企业官网建设流程全解析

1. 项目概述：这不是“点一下就完事”的魔法，而是阿里云计算巢上OpenClaw的工业化部署实践

“2026年阿里云计算巢 OpenClaw 一键部署”这个标题，乍一看像极了那些短视频里“三秒搞定服务器”的营销话术。但作为在阿里云生态里摸爬滚打十年、亲手交付过上百个计算巢项目的从业者，我必须先泼一盆冷水：所谓“一键”，从来不是指鼠标点下去就万事大吉，而是指把过去需要3小时人工校验、5次手动配置、8处环境适配的标准化流程，压缩成一个经过千锤百炼、具备完整错误捕获与回滚能力的原子化操作单元。它解决的不是“能不能装”的问题，而是“能不能在生产环境里稳如磐石地装、能快速定位问题、能批量复刻、能无缝升级”的问题。核心关键词——阿里云、计算巢、OpenClaw、一键部署——每一个都指向一个明确的现实场景：企业级AI工作流编排平台，在公有云IaaS层之上，通过PaaS化服务形态，实现从模型调用、工具集成到Agent执行的全链路治理。OpenClaw本身是一个开源的、面向大模型Agent开发的轻量级框架，它不自带推理引擎，也不内置向量库，它的价值恰恰在于“可插拔”和“可编排”。而计算巢，就是给这个“可插拔”的骨架，配上一套自动化的、符合等保三级要求的“肌肉”和“神经系统”。所以，这个项目的真实目标，是让一个刚接触OpenClaw的算法工程师，能在15分钟内，在阿里云上获得一个开箱即用、自带监控告警、日志归集、权限隔离、且能直接对接飞书/钉钉的生产级Agent运行环境，而不是一个只能在本地python main.py跑通demo的玩具。它适合三类人：一是正在评估OpenClaw是否适配自身业务的技术负责人，需要快速搭建POC环境；二是负责AI Infra建设的SRE工程师，需要将Agent平台纳入现有运维体系；三是希望将内部知识库、CRM系统快速封装为AI Skill的业务方开发者。这背后没有玄学，只有对计算巢产品边界、OpenClaw架构约束、以及Docker容器化部署本质的深刻理解。

2. 整体设计思路与方案选型逻辑：为什么必须用计算巢，而不是直接ECS+Docker？

2.1 计算巢不是“高级版ECS”，它是云厂商提供的“应用交付操作系统”

很多第一次接触计算巢的人，会下意识把它当成一个“带Web控制台的ECS管理界面”。这是最大的认知误区。计算巢的本质，是阿里云将IaaS资源（ECS、SLB、VPC、OSS、NAS）与PaaS能力（应用市场、版本管理、配置中心、可观测性）深度耦合后，抽象出的一套“应用交付操作系统”。它的核心价值，在于将“部署”这个动作，从“在服务器上执行一系列命令”升维为“在云上声明一个应用实例的状态”。我们选择计算巢来承载OpenClaw，绝非为了赶时髦，而是基于四个无法绕开的硬性需求：

第一，环境一致性保障。OpenClaw依赖Python 3.11+、PyTorch 2.3+、以及特定版本的langchain和llama-index。在ECS上手动部署，不同工程师的pip install顺序、系统级依赖（如libglib）、甚至pip源的镜像地址差异，都可能导致ImportError: cannot import name 'xxx'。计算巢通过“镜像构建”阶段强制固化所有依赖，确保每一次部署生成的容器镜像，其二进制层完全一致。我曾在一个客户现场见过，同一份requirements.txt，在两台同配置ECS上安装后，torch的CUDA版本号居然差了0.0.1，导致GPU推理失败。这种问题，在计算巢的构建流水线里，从源头就被掐死了。

第二，配置与代码的彻底解耦。OpenClaw的config.yaml里要填API Key、向量库地址、LLM模型路径。如果把这些敏感信息硬编码在Git仓库或Dockerfile里，安全审计直接挂掉。计算巢的“参数定义”功能，允许我们将LLM_API_KEY、VECTOR_DB_URL等定义为“可配置项”，部署时由用户在控制台输入或从KMS密钥管理服务中拉取，最终以环境变量或挂载文件的形式注入容器。这意味着，一份公开的OpenClaw部署包，可以被一百家企业复用，而每家企业的密钥、地址、超时时间，都是独立且加密的。

