1. 为什么 OpenClaw 值得花 5 分钟聊一聊先说结论OpenClaw 不是那种需要你啃半个月文档才能跑起来的重框架它的核心定位是让 AI Agent 快速拥有双手——把工具调用、环境交互、任务编排这些能力集成到一个相对轻量的本地部署方案里。最近社区里关于 OpenClaw 的讨论热度涨得很快尤其是 Windows 用户和安卓用户都在折腾它热度词里能同时看到openclaw部署、openclaw windows 搭建、openclaw安卓部署说明大家真正关心的是这玩意儿到底怎么在自己的机器上跑起来而不是看一堆概念演示。这篇内容适合三类人想本地跑通 OpenClaw但对 Docker、API 配置、环境变量这些还不太熟的新手已经在用 Ollama、DeepSeek 或其他本地大模型想用 OpenClaw 把模型能力接进 Agent 流程的进阶用户以及单纯想搞清楚5 分钟部署到底是营销话术还是真能落地的人。先说清楚一件事OpenClaw 本身的部署门槛并不高真正花时间的地方在于第一次运行时的配置判断——选哪个运行时、模型走本地还是 API、目录结构怎么规划。这些搞明白了5 分钟从零到能跑是真的我的实测时间是 4 分半其中两分钟花在等镜像下载上。2. 部署前必须想清楚的三个选择很多人部署失败不是操作错了而是在最开始选错了路径。OpenClaw 的部署方式取决于三个前置问题。2.1 运行时Docker 还是裸机OpenClaw 官方推荐 Docker 方式原因很现实它依赖的组件多包括消息中间件、文件系统接口、外设工具链Docker 可以一次把环境固定下来。裸机部署虽然可行但你要手动处理 Python 版本、Node 版本、系统库冲突这些坑在 Windows 上尤其多。我的建议是只要你不是在跑生产级高并发场景一律选 Docker。Windows 用户先装好 Docker DesktopUbuntu 用户直接装 docker.io 即可。2.2 模型来源本地还是云端 API这是最容易纠结的选项。OpenClaw 本身不是一个模型它相当于一个调度层需要接一个大模型来做理解和决策。两种接法各有优劣方式优点缺点适合场景本地模型Ollama qwen/llama 等数据不出机器、免费、无限调用需要显存/内存部署步骤略多个人体验、隐私敏感场景云端 APIDeepSeek/OpenAI 兼容接口零硬件负担启动快模型能力强按量付费数据经过网络传输快速验证、生成质量要求高如果你问我个人偏好先在本地用 Ollama 跑通再切换 API。因为本地跑通一次你对 OpenClaw 的结构会更熟悉之后换 API 只是改几行配置的事。2.3 系统环境Windows 和 Linux 的关键差异OpenClaw 在 Linux 下的部署最顺但 Windows 也完全可用关键差异在两点路径格式Windows 下挂载目录建议用反斜杠或双斜杠Docker 挂载时尤其要注意C:\path和/c/path的区别端口占用Windows 下 3000 端口经常被其他后台服务占用我的建议是部署前先跑一下netstat -ano | findstr :3000检查。3. 零到能跑的完整流程我实测的 4 分半下面这套流程是我在一台 Windows 11 机器上加 Ubuntu 双系统环境分别测过的为了照顾大多数读者这里以 Docker Ollama 本地模型为准来写。整个流程分为两条链路准备链路和装配链路。3.1 准备链路装 Docker 和 Ollama第一步装 Docker。Windows 用户从 Docker 官网下载 Docker Desktop安装完成后打开 Settings在 General 里勾选 Use the WSL 2 based engine然后重启。Ubuntu 用户执行sudo apt update sudo apt install docker.io docker-compose -y sudo systemctl enable --now docker第二步装 Ollama。这是为了跑本地模型。直接访问 ollama.com 下载对应系统版本装完后在终端验证ollama --version然后拉取一个模型。OpenClaw 对模型参数量没有强制要求但为了体验流畅建议至少 7B 起步ollama pull qwen2.5:7b这里要提醒一句qwen2.5:7b默认是 Q4 量化版本显存占用大概 5GB 左右如果你的显卡显存只有 4GB建议改用qwen2.5:3b实测日常对话和简单工具调用完全够用。