企业官网建设流程全解析

前两天我把 OpenClaw 2.0 部署到了 Windows 11 上，从安装到第一次跑通任务，前后不到五分钟。折腾完我更确定一件事：它不是什么普通的聊天机器人壳子，而是一个能自己拆任务、读写文件、调工具、回消息的 AI 员工。部署之前我也翻了不少别人的教程，后来发现只要把 Node 环境、模型配置和启动命令这三件事串起来，流程其实非常短。这篇文章我把自己实测的完整部署流程、关键配置、以及中途踩过的坑全部写出来，基本照着敲就能跑起来。适合正在找开源 AI Agent 方案的朋友，也适合已经装过但还没跑通的开发者。

1. OpenClaw 是什么，为什么值得装

1.1 一句话说清楚 OpenClaw 的定位

OpenClaw 是一个开源的 AI 智能体运行环境，你可以把它理解成一个“AI 员工控制器”。传统聊天机器人是你问一句、它答一句，OpenClaw 完全不是这个玩法。你只需要给一个目标，比如“把本周的销售数据整理成报告，放到 workspace 里，然后通知我”，它会自己拆解步骤、决定调用什么工具、读取哪些文件、执行什么命令，并在过程中根据结果调整计划，直到任务完成。

底层逻辑是一个标准的 agent loop：接收用户意图 → 让大模型生成下一步动作 → 执行动作（读文件、跑命令、调 API）→ 把结果反馈给模型 → 继续下一轮，直到满足终止条件。这个循环听起来不复杂，但一旦落地，就有了“员工”的样子：它不是一次性问答，而是真正会跟进整个流程的执行体。

1.2 它能处理哪些实际工作

我实际测试下来，OpenClaw 比较擅长的场景有这么几类。

第一类是文件与信息整理。让它扫描某个目录下的文档，做摘要、分类、重命名，这类操作非常顺手。因为 OpenClaw 默认有一个独立的 workspace 工作目录，AI 的所有文件读写都被限制在这个目录里，不会随手乱翻系统文件。

第二类是命令和脚本执行。你可以在配置里给它开放一部分命令权限，比如git status、npm test、ls这类相对安全的操作。它可以在你的项目里读代码、跑测试、看日志，然后把结论汇报给你，省掉很多来回切窗口的功夫。

第三类是接入 IM 之后的“团队协作”。OpenClaw 支持接飞书、企业微信等渠道，接入之后，你可以在群聊里直接艾特它派活。这种感觉非常接近“团队里多了一个同事”，而不是多了一个接口。

1.3 它和常见 AI 工具不是一回事

很多人会拿 OpenClaw 和 Dify、Coze、Codex 这些放到一起比。我的感受是，它们解决的问题并不完全相同。

像 Dify 这类平台，核心是可视化编排，适合快速搭一个聊天机器人或工作流应用，重点在“搭”。Codex 和 Claude Code 这类，核心是编码助手，适合在代码仓库里做重构、写测试，重点在“写代码”。而 OpenClaw 更像是“常驻型执行体”，它的核心不是给你一个更好用的终端，而是给你一个可以随时吩咐、能主动干活的数字员工。

2. 部署前准备

2.1 环境要求

先说硬件。部署 OpenClaw 本身对电脑要求很低，我用的是一台普通的 Windows 11 笔记本，8GB 内存，跑起来没有任何压力。真正的资源消耗取决于你接的模型：如果用云端 API，本地基本不占资源；如果用本地 Ollama 跑几十 B 的大模型，那就要看显卡和内存了。

操作系统方面，Windows 10/11、macOS、主流 Linux 发行版都可以。我用 Windows 11 走了一遍完整流程，下面的命令和配置都是基于 Windows 环境写的，macOS 和 Linux 的差异我会在对应位置标注。

2.2 软件依赖与为什么选 Node.js

OpenClaw 是基于 TypeScript/Node.js 开发的，通过 npm 分发，所以部署前需要装 Node.js 运行环境。我建议直接装 LTS 长期支持版，不要装最新的大版本。LTS 版本更稳定，和框架的兼容性也更好，没必要为了追新给自己找麻烦。