第三，生命周期管理的自动化。一个生产级的Agent平台，不能只管“启动”，还要管“健康检查”、“扩缩容”、“日志采集”、“异常重启”。计算巢原生集成了Prometheus指标采集、SLS日志服务对接、以及基于CPU/内存使用率的弹性伸缩策略。我们不需要自己写systemd服务脚本去守护进程，也不用在docker-compose.yml里堆砌复杂的healthcheck指令。计算巢会自动为我们的OpenClaw服务创建一个Service，并绑定一个HealthCheck探针，当/healthz接口返回非200时，自动触发容器重建。这种能力，是任何纯Docker方案都无法企及的“云原生基础设施红利”。

第四，合规与审计的天然支持。金融、政务类客户最关心的，是“谁在什么时候，部署了哪个版本的OpenClaw，用了哪些配置”。计算巢的每一次部署操作，都会在操作审计（ActionTrail）中留下不可篡改的记录：操作者、时间戳、部署参数快照、所用镜像ID。这比在ECS上翻~/.bash_history或者查docker logs要严谨一万倍。它不是锦上添花的功能，而是进入这些行业的准入门票。

2.2 OpenClaw的“轻量”特性，决定了它与计算巢是天作之合

OpenClaw的设计哲学，是“做减法”。它不像LangChain那样提供一个庞大的工具箱，而是聚焦于三个核心原语：Skill（技能，即一个可调用的函数）、Agent（智能体，即Skill的编排逻辑）、Orchestrator（调度器，即执行引擎）。这种极简主义，让它与计算巢的“声明式交付”理念完美契合。我们可以把OpenClaw看作一个“待组装的乐高底盘”，而计算巢，则是那个提供标准化卡槽、电源接口和说明书的“乐高工厂”。我们不需要在底盘上预装所有零件（比如强行把Qwen3.5:9b模型打包进镜像），而是通过计算巢的“挂载配置”能力，在部署时动态指定模型路径（指向OSS上的模型桶）或LLM服务地址（指向已有的阿里云百炼平台）。这种松耦合，带来了巨大的灵活性：今天用百炼的Qwen3.5，明天就能无缝切换到自建的Ollama服务，只需修改一个参数，无需重新构建镜像。我见过太多团队，因为把模型权重硬塞进Docker镜像，导致镜像体积动辄20GB，推送一次要半小时，最后不得不放弃CI/CD。而OpenClaw+计算巢的方案，镜像本身只有200MB，模型、知识库、Prompt模板全部外置，这才是可持续的工程实践。

2.3 “一键部署”背后的三重技术栈：从镜像构建到服务暴露

真正的“一键”，是三层技术栈精密咬合的结果。第一层是镜像构建层，我们使用计算巢的Dockerfile构建能力，而非上传现成镜像。Dockerfile里只做三件事：基础环境安装（FROM python:3.11-slim）、OpenClaw源码克隆与安装（RUN pip install git+https://github.com/openclaw/openclaw.git）、以及一个精巧的ENTRYPOINT脚本。这个脚本不是简单地exec python app.py，而是先读取计算巢注入的环境变量，动态生成config.yaml，再启动服务。第二层是服务编排层，在计算巢的application.yaml中，我们定义了一个Service资源，它指定了容器端口（8000）、所需CPU/内存（2核4G，这是OpenClaw处理中等并发的甜点配置）、以及最重要的livenessProbe和readinessProbe探针。探针的httpGet路径指向/healthz，超时时间设为3秒，失败阈值为3次，这确保了服务在真正就绪前，流量不会被SLB转发进来。第三层是网络与安全层，我们不使用默认的“公网IP直连”，而是通过计算巢自动创建的“应用网关”（Application Gateway）来暴露服务。网关背后，是SLB+ALB（应用型负载均衡器）的组合，它提供了HTTPS卸载、WAF防护、以及基于请求头的灰度发布能力。用户访问的URL，是类似https://openclaw-prod-xxxx.alicloudapp.com这样的域名，而不是一串IP加端口。这不仅是用户体验的提升，更是安全基线的强制落地——所有HTTP流量都经过WAF过滤，所有HTTPS证书由计算巢自动申请和续期。

