认证
gtsm：配置GTSM安全检测
valid-ttl-hops：使能GTSM并配置检测TTL值

四、接口与参数命令

ospf cost：配置接口开销
ospf dr-priority：设置DR选举优先级
ospf network-type：修改接口网络类型
ospf timer hello/dead：配置Hello/失效时间
ospf timer retransmit：配置LSA重传间隔
silent-interface：禁止接口收发OSPF报文
bandwidth-reference：设置带宽参考值

五、路由引入与聚合

import-route：引入其他协议路由
default-route-advertise：通告缺省路由
asbr-summary：ASBR上配置外部路由聚合
filter-policy export/import：过滤引入/接收路由
maximum load-balancing：配置等价路由负载分担

六、高可用命令

bfd all-interfaces：OSPF进程下使能BFD
ospf bfd：接口下配置BFD
frr：进入OSPF FRR视图
loop-free-alternate：使能FRR快速重路由
graceful-restart：使能OSPF GR平滑重启

七、维护与调试命令

display ospf error：查看OSPF错误信息
display ospf spf-statistics：查看路由计算统计
reset ospf process：重启OSPF进程
reset ospf counters：清零OSPF计数器
ospf suppress-flapping peer：配置邻居震荡抑制

Qwen3.6-Plus重磅发布，编程与智能体能力全面提升！

Thu, 02 Apr 2026 14:26:25 +0800

刚刚，阿里新一代大语言模型Qwen3.6-Plus正式发布。

较之上一代模型，千问3.6整体性能提升明显，尤其是编程Coding能力、智能体Agent能力和工具调用能力都实现了全面跃升，同时深度适配主流Agent框架，释放模型在开放环境中完成复杂任务的新潜力。

在SWE-bench系列真实编程任务测试、考察终端编程的Terminal-Bench2、长程编程任务NL2Repo，以及Claw-Eval、QwenClawBench等真实世界Agent能力评测中，Qwen3.6-Plus显著超越一众模型，成为中国编程能力最强的模型。

目前，Qwen3.6-Plus已上架阿里云百炼，每百万Tokens（词元）输入最低2元；同时，Qwen3.6-Plus已登陆悟空、千问APP等阿里AI应用和平台，开发者和普通用户可第一时间体验最新模型。

// 编程Coding能力：让代理式编程真正可行

随着编程能力的大幅提升，大模型能更好发挥AI智能体的潜力，使得代理式编程（Agentic Coding）真正可行。

在前端网页开发、仓库级复杂任务等实测场景中，千问3.6可自主拆解任务、规划路径、测试修改直至任务完成。Qwen3.6-Plus展现出卓越的工程落地能力，不仅能实现高质量代码修复，而且擅长复杂的终端操作与自动化任务执行，取得了多个高难度的长程规划任务中的最优成绩。

// 多模态推理能力：迈向具备高度自主性的超级智能体

基于原生多模态数据训练，千问3.6发展出更敏锐的理解感知能力和更强大的多模态推理能力。

同时，Qwen3.6-Plus面向真实任务持续迭代优化，具备更强的指令遵循、文本和物体识别能力，在实际场景中表现更稳健。

Qwen3.6-Plus的原生多模态能力，打开了视觉智能体编程新的想象空间：模型可基于界面截图、设计稿或自然图文描述，完成前端页面生成、代码补全、交互修改等任务，逐步打通从“看懂界面”到“生成代码”再到“调用工具完成修改”的完整链路，让多模态模型在真实开发工作中具备更强的实用价值。

通过将增强的推理能力、海量的上下文记忆与精准的工具执行能力有机融合，千问正加速迈向具备高度自主性的超级智能体。

// 优化支持系列Agent框架：让Vibe Coding真正可用

千问3.6支持一百万词元的上下文窗口，并集中对OpenClaw、Qwen Code、Claude Code、Kilo Code、Cline、OpenCode等系列Agent框架进行了优化支持，更好挖掘模型在开放环境中完成复杂任务的新潜力。