3.2 装配链路拿 OpenClaw 镜像并启动OpenClaw 的启动入口是一个 Docker 镜像。打开终端先拉镜像docker pull openclaw/openclaw:latest如果你的网络环境里 Docker Hub 拉取不稳定可以配置国内镜像加速器这属于常规操作这里不展开。拉取完成后创建项目目录并启动容器mkdir -p ~/openclaw-data cd ~/openclaw-data docker run -d \ --name openclaw \ -p 3000:3000 \ -v ~/openclaw-data:/data \ openclaw/openclaw:latest3.3 第一次启动时的关键配置容器启动后打开浏览器访问http://localhost:3000。首次进入 OpenClaw 引导界面你会被要求配置模型来源。这里走本地模型链路选择Ollama作为模型后端填入API 地址http://host.docker.internal:11434Windows 和 Mac 下 Docker 访问宿主机 Ollama 的固定写法Linux 下用http://127.0.0.1:11434模型名称qwen2.5:7b请求超时保持默认 30 秒填完后点击测试连接如果返回正常的模型回复配置就完成了。这一步是整个部署流程中最容易出错的地方后面专门讲坑。4. 最容易踩的四个坑排查思路与修复方案这部分是我自己踩过、以及在社区里看到高频出现的四个问题。每一个我都会从现象→根因→排查路径→修复来写不直接给答案因为排查思路比答案更值钱。4.1 坑一容器起来了但页面打不开现象docker ps能看到容器在运行但浏览器访问localhost:3000一直转圈或者拒绝连接。根因80% 的情况是端口没映射成功20% 是 Windows 防火墙拦截了 Docker 的端口转发。排查路径先看容器日志docker logs openclaw --tail 50如果日志显示正在监听 3000 端口那问题一定出在端口映射或防火墙。执行docker port openclaw如果输出是3000/tcp - 0.0.0.0:3000说明映射正常则去检查 Windows 防火墙把 Docker 的专用网络和公用网络访问都勾上允许。如果输出为空说明容器启动参数漏了端口映射重新创建容器时记得加上-p 3000:3000。4.2 坑二Ollama 连接测试一直报 Connection refused现象在引导界面填 API 地址后点测试报连接拒绝。根因这是最典型的容器访问宿主机问题。Docker 容器内部是隔离网络localhost指向容器自己而不是你的电脑。所以http://localhost:11434必然失败必须用host.docker.internal。修复Windows 和 Mac 用户将地址改为http://host.docker.internal:11434Linux 用户如果没有该 DNS 机制需要改用--network host模式重新运行容器或者加参数docker run -d --add-host host.docker.internal:host-gateway \ --name openclaw \ -p 3000:3000 \ -v ~/openclaw-data:/data \ openclaw/openclaw:latest这一步我在 Linux 上踩了整整二十分钟因为网上教程大多数以 Mac 和 Windows 为主Linux 用户的坑很少被提到。4.3 坑三模型能连上但回复特别慢或者直接超时现象测试连接时模型能返回但多轮对话后出现超时。根因大部分是模型量化档位太低或者请求上下文长度设置过大。OpenClaw 默认的上下文窗口对 7B 模型来说偏长一旦你的 prompt 堆积太多历史对话推理时间会指数级上升。修复进入设置界面把上下文长度从默认值调低到 4096同时把最大生成 token 数控制在 1024。另外检查你的 Ollama 是否启用了并发默认 Ollama 一次只能处理一个请求如果你同时开着其他工具调用 Ollama会排队等待。