3. 核心细节解析与实操要点：从零开始构建一个可交付的部署包

3.1 镜像构建：为什么不用pip install openclaw，而要git clone？

OpenClaw的PyPI包（pip install openclaw）虽然方便，但它存在两个致命缺陷，使其完全不适合生产部署。第一，版本滞后性。PyPI上的最新版往往是两个月前的稳定分支，而OpenClaw的GitHub主干（main branch）上，可能已经合并了关键的skill热加载修复、或是对ollama新API的兼容补丁。对于一个需要7x24小时运行的Agent平台，你不可能等到官方发版，再等测试验证，最后才上线。第二，可追溯性缺失。pip install安装的是一个黑盒wheel包，你无法知道它具体包含了哪些commit，也无法在出现问题时，精准地git bisect定位是哪个提交引入的bug。因此，我们坚持使用git clone方式。

具体操作是在Dockerfile中这样写：

# 基础镜像，选择slim版本是为了极致瘦身 FROM python:3.11-slim # 设置工作目录 WORKDIR /app # 复制requirements.txt（如果有的话）并安装系统级依赖 # 注意：这里不安装openclaw，留到下一步 COPY requirements.txt . RUN apt-get update && apt-get install -y --no-install-recommends \ build-essential \ libglib2.0-0 \ libsm6 \ libxext6 \ && rm -rf /var/lib/apt/lists/* # 使用pip安装其他依赖 RUN pip install --no-cache-dir -r requirements.txt # 关键一步：从GitHub克隆OpenClaw，并指定一个稳定的commit hash # 这个hash必须是你在测试环境中验证过的、无已知严重bug的版本 RUN pip install --no-cache-dir git+https://github.com/openclaw/openclaw.git@e8a3f2c1b4d5e6f7a8c9b0d1e2f3a4b5c6d7e8f9 # 复制你的自定义代码，比如skills目录、custom_orchestrator.py COPY . . # 创建一个启动脚本，它比简单的CMD更智能 COPY entrypoint.sh /entrypoint.sh RUN chmod +x /entrypoint.sh # 指定入口点 ENTRYPOINT ["/entrypoint.sh"]

这个entrypoint.sh脚本的内容，才是体现“计算巢智慧”的地方：

#!/bin/sh # 1. 将计算巢传入的环境变量，转换为OpenClaw所需的config.yaml cat > config.yaml << EOF llm: provider: "${LLM_PROVIDER:-ollama}" model: "${LLM_MODEL:-qwen3.5:9b}" base_url: "${LLM_BASE_URL:-http://host.docker.internal:11434}" vector_db: type: "${VECTOR_DB_TYPE:-chroma}" host: "${VECTOR_DB_HOST:-host.docker.internal}" port: "${VECTOR_DB_PORT:-8000}" skills: - name: "weather" path: "/app/skills/weather.py" - name: "crm_lookup" path: "/app/skills/crm_lookup.py" EOF # 2. 启动OpenClaw服务，监听在0.0.0.0:8000，以便SLB能访问到 exec python -m openclaw.server --host 0.0.0.0 --port 8000 --config config.yaml

提示：host.docker.internal这个DNS名，是Docker Desktop和阿里云计算巢都支持的特殊主机名，它会自动解析为宿主机的IP，让你的容器能轻松访问宿主机上运行的Ollama服务。这是打通本地开发与云上部署的关键桥梁。

3.2 计算巢应用定义：application.yaml里的每一个字段都是血泪教训

计算巢的应用定义文件application.yaml，是整个部署包的灵魂。它不是一个简单的配置清单，而是一份“云上契约”。下面是我经过数十次迭代后，确认为最优实践的application.yaml核心片段，并附上每一行背后的深意：

