前阵子我把自己跑了大半年的云端AI助手服务退了换成了本地部署的OpenClaw再用cpolar把服务隧道开到公网让AI助手真正跟着我走。这套组合的核心思路很简单AI助手住在我自己的机器上模型我选、数据我留、能力我扩展cpolar负责在公网和本地之间开一条安全隧道我在外面用手机、平板、办公室电脑打开浏览器就能调回家里那套助手。这篇文章我会把从零搭建的完整过程、部署时最容易卡住的WSL和模型配置问题、以及远程访问的实测体验都写出来适合想自己部署AI代理、又不想被云厂商锁定的朋友参考。1. OpenClaw到底解决什么问题一个可自主部署的AI代理平台1.1 从“AI只能在云端跑”这个痛点说起用过云端AI助手的同学应该都有同感刚上手觉得方便用久了全是拧巴。API额度得天天盯着对话记录全存在别人的服务器上想要换一个模型、调整一下回答风格得等平台方发版本更别提有些需求根本不让传——私人文档、公司内部资料、还没公开的训练数据扔给云端API心里总不踏实。于是我转向了自托管路线。OpenClaw正是这类开源AI代理平台里比较有代表性的一员。它不是单纯的聊天机器人壳子而是一个具备任务规划、工具调用和模型接入能力的代理框架。你可以把它理解为一个“AI调度中心”它自己不产生算力但能指挥你接进来的模型完成问答、写代码、查资料、执行脚本等一系列任务。和云端助手最大的区别是它的身体在你自己的电脑上。这个定位决定了它非常适合三类人一是对数据隐私敏感希望对话记录完全留在本地的用户二是想自由切换模型、追求可定制性的折腾型玩家三是做自动化集成、需要把AI能力接进自己工具链的开发者。对我来说最直接的收益就是“不再被云服务的使用条款绑架”。1.2 代理框架、模型接入与SkillOpenClaw的三层结构刚开始接触OpenClaw的时候容易把它想复杂其实拆开看就是三层结构。第一层是代理核心。它负责理解你的任务把任务拆成步骤然后按步骤调用工具、组织答案。比如你说“帮我整理这个目录下的所有md文件做一份带摘要的索引”OpenClaw会先找到目录、扫描文件、读取内容、调用模型生成摘要再把结果整理成一份文档。整个过程有一个完整的“规划—执行—反馈”循环而不是简单地把问题丢给大模型。第二层是模型接入层。OpenClaw本身不内置大模型它通过配置对接不同的模型来源可以是本地的Ollama、也可以接入各类云API。这一层决定了你实际使用时的算力来源也是部署时最需要动脑子的地方。第三层是Skill机制。中文社区一般叫“技能”或“技能包”类似IDE里的插件。社区里有大量现成的Skill可以装比如文件操作、网页抓取、代码执行、日程管理等等。你也可以按自己的需求写新的Skill给AI助手扩展特定能力。OpenClaw还提供了一个Web界面和一套API接口。Web界面用于日常对话和配置管理API接口则方便你把它嵌进别的系统。这里顺便回应一个很多人问的问题OpenClaw只能用接入API的方式使用算力吗不是。它原生支持接Ollama这样的本地模型服务算力完全可以在你本机解决。1.3 不搞清楚算力来源部署必翻车在我接触到的部署失败案例里有相当一部分不是OpenClaw本身的问题而是算力路线没想清楚就急着装。你至少要提前想明白一个问题你打算用什么模型跑对话选本地模型就要面对显存和性能的现实。一个7B参数量的量化模型跑起来通常需要8GB左右的显存才比较流畅14B甚至更大的模型16GB显存是起步。显存不够会出现什么情况要么推理慢到像拨号上网要么直接显存溢出报错。所以没有独立显卡、只有核显的机器老老实实选API模式或者小一点的模型。选API模式则要考虑费用和网络依赖。好处是模型能力强、出结果快坏处是你又回到了“数据经过第三方”的路径上。如果选API记得把API密钥妥善保管不要顺手写进会被同步的配置文件里。我个人的建议是部署前先用一张纸把两个问题写清楚——你的机器能跑多大的本地模型你的使用场景能不能接受云API答案清晰了再动手装环境后面会省掉大量反复调试的麻烦。2. Windows搭建第一关WSL2环境与“无法安全验证”报错2.1 为什么Windows上绕不开WSL2如果你在Windows上部署OpenClaw绕不开的一个组件就是WSL2也就是基于WSL的第二代Windows Linux子系统。原因不复杂OpenClaw及其依赖的许多组件在Linux环境下的兼容性和运行效率明显更好。WSL2和旧版WSL最大区别是它跑了一个真正的Linux内核而不是API翻译层。这意味着你熟悉的Linux命令、软件的安装方式、文件权限模型在WSL2里都完全一致。更重要的是WSL2对GPU加速的支持已经比较成熟如果你想在Windows上通过Ollama调用本机显卡来跑模型WSL2几乎是必经之路。