这里给一个具体参数参考参数推荐值说明上下文窗口4096过低影响长对话过高拖慢速度最大生成 token1024够日常任务输出Ollama 并发数2修改环境变量 OLLAMA_NUM_PARALLEL请求超时60s本地模型首token延迟高4.4 坑四想换 API 模型但不知道改哪里现象用本地模型跑通后想切到 DeepSeek 或 OpenAI 兼容接口找不到配置入口。根因OpenClaw 的模型源配置不是写在引导界面里的而是写在数据目录的配置文件中。修复进入你挂载的数据目录本流程中即~/openclaw-data找到配置文件将模型源从ollama改为openai-compatible并填入base_url: https://api.deepseek.com/v1 api_key: 你的密钥 model: deepseek-chat改完保存后重启容器docker restart openclaw实测切换后首次响应速度会有明显提升因为云端模型的推理能力比本地 7B 强不少但代价自然是按 token 计费。5. 进阶玩法安卓部署和 Skill 扩展跑通基础流程后很多人会问OpenClaw 能不能在安卓上玩以及能不能像社区里说的那样给它加 Skill 来扩展能力这两个都值得聊。5.1 安卓部署Termux 之路我已经看到有人在用安卓手机跑 OpenClaw 了这确实是可行的但和 PC 端有本质区别——手机内存和 CPU 决定了你只能跑最小模型。在安卓上部署最直接的路径是利用 Termux。基本思路是pkg update pkg install docker -y或者不装 Docker直接用 Termux 里的 Linux 环境装 Node.js 和 Python 组件。不过我要泼一盆冷水安卓部署 OpenClaw 的体验上限很低即便用qwen2.5:0.5b这类小模型首token延迟也会让你怀疑人生。它适合做远程控制实验、学习 Agent 编排逻辑但不适合作为日常主力工作区。如果你的目的只是手机端控制电脑上的 OpenClaw我的建议是别在手机上部署直接通过局域网访问你电脑上的容器 UI体验会好一百倍。5.2 Skill 机制给 OpenClaw 加技能的两种方式社区里很多人提到 OpenClaw 的 Skill 机制这个设计很聪明——把一段固定的工具调用逻辑封装成一个可复用的模块。例如你想让 OpenClaw 学会查天气可以自己写一个 Skilldef get_weather(city: str) - str: # 这里写调用天气 API 的逻辑 return f{city} 当前气温 22°C晴然后在配置里注册这个 Skill之后和 OpenClaw 对话时它会自动在需要的时候调用这个函数而不是每次都让你手动提供数据。Skill 机制的价值在于你的模型本身不具备实时数据能力但通过 Skill它获得了调用实时数据的手。这点和社区的 Claude Code、Cursor 的思路是相通的。6. 部署完成后我建议你这样验证部署成功不等于真的能用。我建议你按下面的顺序做一轮冒烟测试确认每个环节都没问题。第一步基础对话验证。给 OpenClaw 发一句你好请介绍一下你自己确认模型能正常理解和回复。第二步工具调用验证。问它你能调用哪些工具或者给一个需要它使用 Search Skill 的问题观察它在回复前是否先触发工具动作。第三步异常恢复验证。故意关掉 Ollama 服务再问 OpenClaw 问题看它是否给出清晰的错误提示还是傻傻地等超时。这一步能帮你判断未来的排障方向。第四步数据持久化验证。重启容器后确认之前的对话记录还在这证明挂载目录工作正常后续配置不会丢失。这四步跑完你的 OpenClaw 才算是真正部署成功而不是仅仅容器起来了。7. 关于 5 分钟的实话最后说点实在话。我说的 5 分钟部署成立的前提是你已经装好了 Docker 和 Ollama镜像也已经提前拉好。如果把下载镜像的时间和系统环境准备时间都算进去第一次完整部署大概需要 20 到 30 分钟。这不算快但也不算慢——如果你对照过同类 Agent 框架的部署文档你会认可 OpenClaw 这一步已经做得相当轻了。我个人在实际操作中的体会是部署 OpenClaw 最花时间的环节永远是决定怎么部署而不是执行部署。只要你把运行时、模型来源、系统差异这三个前置问题想清楚剩下的全是机械操作。如果你后续还想往深了玩建议优先级排序是先吃透 Skill 机制再调模型参数最后才是折腾安卓端。前两项对你的产出帮助最大安卓端属于锦上添花的东西。