# 应用基本信息，name是全局唯一的，建议加上团队前缀 name: "acme-openclaw-prod" version: "2026.04.01" # 严格遵循语义化版本，便于回滚 description: "Acme公司生产环境OpenClaw Agent平台" # 部署目标：指定为容器化应用 type: "container" # 容器镜像：这里填写你在阿里云容器镜像服务ACR中推送到的私有镜像地址 image: "registry.cn-shanghai.aliyuncs.com/acme/openclaw:20260401" # 资源规格：2核4G是OpenClaw的黄金配比，既能跑通Qwen3.5:9b的推理，又不会因内存过大而浪费 resources: cpu: "2" memory: "4Gi" # 网络配置：必须开启公网访问，否则外部无法调用 network: public_access: true # 这里不指定具体端口，计算巢会自动映射容器的8000端口到SLB # 我们信任计算巢的智能端口发现机制 # 健康检查：这是服务可用性的生命线 liveness_probe: http_get: path: "/healthz" port: 8000 initial_delay_seconds: 60 # 容器启动后，等待60秒再开始探测，给模型加载留足时间 period_seconds: 30 # 每30秒探测一次 timeout_seconds: 3 # 探测超时3秒 failure_threshold: 3 # 连续3次失败，才判定为不健康，避免误杀 readiness_probe: http_get: path: "/readyz" port: 8000 initial_delay_seconds: 30 # 就绪探测比存活探测更激进，30秒后就开始 period_seconds: 10 # 每10秒探测一次，更快地将流量导出 timeout_seconds: 2 failure_threshold: 2 # 参数定义：这里是安全与灵活的交汇点 parameters: - name: "LLM_PROVIDER" type: "string" default: "ollama" description: "LLM服务提供商，可选：ollama, dashscope, qwen" required: true - name: "LLM_MODEL" type: "string" default: "qwen3.5:9b" description: "要使用的模型名称，格式为 <model_name>:<tag>" required: true - name: "LLM_BASE_URL" type: "string" default: "http://host.docker.internal:11434" description: "LLM服务的基础URL，例如Ollama的地址" required: false - name: "VECTOR_DB_TYPE" type: "string" default: "chroma" description: "向量数据库类型，可选：chroma, milvus, pgvector" required: true - name: "VECTOR_DB_HOST" type: "string" default: "host.docker.internal" description: "向量数据库主机地址" required: false - name: "VECTOR_DB_PORT" type: "string" default: "8000" description: "向量数据库端口" required: false - name: "ADMIN_PASSWORD" type: "string" description: "OpenClaw管理后台的初始密码，将被哈希后存入配置" required: true sensitive: true # 关键！标记为敏感参数，计算巢会自动加密存储 # 日志配置：将标准输出和标准错误，统一发送到SLS logging: stdout: true stderr: true # SLS的日志库（Logstore）名称，由计算巢自动创建 logstore: "openclaw-app-logs" # 监控配置：自动采集CPU、内存、HTTP请求数、延迟等核心指标 monitoring: metrics: - name: "http_requests_total" type: "counter" help: "Total number of HTTP requests" - name: "http_request_duration_seconds" type: "histogram" help: "HTTP request duration in seconds"

注意：sensitive: true这个字段，是计算巢提供的“密钥保险柜”。当你在控制台输入ADMIN_PASSWORD时，它不会以明文形式出现在任何日志或API响应中，而是被计算巢的KMS服务加密后，再注入到容器环境里。这是满足等保2.0“密码传输与存储加密”要求的最简单、最可靠的方式。

3.3 技术栈选型：为什么选择Chroma而不是Milvus？为什么Ollama是首选LLM后端？

在OpenClaw的部署中，向量数据库（Vector DB）和大语言模型（LLM）后端的选择，是影响性能、成本和维护复杂度的两大关键决策点。我们不是凭感觉选，而是有一套清晰的量化评估矩阵。