很多新手的第一个挫折就发生在这一关。装好了OpenClaw运行安装脚本时报“无法安全验证”或者在终端里看到“sl2环境”相关提示要求你去Windows PowerShell里运行wsl --status查看状态——这其实都是WSL环境没就绪的典型信号。下面我把整个检查和修复过程说清楚。2.2 一步步把WSL2环境调到就绪首先以管理员身份打开PowerShell。注意是管理员身份否则很多命令会因权限不足而失败。然后按顺序执行wsl --install这个命令在Windows 10 2004及以上版本、Windows 11上会一次性安装WSL2所需的全部组件和默认Linux发行版。执行完成后重启系统。重启后第一次打开终端系统会要求你为新装的Linux发行版设置用户名和密码按提示设置即可。接着确认WSL版本wsl --status wsl --list --verbosewsl --status会显示默认版本、内核状态等关键信息。如果显示默认是v1需要手动切到v2wsl --set-default-version 2如果提示内核版本过旧再执行wsl --update这里给一个常用命令速查表方便你对照排查命令作用wsl --install安装WSL及默认发行版wsl --status查看WSL整体状态和默认版本wsl --list --verbose查看已装发行版及其版本号wsl --set-default-version 2设置默认WSL版本为2wsl --update更新WSL内核到最新版还有一个容易被忽略的坑老版本Windows 10没有wsl --install命令那就得去“控制面板—启用或关闭Windows功能”里手动勾选“适用于Linux的Windows子系统”和“虚拟机平台”重启后再用wsl --set-default-version 2指定版本。装好WSL2之后再回到OpenClaw的安装流程你会明显感觉顺畅很多。2.3 “无法安全验证”背后通常是这两件事“无法安全验证”这个报错几乎每个Windows用户都会遇到但原因并不单一。第一类是PowerShell执行策略拦截。Windows默认的策略是Restricted只允许运行签名的本地脚本。而OpenClaw的安装脚本一般是仓库里的.ps1或.sh文件第一次执行时会被系统拦住。处理办法是在PowerShell里给当前用户放开远程脚本执行权限Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser执行完以后再运行安装脚本通常就能通过。如果你看到的是“是否要运行此软件”之类的SmartScreen弹窗那是Windows在警告你“这个文件不是来自受信任的发布者”。你要是确认脚本是从官方仓库拉下来的点“仍要运行”即可不确认来源的话先停下来核对一下再继续。第二类才是和WSL相关的硬性问题。OpenClaw的Windows配套安装器Windows Companion在初始化时会检查WSL发行版是否可信、内核组件是否完整。如果WSL本身没装好或者发行版签名验证出问题就会出现“sl2环境请在PowerShell中运行wsl --status”这类提示。遇到这种情况不要急着绕过校验先回到上一步把wsl --status的实际输出看清楚如果提示内核不可用执行wsl --update如果发行版显示为v1就执行wsl --set-default-version 2。再补充一个基础环境要求Node.js。OpenClaw本身依赖Node.js运行去官方网站下载LTS版本安装即可不要用系统包管理器里那种过时的版本。装完以后用node -v和npm -v确认版本号能正常输出版本号说明Node.js这一关也过了。3. Ollama还是云API本地模型与云端算力的配置取舍3.1 用Ollama接本地模型的完整配置先把结论放前面如果你有多余的显存本地模型方案值得优先尝试因为它的体验最接近“一个完全属于你的AI助手”。安装Ollama很简单去官网下载对应平台的安装程序macOS和Windows都有图形化安装包Linux就用官方脚本。装好之后拉一个模型下来这里以中英双语能力不错的Qwen系列为例ollama pull qwen2.5拉取完成后先用ollama run qwen2.5在终端里做一次对话测试。测试通过说明模型本身没问题。Ollama启动后默认监听本地11434端口你可以用下面这个命令确认API是否正常curl http://localhost:11434/api/tags如果返回一个包含模型列表的JSON说明Ollama服务就绪。接下来到OpenClaw的配置文件里把模型提供方设置为Ollama填上模型名称和API地址。