安装好 Node.js 之后，npm 会一起装进来。打开 PowerShell 或 CMD，分别输入以下命令验证：

node -v npm -v

能看到版本号就说明环境没问题。注意 Node.js 尽量选 20 以上的版本，太老的版本在运行 OpenClaw 时容易报一些奇怪的兼容性错误。

2.3 模型服务怎么准备

OpenClaw 本身不带大模型，它需要对接一个模型服务来干活。这里有两个选择。

第一种是使用云端模型 API，比如 OpenAI 兼容的接口。你需要准备一个 API Key，并且确认一下你要用的模型名称拼写正确，这个后面配置的时候要填。OpenClaw 对 OpenAI 协议的支持比较完整，所以如果你团队有统一的 API 网关，也可以把 baseUrl 指到那边，后面我会单独讲。

第二种是本地模型，我强烈推荐 Ollama。它能把 Qwen、Llama 这类开源模型跑在本地，既不需要联网，数据也不用出内网。OpenClaw 支持配置 Ollama 作为模型提供方，具体配置方法在后面的章节里单独写。

3. 五步完成部署

3.1 安装 Node.js（如果还没有）

如果你电脑上还没有 Node.js，有两种装法。

一种是去官网下载 Windows Installer 安装包，一路下一步就行。安装过程中务必勾选“Add to PATH”这个选项，否则后面命令行里找不到 node 命令。

另一种是用 winget 命令，在 PowerShell 里执行：

winget install OpenJS.NodeJS.LTS

装完重启 PowerShell，确认node -v能输出版本号。我个人更喜欢 winget 的方式，因为后续升级比较方便，直接再执行一次同样的命令就行。

3.2 用 npm 全局安装 OpenClaw

环境准备好之后，安装 OpenClaw 其实只有一条命令：

npm install -g openclaw

加-g是为了全局安装，这样在任意目录下都能直接用openclaw命令。安装时间取决于网络状况，一般一两分钟就能完成。装完之后验证一下：

openclaw --version

看到版本号输出，第一步就算过了。不同小版本的命令名可能会有细微差异，装完先跑一遍openclaw --help看看帮助信息，会省很多事。

3.3 初始化配置目录

安装好之后，先别急着启动，执行一次初始化：

openclaw init

这个命令会在当前用户目录下创建.openclaw文件夹，里面会生成配置文件、workspace 工作目录、以及 exec-approvals.json 权限文件。Windows 上的路径一般是C:\Users\你的用户名\.openclaw，macOS 和 Linux 是~/.openclaw。

最好打开这个目录看一眼结构，熟悉一下每个文件是干什么的。后面你大概率会频繁修改其中的配置文件。

3.4 写入模型配置

初始化完成之后，接下来就是把模型服务信息写进去。这是我这次部署过程中踩坑最多的地方，重点说清楚。

在 OpenClaw 2.x 版本里，可以用命令配置，也可以直接编辑配置文件。命令配置的格式大致是：

openclaw config set model.provider openai openclaw config set model.apiKey sk-你的密钥 openclaw config set model.model gpt-4o openclaw config set model.baseUrl https://api.openai.com/v1

逐个解释一下：

• model.provider是模型服务类型，通常填openai表示走 OpenAI 兼容协议。
• model.apiKey是你的密钥，注意不要把它提交到 Git 仓库里。
• model.model是模型名，不同服务商的模型名差别很大，填错了启动时不会报错，直到你发任务时才会发现。
• model.baseUrl是 API 接口地址。如果你用的是 OpenAI 官方服务，就是https://api.openai.com/v1；如果团队有统一的 API 网关，就换成网关地址，这样后面换模型只需要改这一个字段。

如果你更习惯改配置文件，可以在.openclaw目录下找到 config 文件，直接编辑模型的 JSON 片段，效果是一样的。改完配置之后，可以用openclaw config list检查一下当前配置是否生效。

3.5 启动并进行首轮测试

配置全部写好后，启动服务：

openclaw start

启动过程会在终端里打印日志。第一次启动时，它可能会提示你检查 exec-approvals.json 这个文件，这是正常的，说明权限审批机制正在工作。等到日志里出现类似“Agent is ready”的状态，就可以测试了。

测试方式很简单，直接在终端里发一个明确的任务，比如：

请在 workspace 目录下创建一个 hello.md 文件，内容写“部署成功”，然后用一句话告诉我结果。

如果配置没问题，过一会儿你就能看到 AI 返回执行结果。能走通这一条，部署就算完成了。从安装到这一步，顺利的话确实五分钟内可以搞定。

4. 进阶配置：把 AI 员工接入真实工作流

4.1 理解 workspace 和文件隔离

OpenClaw 之所以叫“员工”而不是“机器人”，很大程度上是因为它有 workspace 这个概念。所有文件操作默认都会限制在.openclaw\workspace目录里，也就是说 AI 能看到的文件、能写入的文件，都被圈定在这个工作区里。