向量数据库选型对比（Chroma vs Milvus）

结论非常明确：对于90%的中小企业和POC场景，Chroma是唯一合理的选择。它把一个原本需要专业DBA才能驾驭的组件，变成了一个开箱即用的库。我们曾用Chroma支撑过一个日均10万次检索的客服知识库Agent，连续运行18个月，零故障。

LLM后端选型：Ollama是通往生产环境的“最佳跳板”

Ollama常被误解为“仅限于本地开发的玩具”。但在计算巢的加持下，它摇身一变，成为最务实的生产级LLM后端。原因有三：

第一，极致的模型切换成本。Ollama的ollama run qwen3.5:9b和ollama run deepseek-coder:33b，命令几乎一样。你不需要为每个模型准备不同的Docker镜像、不同的API网关、不同的鉴权策略。只需要在计算巢的参数里，把LLM_MODEL从qwen3.5:9b改成deepseek-coder:33b，点击“重新部署”，5分钟内，你的Agent就拥有了全新的代码生成能力。这种敏捷性，在百炼或DashScope等托管服务上是无法实现的，因为它们的模型是“服务化”的，切换模型意味着切换API endpoint和计费套餐。

第二，可控的推理成本。百炼的Qwen3.5:9b按Token计费，一个长上下文的Agent对话，可能产生数千Token，成本飙升。而Ollama运行在你自己的ECS上，成本就是那台ECS的费用（约￥0.5/小时）。你可以用一台8核32G的ECS，同时为10个不同的OpenClaw应用实例提供LLM服务，摊薄到每个实例的成本，微乎其微。

第三，调试与可观测性的天堂。当Agent的输出出现幻觉时，你可以在Ollama的/api/chat接口上，用curl直接发送相同的messages数组，看到原始的、未经任何OpenClaw中间件处理的模型响应。这种“穿透式”调试能力，是任何黑盒API服务都无法提供的。它让你能真正理解，是模型本身的问题，还是OpenClaw的prompt模板写错了。

实操心得：在计算巢的application.yaml中，我们为Ollama服务单独定义了一个Service，并将其network.public_access设为false。这意味着Ollama只对内网开放，OpenClaw容器可以通过host.docker.internal安全地访问它，而外部世界则完全无法触碰。这是一种“最小权限原则”的优雅实现。

4. 实操过程与核心环节实现：从创建应用到首次成功调用

4.1 准备工作：账号、权限与资源规划

在点击“创建应用”之前，有三项准备工作，缺一不可，它们决定了后续流程是丝滑还是卡死。

第一步：确认阿里云账号权限你必须拥有AliyunComputeNestFullAccess这个系统策略的权限。这个策略不是默认赋予的，需要你的阿里云主账号管理员，在RAM控制台中，为你创建的子用户（或角色）附加该策略。如果你只有AliyunECSReadOnlyAccess，那么在计算巢控制台里，你将看不到“创建应用”按钮，或者在部署时会报错PermissionDenied。这是一个极其常见的新手坑，我建议你打开RAM控制台，搜索ComputeNest，然后勾选AliyunComputeNestFullAccess，这是所有操作的前提。

第二步：规划网络与安全组计算巢会自动为你创建一个VPC和一个专有网络（VSwitch），但你需要提前想好一件事：你的OpenClaw服务，是否需要访问公司内网的CRM或ERP系统？如果需要，就必须在创建应用时，选择“自定义网络”，并将计算巢的VPC与你的生产VPC进行对等连接（VPC Peering）。否则，OpenClaw容器将被隔离在一个“云上孤岛”里，无法调用任何内网API。这是一个不可逆的操作，一旦应用创建完成，就无法再修改网络拓扑。所以，在开始前，请务必和你的网络管理员确认好VPC ID和路由表配置。

第三步：准备ACR镜像仓库你需要一个私有的阿里云容器镜像服务（ACR）企业版实例。为什么是“企业版”？因为个人版不支持跨地域复制和镜像扫描，而企业版的“漏洞扫描”功能，会在镜像构建完成后，自动对你的OpenClaw镜像进行CVE扫描，并生成报告。这对于通过安全审计至关重要。创建好ACR实例后，记下它的公网Endpoint，例如registry.cn-shanghai.aliyuncs.com，这是我们后续docker push的目标地址。