不同版本的项目配置项位置会有差异以你克隆下来的项目文档为准核心就是三个字段provider类型、model名称、base_url指向http://localhost:11434。配置完成后启动OpenClaw在Web界面里发起一次对话看能否正常返回。第一次请求可能会等得久一点因为模型要加载进显存这个是正常现象第二次开始就快了。这里有个实操提醒显存是硬约束。比如一张8GB显存的显卡跑7B量化模型基本是及格线跑14B模型就会比较吃力回复速度可能降到能接受的下限以下。如果你只有集成显卡那就老老实实选小模型比如3B、4B级别的量化模型或者直接走API路线。3.2 云API模式不折腾显卡的接入路线本地模型好是好但不是每个人都有大显存。如果你手里的机器没有独立显卡、或者显存只有几GB那我建议直接走云API模式。这条路线几乎没有硬件门槛只要网络通畅就行。操作上你先去云服务商那边注册账号、开通API服务、拿到一个API Key。然后在OpenClaw的配置里切换到对应的provider填入API Key、基础地址和你想用的模型名。相比Ollama你不需要下载任何模型文件也不需要关心显存占用配置对话返回的速度通常也更快、更稳定。不过API模式有它的代价。首先是费用按token计费日常高频使用一个月下来账单不容忽视。其次是数据路径你的对话内容会经过云服务商的服务器对隐私敏感的场景要慎重。还有网络要求如果网络不稳定响应体会非常明显。实际操作中API模式最常见的报错有三种API Key填错或带了多余的空格、模型名称和官方接口里的名字对不上、base_url末尾多了斜杠。遇到401或404错误优先检查这三处。3.3 混合玩法大模型规划、小模型执行聊完两种方案我得说一句它们不是非此即彼的关系完全可以混着用。什么意思OpenClaw支持同时配置多个模型来源。我可以让复杂任务走云API用大模型完成深度分析、代码生成这类高难度工作日常的简单问答、信息提取、批量整理则交给本地小模型处理。这样做的好处是既保住了日常使用的手感和响应速度又只在关键场景才消耗API额度。配置思路大致长这样models: - name: local_quick provider: ollama model: qwen2.5:7b base_url: http://localhost:11434 roles: [chat, summarize] - name: cloud_power provider: api model: your-cloud-model-name api_key: ${API_KEY} base_url: https://api.example.com roles: [plan, deep_analysis]实际跑起来以后我发现这种“重活给云端、轻活给本地”的路子体验非常舒服。长期挂着用API消耗也控制得住。你完全可以根据自己的需求调整分工把代码任务给强模型、把闲聊给本地模型或者反过来。4. cpolar内网穿透让AI助手从“本机独占”变成“随身服务”4.1 内网穿透解决的根本问题OpenClaw部署好之后默认只能在你自己的局域网里访问。你在家里用WiFi手机连同一个路由器当然能访问可一旦到了办公室、去了外地就完全连不上了。原因很直接你的电脑在一个内网里外网没有办法直接找到它。要解决这个问题常见方案是去路由器里做端口映射、申请公网IP但对于大多数普通用户来说这套操作既麻烦又不现实而且运营商给的家庭宽带往往并没有独立的公网IP。cpolar这类内网穿透工具就是专门解决这个问题的。打个比方你的服务像是住在一个不对外公开门牌号的小区里外人只知道这个小区名字却找不到具体楼栋。cpolar相当于在小区门口设了一个收发室公网用户访问cpolar分配的域名请求就被安全地转送到你家里的电脑上。整个过程不需要公网IP、不需要改路由器、不需要申请域名。把本地端口映射成一个公网可访问的URL这就是内网穿透的本质。需要明确的是这里说的是把自己机器上运行的服务开放给公网用于你个人远程访问这是常规的自托管用法。4.2 cpolar安装、认证与隧道建立cpolar的安装很直白。先去官网注册一个账号拿到属于你的authtoken然后在你部署OpenClaw的机器上安装cpolar客户端。Windows有安装包Linux环境可以用npm或官方脚本装npm install -g cpolar装好以后先执行认证cpolar authtoken 你的token这一步会把你的账号和本地客户端绑定。之后假设OpenClaw的Web界面跑在3000端口建立一条HTTP隧道cpolar http 3000执行完终端里会输出一条公网地址。