这个设计非常关键。试想一下，如果你给 AI 开放了执行命令的权限，它又能在任意路径读取和修改文件，那风险就太大了。通过 workspace 隔离之后，即使 AI 拿到了一个命令执行权限，它的操作范围也是可控的。

实际使用中，我自己会把 workspace 理解成“员工的工位”。需要让它处理的资料先拷进这个目录，它生成的产出也会放在这个目录。任务结束后我去里面取结果，既清晰又安全。

4.2 权限审批文件怎么改

初次初始化后，OpenClaw 会生成一个 exec-approvals.json 文件，这个文件控制 AI 执行命令的权限。它的设计思路很有意思，不是简单给一个“全部允许”或“全部禁止”的开关，而是分三类：

• allow：允许执行，无需确认。
• deny：禁止执行，直接拒绝。
• require_approval：需要你手动确认后才执行。

我这边初始化的默认内容大致是下面这个样子：

{ "allow": [ "ls", "cat", "echo" ], "deny": [ "rm -rf /", "shutdown /s" ], "require_approval": [ "npm install", "pip install" ] }

这个默认配置的思路是给一些无害命令放行，把危险命令直接禁止，把可能改变环境的安装命令留给人来确认。我个人非常不建议把所有命令都塞进 allow 列表。AI 的规划能力再强，也有判断失误的时候，保留一道人工确认的关口相当重要。

4.3 给 AI 员工安装 Skill

Skill 是 OpenClaw 的插件体系，相当于给 AI 员工装“新技能”。比如你想让它能处理 PDF，可以装一个 PDF 相关的 skill；想让它能查数据库，就装数据库查询的 skill。安装逻辑和 npm、pip 很像：

openclaw skill search pdf openclaw skill install pdf-extractor

search命令会列出可用的 skill 列表，install后面接 skill 名称就能安装。安装完成之后，重启 OpenClaw 让 skill 生效。Skill 的目录一般在.openclaw\skills下，你可以在里面看到每个 skill 的说明文件和代码。

有一点要注意：网上很多帖子把 skill 说成“必须通过一个中心市场安装”，其实并不完全是。OpenClaw 支持本地 skill，只要把符合格式要求的文件夹放到 skills 目录下，再写一个描述文件，它就能加载。这一点对于想自己封装内部工具的团队来说特别方便。

4.4 接入飞书、企业微信等多入口

OpenClaw 最吸引人的地方之一，是可以通过 IM 工作。接入之后，你不用天天对着终端，直接在聊天工具里派活就行。

以飞书为例，先在飞书开放平台创建一个企业自建应用，拿到 App ID 和 App Secret，然后在事件订阅里选择需要接收的消息类型。接着在 OpenClaw 配置里找到 channels 相关段落，填入飞书应用的这两个字段：

channels.feishu.appId = 你的 App ID channels.feishu.appSecret = 你的 App Secret

保存后重启，OpenClaw 就会作为飞书机器人开始工作。你可以把它拉进一个群，艾特它派任务，也可以在单聊里直接发指令。企业微信的接入思路类似，核心都是先创建机器人身份，再把凭证填到配置里。

这里要提醒一句：如果是个人微信，我不建议去折腾那些非官方方案，风险很高，一是容易封号，二是整个方案的稳定性完全不可控。企业场景老老实实用飞书或企业微信就行。

4.5 接入本地 Ollama 模型的完整姿势

很多人装 OpenClaw 是为了完全本地化部署，不想把数据发到外部 API。这个诉求在 OpenClaw 上实现起来也很快。

第一步是安装并启动 Ollama，然后拉一个模型，比如：

ollama pull qwen2.5:7b

第二步是在 OpenClaw 里把模型提供方改成 ollama：

openclaw config set model.provider ollama openclaw config set model.model qwen2.5:7b openclaw config set model.baseUrl http://localhost:11434

确认 Ollama 服务正常运行，再用openclaw start启动。启动后发个简单任务测试一下就行。

本地模型最大的好处是隐私可控，但代价是响应质量和速度都取决于你的硬件。我自己的实测结果是：7B 级别的模型用来做一些文件整理、简单问答是够用的，但复杂推理任务还是明显比云端大模型弱。所以我的建议是，对外敏感的数据走本地，一般任务走云端，这个组合在日常使用中效率最高。

5. 常见问题与排查技巧实录

5.1 安装后提示“openclaw 不是内部或外部命令”