Qwen3.6-Plus不但能自主完成复杂代码治理、跨域长程规划等真实世界的专业编程任务，而且大大降低了普通人的编程门槛，让自然语言驱动AI写代码的“氛围编程”（Vibe Coding）真正可用。

现在，普通人也可简单一句话来调动千问大模型，分析拆解任务并主动编排智能体系统，实现专业程序员数小时乃至数天才能完成的复杂编程效果。

// 调用Qwen-Plus API

Qwen3.6-Plus现已通过阿里云百炼的官方API正式开放。阿里云百炼支持行业标准协议，包括兼容OpenAI规范的聊天补全（chat completions）和响应（responses）API，以及兼容Anthropic的API接口。

用户可以将该API无缝集成到流行的第三方编程助手中，包括OpenClaw、Claude Code、Qwen Code、Kilo Code、Cline和OpenCode，从而简化开发流程，实现高效且具备上下文感知能力的编码体验。

Qwen3.6-Plus是千问3.6推出的第一款模型，千问3.6系列还将开源其他尺寸模型。

同时，性能更强的旗舰模型Qwen3.6-Max也将于不久与大家见面。

/ END /

QQ原生接入OpenClaw了，如何在宝塔面板里快速接入QQ Bot？

Thu, 02 Apr 2026 14:23:33 +0800

这两天，QQ 接入 OpenClaw 这件事，一下把不少人的兴趣点拉起来了。

原因也不难理解。

一边是很多人用了很多年的 QQ——它可能不是今天最“新”的聊天工具，但对不少老用户来说，依然是熟悉、稳定、带着使用惯性的那个入口；另一边，则是越来越多人开始关注的 AI Agent、自动化助手和 Bot 场景。当这两件事连到一起，大家最自然的反应其实就是：这个东西终于能接到自己本来就在用的场景里了。

但真到了动手这一步，门槛往往不在“能不能接”，而在于怎么更快跑起来、怎么更稳定地挂着、怎么少踩坑。

我们更关心的是：如果想把 QQ 接进 OpenClaw，能不能借助宝塔面板，把这件事更快落地？今天就借这波热度，实操演示一次：

怎么通过宝塔面板的 OpenClaw 插件，把 QQ 接入并真正跑起来。

操作步骤

1. 登录宝塔面板-软件商店，打开已经安装的OpenClaw插件，点击消息平台

2. 点击配置

3. 前往QQ开放平台，找到快速搭建AI私人QQ助理，点击立即使用

4. 登录平台，点击创建机器人

5. 复制展示的ID和密钥，并填写到插件页面

6. 点击保存，等待插件自动安装

7. 安装完成后会显示已配置

8. 随后可以在QQ内找到刚刚创建的机器人开始对话

END

热度会过去，但工具真正接到自己手里，才算开始。

QQ 接入 OpenClaw 之后，最值得做的不是围观，而是趁着这波热度，真的把它跑起来试一遍。

如果你本身就在用宝塔面板，这件事会简单很多——少一点折腾，多一点上手，把注意力放回到 Bot、自动化和实际场景本身。

先接起来，再用起来。

很多事情，跑通第一次之后，后面就顺了。

打造7 * 24小时的AI员工-本地安装OpenClaw操作步骤

Wed, 01 Apr 2026 20:05:37 +0800

快解析

一、OpenClaw：从聊天到干活的AI革命

在2026年初的科技圈，一个名为OpenClaw的开源项目以惊人的速度席卷全球开发者社区。它曾用名Clawdbot、Moltbot，最终定名为OpenClaw，在短短几周内GitHub星标飙升至14.5万以上，成为增长最快的开源项目之一。

OpenClaw的核心突破在于：它不再是只能聊天的AI，而是真正能"动手干活"的数字员工。传统AI如ChatGPT只能提供建议，最终执行仍需人工操作；而OpenClaw通过本地部署，获得了直接操作电脑、管理文件、控制应用程序的权限，实现了从"参谋"到"执行者"的转变。