在上面的示例里通常是一段随机子域名比如https://xxxx.cpolar.top。在浏览器里打开它如果能正常看到OpenClaw的登录或对话界面就说明隧道已经通了。cpolar的套餐差别主要体现在几个维度免费版域名是随机生成的每次重启隧道都可能变付费版本可以固定一个二级域名还能自定义更快更稳的节点、开更多隧道。对只是偶尔远程用一下的场景免费版够用但如果你打算长期自托管、天天要访问我建议至少保留一个固定域名不然每天记新地址太折腾。下面是一张简单的对比维度免费版基础付费版公网地址随机生成重启可能变化可固定二级域名隧道数量有限更多带宽/稳定性够演示更适合持续使用适用场景临时测试、偶尔访问长期自托管访问4.3 隧道建好之后必须做的三件事隧道通了只是开始下面三件事不在第一时间做后面大概率要后悔。第一件给OpenClaw加上访问鉴权。你把自己电脑上的服务暴露到了公网如果Web界面没有登录机制就等于把自己家的门钥匙放进了公共信箱。cpolar管理后台可以给隧道设置访问密码或者用Basic Auth保护入口建议务必配置OpenClaw自身如果有登录功能也要把口令设好。两层保险至少要有其一。第二件只穿透必要的端口。我的OpenClaw跑在3000端口那我就只建一条3000端口的隧道不要把Ollama的11434端口也穿透出去。你想想如果Ollama API暴露到公网别人就能直接调用你显卡上的算力用你的模型、吃你的显存这是实打实的资源被盗用。内网穿透的端口范围要克制到最小。第三件把隧道和本地服务做成开机自启。家里的电脑不可能天天手动开服务cpolar和OpenClaw都可以注册成系统服务实现开机自启具体命令依平台而定装好之后确认一次重启后仍然能访问才算真正完成了“随身可用”的闭环。5. 运行实测从服务起不来到远程访问的排查链路5.1 最常见的三处卡点与定位过程部署和配置都完成之后最考验人的其实是调试环节。我在整个过程中踩得最多的坑有三处每处的表现都不一样排查方式也完全不同。第一个卡点是服务起来了但浏览器访问没有反应。这时候先在终端看进程是不是真的还活着窗口是不是因为某行日志报错而退出了。最常见的原因是启动时依赖的服务没就绪比如WSL环境没起来导致整个进程非正常退出。用wsl --status确认环境状态如果是好的再重启一遍服务。第二个卡点是对话请求一直转圈像卡死了一样。这种情况优先怀疑模型配置。我当时第一次配Ollama的时候在配置文件里随手写了一个没拉取过的模型名称Ollama那边根本找不到这个模型请求就一直挂着。解决办法是回到curl http://localhost:11434/api/tags看一眼实际可用的模型列表把配置文件里model字段改成列表里的准确名称。第三个卡点最隐蔽cpolar隧道明明显示在线公网地址也打得开但页面就是转圈或者白屏。后来排查发现OpenClaw服务默认监听的是127.0.0.1也就是只接受本机访问而cpolar隧道转发到这台机器时请求进不来。解决方法是把服务监听地址改成0.0.0.0让它接受来自本机所有网卡的连接请求再重启服务。5.2 用curl和日志把问题一步步逼出来遇到问题不要瞎猜用一条链路把问题分层定位。我在调试时基本按这个顺序来第一步确认本地服务活着。在部署OpenClaw的机器上执行curl http://localhost:3000如果有响应说明服务本身在跑。这一步挂掉问题在OpenClaw或它的依赖环境先别碰隧道。第二步确认模型服务正常curl http://localhost:11434/api/tags有JSON返回说明Ollama活着。这一步挂掉问题在Ollama、模型路径或显存占用上。第三步确认隧道转发正常。换一台不在同一局域网的设备或者干脆用手机流量访问你的cpolar域名curl https://你的cpolar域名能通说明隧道没问题不能通就看cpolar的日志检查是否是域名失效、隧道绑定的本地端口不对、或者服务监听地址还是127.0.0.1。每执行一步就把嫌疑缩小一圈。我的经验是80%的问题都能被这个三步法定位出来。剩下20%看日志OpenClaw的日志文件在哪以项目文档为准一般会在运行目录下的logs文件夹里Ollama的日志比较直接终端跑起来时所有输出都在屏幕上。5.3 远程访问体验的稳定性优化跑通之后还有一个长期课题怎么用着舒服。远程访问自托管服务最明显的问题就是延迟和断连。首选优化方案是让OpenClaw和Ollama跑在同一台机器上。如果你把模型服务放在家里另一台服务器上OpenClaw在穿透的机器A、模型在服务器B那你每次对话都要走两层局域网转发延迟翻倍。能同机就同机能局域网就尽量局域网。其次是注意家庭宽带的上行带宽。下载带宽再大上行不够远程使用时输出速度也会受限。