这是我被问到最多的问题。原因几乎只有一个：npm 全局安装目录不在系统 PATH 环境变量里。

检查方法是在命令行执行：

npm config get prefix

执行结果就是 npm 的全局目录，Windows 上通常是C:\Users\你的用户名\AppData\Roaming\npm。确认这个目录在 PATH 里，如果不在，就手动加进去。加完之后重新开一个终端窗口，再执行openclaw --version验证。

这个问题的根源其实是因为 Node.js 在安装时没有正确配置 PATH，或者用户手动改过环境变量。重新安装 Node.js 并勾选自动配置 PATH 也能解决。

5.2 启动时报 exec-approvals.json 相关错误

这个报错我遇到过，初次看到有点慌，其实只是权限文件没有被正确识别。

常见原因有两个。一个是文件不存在，某个版本初始化的时候因为目录权限问题没有自动生成；另一个是文件内容不是合法 JSON，可能是你自己编辑的时候改了格式。

解决办法是把原来的文件备份，然后删除掉，重新执行一次openclaw init，让程序重新生成默认文件。如果这个目录下有重要的 workspace 数据，记得先备份整个.openclaw目录。

5.3 模型调用报错 401 或 connection failed

这个问题排查起来也不复杂，按顺序检查三件事。

第一，API Key 是不是填对了。复制粘贴的时候容易多一个空格，或者手滑少一位。

第二，baseUrl 是不是完整。OpenAI 兼容接口的地址一般要带/v1后缀，如果漏了，接口路径对不上，就会报 404 或 401。

第三，模型名是否正确。不同服务商的模型名差别很大，比如有些写gpt-4o，有些写gpt-4o-2024-11-20，填错了模型服务端会直接拒绝。

想快速定位问题，可以先用 curl 测试一下接口连通性，确认没有问题再去查 OpenClaw 的配置，这样能节省大量踩坑时间。

5.4 本地 Ollama 连不上

Ollama 连不上，通常是三个原因。

一是 Ollama 服务没有启动。先执行ollama serve或者在后台运行 Ollama 应用。

二是端口不对。默认端口是 11434，确认 baseUrl 写的是http://localhost:11434，而不是 11435 或者其他。

三是模型没有拉取。如果调用的模型不存在，Ollama 会返回错误。先执行ollama list看看本地有哪些模型，再和 OpenClaw 配置里的 model.model 对比一下。

5.5 Skill 装了不生效

Skill 安装完成后，必须要重启 OpenClaw 才能加载，这是一个很容易忽略的点。

另外要检查 skill 目录结构。不同的版本对 skill 目录的要求不太一样，有些要求直接把文件夹放在 skills 根目录，有些则要求按“作者名/技能名”的二级目录结构。打开目录对比一下官方示例，基本就能发现问题。

还有一个隐蔽的问题：如果在配置里同时连了多个模型，有些小模型对多工具调用的指令遵循能力比较弱，可能会“假装”没有 skill。这时候换一个大一点的模型试试就知道是配置问题还是模型能力问题了。

5.6 如何彻底卸载 OpenClaw

卸载这个动作比想象中更需要谨慎，因为 workspace 里很可能有重要产出文件。

正确步骤是：先确认好不需要保留数据之后再操作。删全局命令可以执行：

npm uninstall -g openclaw

接着删除.openclaw配置目录。如果你以后还用得上里面的 skill 和 workspace，就先备份再删。Windows 上如果还想清理 npm 缓存，可以执行npm cache clean --force，这一步不是必须，但能解决某些奇奇怪怪的残留问题。

6. 最后分享一点个人经验

文章写到这里，最后想补充一个对我帮助很大的习惯。我每次给 OpenClaw 派任务，都会在任务描述里把“成功标准”写清楚，比如“把日报生成到 workspace/report.md，并在回消息时告诉我耗时多少秒”。这个细节比换更强的模型还管用，因为 agent loop 对明确目标非常敏感，目标模糊了，整个执行链路就容易跑偏。

另一个经验是：不要一开始就追求复杂的权限配置和眼花缭乱的 skill，先把模型接好、跑通一个文件操作任务，再逐步加功能。OpenClaw 的能力边界是靠使用过程一点点摸出来的，不是看教程能看出来的。如果你装好之后第一轮测试顺利，建议接下来就找一个小而真实的重复性工作交给它做，那种“真的被它接走一件事”的感觉，会让人立刻理解这类工具的价值。