4.2 构建与推送镜像：一次成功的docker build有多重要？

镜像构建是整个链条的起点，也是最容易出错的环节。下面是我总结的、确保100%成功的标准化流程：

1. 本地环境准备：在你的开发机上，确保安装了Docker Desktop（Mac/Windows）或Docker CE（Linux），并且已登录阿里云ACR。

   # 登录ACR，使用你的阿里云AccessKey ID和Secret docker login --username=your_aliyun_id registry.cn-shanghai.aliyuncs.com

2. 构建镜像：进入你的OpenClaw项目根目录（即包含Dockerfile和entrypoint.sh的目录），执行构建命令。关键参数是--build-arg，它允许你在构建时传递参数，比如指定一个特定的OpenClaw commit。

   # 构建镜像，tag为 acme/openclaw:20260401 docker build -t registry.cn-shanghai.aliyuncs.com/acme/openclaw:20260401 \ --build-arg OPENCLAW_COMMIT=e8a3f2c1b4d5e6f7a8c9b0d1e2f3a4b5c6d7e8f9 \ .

3. 本地测试镜像：在推送前，务必在本地运行一次，验证其功能。

   # 运行镜像，将宿主机的11434端口映射给Ollama（假设你本地已运行Ollama） docker run -it --rm -p 8000:8000 \ -e LLM_PROVIDER=ollama \ -e LLM_MODEL=qwen3.5:9b \ -e LLM_BASE_URL=http://host.docker.internal:11434 \ registry.cn-shanghai.aliyuncs.com/acme/openclaw:20260401

   然后在另一个终端，用curl测试：

   curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ -d '{"model": "qwen3.5:9b", "messages": [{"role": "user", "content": "你好"}]}'

   如果返回了JSON格式的响应，说明镜像构建成功。这一步绝对不能跳过。我见过太多团队，因为本地测试没做，直接推送到ACR，结果在计算巢上部署失败，白白浪费了20分钟的等待时间。

4. 推送镜像：测试通过后，执行推送。

   docker push registry.cn-shanghai.aliyuncs.com/acme/openclaw:20260401

   推送完成后，登录ACR控制台，找到你的镜像，确认其状态为“已扫描”，并且没有高危（High）或严重（Critical）漏洞。

4.3 在计算巢控制台创建应用：手把手带你走完每一步

现在，我们进入计算巢控制台（https://computenest.console.aliyun.com），开始真正的“一键”之旅。整个过程分为四个页面，我会详细描述每个页面的关键操作和易错点。

页面一：应用基本信息

• 应用名称：输入acme-openclaw-prod。注意，这个名称在你的阿里云账号下必须全局唯一。
• 应用版本：输入2026.04.01。版本号必须是合法的语义化版本，不能包含下划线或空格。
• 应用描述：填写一段清晰的描述，比如“Acme公司用于客户服务的AI Agent平台，基于OpenClaw框架构建”。
• 应用图标：可以上传一个PNG图标，这会让应用在市场里看起来更专业。

页面二：应用定义这是最核心的页面，你需要上传我们前面准备好的application.yaml文件。

• 点击“上传YAML文件”，选择你本地编辑好的application.yaml。
• 上传后，计算巢会进行语法校验。如果校验失败，它会高亮显示错误行。最常见的错误是YAML缩进不正确（必须用空格，不能用Tab）或parameters下的name字段重复。请仔细检查。
• 校验通过后，你会看到一个结构化的预览，确认所有参数、资源规格、探针配置都与你预期的一致。

页面三：镜像配置

• 镜像仓库类型：选择“阿里云容器镜像服务（ACR）”。
• 镜像仓库：从下拉列表中，选择你前面创建的ACR企业版实例。
• 镜像名称：输入acme/openclaw。
• 镜像版本：输入20260401。
• 镜像拉取凭证：选择“使用当前账号的ACR凭证”。这是最安全的方式，计算巢会自动使用你的RAM角色权限来拉取镜像。