核心优势：

1）本地优先，隐私安全：所有数据存储在本地设备，不上传云端

2）7 * 24小时持续运行：作为守护进程后台运行，随时待命

3）多渠道统一入口：支持飞书、企业微信、Telegram、WhatsApp等平台

4）开源免费：MIT许可证，代码透明可审计

5）中文汉化：CLI和Web界面均已汉化，国内用户无门槛

二、安装前环境准备

1. 操作系统要求

1）Windows：建议使用WSL2（推荐Ubuntu），原生Windows支持有限

2）macOS：10.15及以上版本

3）Linux：Ubuntu/Debian等主流发行版

2. 必备软件

1）Node.js：版本必须≥22.0.0（关键要求）

2）包管理器：npm、pnpm或bun（推荐pnpm，速度更快）

3）Git：可选，用于源码安装

3. Windows用户特别准备

如果使用原生Windows（非WSL2），需要以管理员身份打开PowerShell，执行：Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

输入Y确认，解除脚本执行限制。

三、详细安装步骤

方案A：Windows/macOS本地部署（推荐新手）

Windows系统安装（3种方法）

方法1：官方一键脚本（最推荐）

1）以管理员身份打开PowerShell

2）执行命令：iwr -usebhttps://openclaw.ai/install.ps1 | iex

3）安装完成后初始化：openclaw onboard --install-daemon

方法2：npm安装汉化版（最稳定）

1）先卸载旧版（如有）：npm uninstall -g openclaw

2）安装中文汉化版：npm install -g@qingchencloud/openclaw-zh@latest

3）验证安装：openclaw --version

输出应含-zh后缀，如v2026.2.2-zh

4）初始化：openclawonboard

方法3：源码安装（国内网络更快）

1）克隆中文仓库：

git clonehttps://gitee.com/OpenClaw-CN/openclaw-cn.git

cd openclaw-cn

2）切换稳定版：git checkout v2026.2.2-cn

3）安装依赖：

pnpm config set registryhttps://registry.npmmirror.com

pnpm install

pnpm build

4）初始化：pnpmopenclaw onboard --install-daemon

macOS系统安装

方法1：官方一键脚本

curl -fsSL https://openclaw.ai/install.sh |bash

openclaw onboard --install-daemon

方法2：npm汉化版

sudo npm uninstall -g openclaw

sudo npm install -g@qingchencloud/openclaw-zh@latest

openclaw --version

openclaw onboard

Linux系统安装（Ubuntu/Debian）

安装方法与macOS基本相同，使用对应的脚本即可。

方案B：Linux生产环境部署（适合开发者/企业）

对于需要24小时在线的生产环境，建议在Linux服务器上部署，可实现高可用性和集群支持。

四、配置向导详解

执行openclaw onboard后，会进入交互式配置向导：

1. 模式选择（Mode）

1）QuickStart：自动配置基础参数，适合新手

2）Advanced：自定义模型、端口等，适合技术用户推荐选择QuickStart。

2. 模型提供方（Provider）

1）Qwen：通义千问，国内可直接访问

2）OpenAI：需要API Key

3）Skip for now：暂不配置

推荐选择Qwen，后续会弹出网页登录通义千问账号完成授权。

3. 默认模型（Default model）

1）qwen-portal：通义千问门户版

2）coder-model：编程专用模型

保持默认即可。

4. 通道配置（Channels）

1）Telegram/WhatsApp：国外平台

2）Skip for now：暂不配置

推荐选择Skip for now，后续单独配置飞书等国内平台。

5. 技能配置（Skills）

Skills是OpenClaw的功能模块，选择Yes启用基础技能。

五、启动与验证

1. 启动网关服务

openclaw gateway --port 18789

或启动后台服务：openclaw gateway start

2. 访问管理界面

在浏览器中打开：http://127.0.0.1:18789即可看到中文控制面板。

3. 配置飞书通道（国内用户）

1）前往飞书开放平台，创建"企业自建应用"

2）获取App ID和App Secret

3）编辑配置文件（~/.openclaw/openclaw.json），添加：

"channels": {

"feishu": {

"enabled": true,

"appId": "你的App ID",

"appSecret": "你的App Secret",

"connectionMode": "websocket"