这属于物理限制只能通过升级宽带或选择质量更好的隧道节点缓解。第三是长连接的稳定性。OpenClaw对话是流式输出长回答耗时几十秒是常事。如果你访问过程中频繁断流除了检查隧道稳定性还可以考虑在Web界面里缩短单次输出长度或者把复杂任务拆成多次对话。另外不要在移动网络极差的环境下做长问答等信号稳定了再继续体验会好很多。6. 进阶场景安卓Termux部署、ROS2联动与日常接入6.1 用Termux在手机上部署OpenClaw出门在外不想带电脑那就直接在手机上跑一套OpenClaw。很多人在网上搜“openclaw安卓部署”、“termux安装openclaw手机版”说明这个需求很普遍。Termux是安卓上比较成熟的Linux终端模拟器。需要注意一点Google Play商店里的Termux版本因为系统限制功能不全建议从F-Droid渠道安装完整版。装好之后按顺序执行pkg update pkg upgrade pkg install nodejs git python git clone OpenClaw仓库地址 cd openclaw npm install npm start跑起来之后手机就能作为OpenClaw的宿主机了。算力方面有两种选择手机连同一个局域网把模型请求转发给局域网里的Ollama服务或者直接在手机上跑一个小模型比如3B、4B级别的量化版不追求速度的话也可以。但手机当服务器有两个现实问题一是安卓系统会回收后台进程开个屏幕锁屏放几个小时服务可能就被系统杀了二是发热和续航都扛不住长时间运行。我的实际体验是手机部署更适合应急比如出门在外临时跑一个代理任务主力服务还是放在家里电脑上更靠谱。如果你真的想长期在手机上跑可以研究Termux:Boot和WakeLock的用法能缓解一部分问题但别指望它能替代一台正经服务器。6.2 rosclaw与ROS2仿真机器人方向的额外惊喜如果你走的是机器人方向OpenClaw社区里还有一个比较硬核的扩展方向叫rosclaw。它在OpenClaw和ROS2之间搭了一座桥常见的组合是在ROS2 Humble Gazebo仿真环境里跑。思路是让AI代理订阅机器人的状态话题、接收传感器数据再通过自然语言指令去控制仿真机器人的运动或行为。我在这个方向上初步摸索过目前还处在研究阶段。给我的感觉是潜力很大但门槛也确实高。你要先熟悉ROS2的工作空间结构、colcon构建工具、topic和服务机制才能把OpenClaw接进仿真系统里。普通用户或者没有机器人背景的朋友这一节可以直接跳过但如果你在做相关课题建议先跑通基础OpenClaw再碰rosclaw两个项目叠在一起排错难度是乘法级别的。6.3 把OpenClaw嵌入日常工具链的几种姿势最后聊点更贴近日常的用法。OpenClaw有了公网地址之后能做的事情比“打开网页聊个天”多得多。第一手机浏览器直接访问cpolar域名这是最基础的使用姿势。导航栏里存好链接随时随地打开就是一个完整AI助手历史记录因为都存储在你家里那台机器上所以手机换到平板、平板换到电脑对话上下文是连续的这点自托管比云端服务体验还好。第二把OpenClaw的API接口接到你的自动化工具里。比如我写了一个简单的快捷指令用curl向OpenClaw的对话接口发一段文本再把回复追加到我的笔记文件里。这样我可以把OpenClaw当成一个后台助手每天帮我整理信息、生成摘要、定时跑一些文本处理任务。curl -X POST http://localhost:3000/api/chat \ -H Content-Type: application/json \ -d {message:把这份会议纪要点整理成三条待办事项,session_id:daily}公网隧道打通之后把这里的localhost:3000换成你的cpolar地址这套自动化就从局域网工具变成了随身服务。第三如果追求更极致的“跟着走”还可以考虑在OpenClaw上接入外部消息通道比如把它挂到即时通讯软件上在外面发个消息就能触发家里的AI助手干活。不过这种扩展依赖网络服务和三方鉴权配置起来要花更多时间建议先把基础链路用顺了再折腾。从部署OpenClaw到接上cpolar整个过程折腾了大概一个周末。我个人最大的体会是这套方案的底层逻辑其实非常简单——把AI助手的“身体”放在自己能控制的机器上再用隧道把门牌号挂出去。它带来的自由度是云端服务给不了的模型随便换、数据自己管、行为完全可定制。唯一需要你认真对待的是安全边界公网开了口子鉴权就要做好不该暴露的端口一台都别暴露。以后想扩展更多模型、更多Skill或者接上家里的智能设备都是在同一个底座上做加法。想清楚自己打算怎么用再跟着上面的步骤一步步走这个AI助手是真的能“跟着你走”的。