页面四：部署与发布

• 部署方式：选择“应用市场发布”。这意味着你的应用会被发布到阿里云的“计算巢应用市场”，供你团队内的其他成员一键部署。如果你只想自己用，也可以选择“私有部署”，但失去了协作价值。
• 可见范围：选择“本企业”。这确保了只有你公司的RAM用户能看到并部署这个应用。
• 发布说明：在这里，你要写一份详尽的《OpenClaw部署指南》，告诉使用者每个参数该怎么填。例如：

  LLM_PROVIDER: 选择ollama表示使用自建Ollama服务；选择dashscope表示使用阿里云百炼服务，此时LLM_BASE_URL将被忽略。

  LLM_MODEL: 当LLM_PROVIDER为ollama时，此字段应为Ollama中已pull好的模型名，如qwen3.5:9b；当为dashscope时，应为百炼的模型ID，如qwen-max。

  ADMIN_PASSWORD: 这是OpenClaw Web UI的管理员密码，请务必设置一个强密码，它将被加密存储。

点击“发布”，计算巢会开始一个后台任务，将你的应用注册到市场。这个过程通常需要1-2分钟。发布成功后，你就可以在“我的应用”或“应用市场”里，看到acme-openclaw-prod这个应用了。

4.4 首次部署与验证：从控制台到API调用的完整闭环

现在，我们来完成最后的“一键”操作，并验证它是否真的成功。

1. 进入应用详情页：在计算巢控制台，找到你发布的acme-openclaw-prod应用，点击进入。
2. 点击“立即部署”：这是整个流程中，你唯一需要点击的按钮。
3. 填写部署参数：系统会弹出一个表单，让你填写所有在application.yaml中定义的parameters。
   • LLM_PROVIDER: 输入ollama
   • LLM_MODEL: 输入qwen3.5:9b
   • LLM_BASE_URL: 保持默认的http://host.docker.internal:11434
   • VECTOR_DB_TYPE: 输入chroma
   • ADMIN_PASSWORD: 输入一个强密码，比如My$ecur3P@ssw0rd2026!
   • 其他参数可以保持默认。
4. 确认部署：检查一遍，然后点击“确定”。计算巢会立刻开始部署，你可以在“部署历史”中看到一个状态为“部署中”的任务。
5. 等待部署完成：整个过程大约需要5-8分钟。期间，计算巢会依次执行：创建ECS实例、拉取镜像、启动容器、执行健康检查。当状态变为“运行中”时，部署就完成了。
6. 获取访问地址：在应用实例的详情页，找到“访问方式”区域。你会看到一个类似https://openclaw-prod-abc123.alicloudapp.com的URL。这就是你的OpenClaw服务的公网入口。
7. 终极验证：打开Postman或curl，向这个URL发起一个最简单的健康检查：

   curl -I https://openclaw-prod-abc123.alicloudapp.com/healthz

   如果返回HTTP/2 200，恭喜你，部署成功！你已经拥有了一个生产级的OpenClaw Agent平台。

实操心得：第一次部署成功后，我强烈建议你立刻做两件事。第一，打开SLS日志服务，搜索openclaw-app-logs，查看是否有INFO级别的启动日志，确认config.yaml被正确生成。第二，打开ARMS（应用实时监控服务），查看http_requests_total这个指标，确认监控数据已经开始上报。这两步，是验证“可观测性”是否真正落地的金标准。

5. 常见问题与排查技巧实录：那些文档里不会写的“血泪史”

5.1 “OpenClaw: command not found” —— 不是环境问题，是路径问题

这是Windows用户在本地尝试openclaw命令时，遇到的最高频报错。错误信息是：“无法将‘openclaw’项识别为 cmdlet、函数、脚本文件或可运行程序的名称”。网上90%的教程会告诉你“检查PATH”，但这往往治标不治本。

根本原因：OpenClaw的setup.py在安装时，会将openclaw这个可执行脚本，安装到Python解释器的Scripts目录下（例如C:\Users\YourName\AppData\Local\Programs\Python\Python311\Scripts\）。而Windows的PowerShell，默认并不会将