}

3）重启网关：openclaw gateway

restart

4. 安装飞书插件（备选方案）

openclaw plugins install@m1heng-clawd/feishu

按照提示填入飞书的App ID和Key。

六、使用内网穿透工具实现外网访问

要让OpenClaw实现真正的7 * 24小时远程访问，需要将本地服务暴露到公网。本人一直使用的是金万维快解析这个内网穿透工具，属于老牌工具，在稳定性及响应速度上相较优势。

配置步骤：

1. 下载安装客户端

访问对应工具的官网，下载适合您操作系统的客户端安装包。

2. 注册登录账号

安装完成后注册账号，创建您的专属访问通道。

3. 添加端口映射

在客户端界面中添加新的端口映射规则：

1）填写映射名称，如"OpenClaw服务"

2）设置公网访问端口类型（通常可选择HTTP）

3）填写内网地址：127.0.0.1（如果在本机使用）

4）填写应用程序端口：18789（OpenClaw默认端口）

5）填写完成后点击确定保存配置

4. 获取外网访问地址

配置成功后，工具会生成一个外网访问地址（通常为域名+端口组合）。无论身处何地，只需在浏览器中输入这个地址，即可远程访问OpenClaw管理界面。

5. 安全建议

1）为OpenClaw设置强密码

2）定期更换访问密钥

3）仅允许信任的设备连接

4）考虑在虚拟机中运行OpenClaw，实现物理隔离

七、实际应用场景

1. 自动化办公

1）自动整理邮件，生成每日摘要

2）管理日历，智能安排会议

3）处理Excel表格，生成数据报告

2. 开发辅助

1）自动运行测试，修复代码错误

2）管理Git仓库，处理Pull Request

3）监控服务器状态，自动告警

3. 生活助手

1）智能购物比价，寻找最优优惠

2）管理家庭账单，提醒缴费日期

3）控制智能家居设备

4. 企业应用

1）CRM系统数据同步

2）自动生成业务报表

3）跨部门协作自动化

八、安全注意事项

OpenClaw拥有极高的系统权限，必须谨慎使用：

1. 权限最小化原则

1）不要使用root或管理员权限运行

2）为OpenClaw创建专用低权限账户

3）限制其访问敏感目录的权限

2. 连接审批机制

1）默认情况下，未知私聊需要配对码才能交互

2）严格审查所有连接请求

3）只批准来源明确的配对请求

3. 危险操作二次确认

1）文件删除、系统修改等操作需要人工确认

2）设置操作日志，定期审计

3）重要操作前自动备份相关数据

4. 防范提示词注入

这是OpenClaw面临的最紧迫安全威胁。黑客可能在网页中隐藏恶意指令，当OpenClaw读取该页面时，可能被诱导泄露系统密钥。建议：

1）限制OpenClaw访问不可信网站

2）定期更新安全策略

3）使用内容过滤机制

九、总结与展望

OpenClaw代表了AI从"聊天"到"干活"的重要转折点。通过本地部署结合内网穿透工具的组合，我们能够打造一个真正7 * 24小时在线的AI员工，既保障了数据隐私，又实现了远程便捷访问。

创始人Peter Steinberger预测，随着这类工具的发展，未来80%的App可能会消失，因为AI能直接帮我们管理健康、安排日程、预订餐厅，App变成了多余的中间商。

然而，强大的能力也伴随着巨大的责任。OpenClaw的安全使用需要用户保持高度警惕，遵循最小权限原则，定期审计日志，确保这个"数字员工"始终在可控范围内工作。

技术终究要回到个体手中。OpenClaw的出现，实际上是一次"个人算力"的回归，它提醒我们，AI不应该只是大公司租赁给我们的"云端神谕"，而应该像当年的PC一样，成为每个人手中的生产力工具。

现在，你的7 * 24小时AI员工已经准备就绪，接下来的舞台将交给你的创意：是让它帮你处理繁琐的表格数据，还是让它成为你全天候在线的系统管家？在这个"人机协作"的时代，掌握自动化工具的部署，本质上是在升级你自己的效率系统。