企业官网建设流程全解析

前一阵子折腾 OpenClaw，从最早在 Windows 上踩 WSL2 的坑，到后来换到 Linux 服务器上跑稳定，前后花了一周多时间。这中间网上中文资料少，很多问题都是自己翻日志、看 issue 一点点试出来的。最近看到不少人在问“OpenClaw 怎么部署”“能不能只接本地模型”“和 WorkBuddy 比怎么样”，干脆把整个部署过程、踩坑记录、配置心得整理成一篇，给想自托管 AI Agent 的朋友做个参考。

先说清楚 OpenClaw 是个什么东西，以及它解决的问题。OpenClaw 本质上是一个自托管的 AI Agent 网关（也有人叫它 Agent Harness），它把大模型、消息渠道、工具调用、记忆系统四部分组合在一起，让你可以跑一个真正干活、能对话、能查资料、能操作外部服务的 AI 助理。和直接装个 ChatBox 客户端不一样，OpenClaw 更像是一个常驻后台的服务，你可以把它接到飞书、Discord、Telegram 这些聊天软件上，用日常聊天的方式指挥它干活。最大的优势是数据完全掌握在自己手里，模型可以选本地部署的 Ollama、DeepSeek，也可以选云端 API，消息记录、记忆数据都在自己的机器上，不经过任何第三方平台。

这篇文章适合谁看？想自己搭一个私有的 AI 助理、想把 AI Agent 接入团队聊天工具做自动化运维、对本地部署大模型有需求但不想被各种商业平台绑定的开发者。我会从环境准备、安装步骤、模型接入、Channel 配置、Skill 扩展机制到常见错误排查，一步步带你把这只“龙虾”养起来。

1. 部署前的技术认知：OpenClaw 的架构与选型逻辑

1.1 Agent、LLM 与 AI 模型的关系

很多刚接触 OpenClaw 的人会卡在一个概念上：OpenClaw、大模型、Agent 这三者到底什么关系？这里我用一个比较直白的类比解释。大模型（比如 DeepSeek、千问、Llama）相当于人的大脑，负责思考和生成回复，但它自己没法打电话、查文件、发消息。OpenClaw 相当于身体和神经系统，负责把大脑的指令翻译成具体动作，比如读取某个文件、调用某个 API、向飞书群发一条消息。而 Agent 是“大脑 + 身体”组合后的完整产物，也就是一个能感知环境、做出决策、执行动作的智能体。

所以当有人问“DeepSeek 是不是 Agent”时，答案是：DeepSeek 是 LLM，是 Agent 的一个组成部分。你在 OpenClaw 里配置 DeepSeek，只是给这台“身体”装上了一颗“大脑”。同理，任何单独的大模型都不能直接替代 OpenClaw 这类框架，它们是上下游的关系。理解了这一点，后面配置模型的时候就明白为什么既要有 OpenClaw，又要单独装 Ollama 或者申请 API Key。

1.2 OpenClaw 的核心组成模块

从实际使用角度来看，OpenClaw 可以拆成五个部分。

Harness（中枢）：负责调度所有模块，处理消息的路由、技能的分发、上下文的管理，是整个服务的核心进程。它决定了 Agent 如何处理一个请求，比如收到飞书消息后，先要判断要不要调用 Skill、要不要查记忆，然后才把结果送回给大模型生成最终回复。

LLM Provider（大脑接入层）：OpenClaw 不内置模型，它只是提供一个标准接口来对接各种大模型。可以接本地 Ollama、也可以接 OpenAI 兼容的 API 服务，甚至接国内厂商的在线 API。

Channel（通道层）：这是 Agent 的“感官和手脚”。飞书、Discord、Telegram、Slack 都是 Channel，OpenClaw 通过它们收消息、发消息、处理事件请求。每个 Channel 需要单独配置。

Skill（技能层）：技能是 OpenClaw 最有意思的部分，相当于给 Agent 装各种插件。比如一个“查天气”的 Skill，一个“执行 Shell 命令”的 Skill，一个“读取 GitHub 仓库”的 Skill。用户可以自己开发、安装、管理这些技能，让 Agent 不只是聊天，而是真正能干活。

Memory（记忆层）：记忆模块让 Agent 在对话结束后仍然能记住关键信息。比如用户告诉它“我是运维组的，常用服务器是 10.0.0.8”，这个信息就会被写入记忆，下次对话时 Agent 能直接调用，不需要重新教一遍。

这五部分缺一不可。很多人部署 OpenClaw 失败，通常不是安装有问题，而是不理解每个模块需要分别配置。以为装好主程序就完事了，结果模型没接，Channel 没通，自然跑不起来。

2. 环境准备：从硬件选型到 WSL2 配置

2.1 硬件与操作系统的选择

OpenClaw 本身是一个 Node.js 应用，对硬件的要求其实不高，主要还是取决于你跑什么模型。如果只做 Agent 编排，模型调用远端的 API（比如 DeepSeek 在线版、OpenAI），那么一台 4 核 8G 内存的小主机就够了。如果你要跑本地模型，比如通过 Ollama 跑 7B 或 14B 参数规模的模型，那就要看显存了。

我先给一个体验较好的配置参考：

操作系统方面，OpenClaw 官方支持 Linux、macOS、Windows（通过 WSL2）。我的建议是：能上 Linux 就上 Linux，不管是 Ubuntu 22.04/24.04 还是 Debian，都比 Windows 那条路顺畅得多。为什么？OpenClaw 在 Linux 下是一个标准的 Node.js 服务，依赖很少，systemd 管起来也很方便。而在 Windows 下，因为它内部会调用 WSL2 环境来管理部分依赖和信息验证，容易出现“could not safely verify the WSL2 environment”这类问题，给自己添堵。

2.2 Windows 下 WSL2 的坑与正确配置

如果你只有 Windows 机器，也不是不能弄，但必须先把 WSL2 配置正确。我踩过的坑基本都集中在几个点上。

第一，WSL2 内核版本。OpenClaw 在验证 WSL2 环境时，本质上是在检查内核版本和 WSL 基础能力，如果你用的是自带的老旧 WSL 内核，验证就会失败。解决办法是升级到 WSL 2.0 以上版本，在 PowerShell 里执行：

wsl --update wsl --set-default-version 2

第二，内核启用 systemd。很多安装脚本依赖 systemd 来管理服务，默认的 WSL 镜像不一定开了 systemd。你需要在/etc/wsl.conf里加一段：

[boot] systemd=true

然后在 PowerShell 里执行wsl --terminate <你的发行版名称>重启 WSL，再进去验证systemctl list-units是否正常。

第三，网络模式。WSL2 默认的 NAT 网络会让 OpenClaw 里某些依赖“本地地址访问”的操作失败，特别是需要在 Windows 宿主机和 WSL 虚拟机之间做端口转发的时候。如果遇到这类问题，可以在.wslconfig里设置镜像网络模式：

[wsl2] networkingMode=mirrored

设置完同样要重启 WSL 才生效。

Linux 下的准备就轻松多了，先把 Git、Node.js、Docker（按需）装好即可：

sudo apt update && sudo apt install -y git curl curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash - sudo apt install -y nodejs node -v npm -v

这里多说一句，Node.js 版本不要太老，我实测 OpenClaw 在 Node.js 22 上工作最稳定，18 的部分旧版本会出现 session 锁相关的问题。

3. 安装与初始化：把 OpenClaw 跑起来

3.1 两种安装方式对比

OpenClaw 官方提供两种常见安装方式：手动 Git Clone 后 npm install，以及通过一键脚本。我两种都试过，结论是看你的使用场景。

一键脚本适合第一次安装、不打算深度定制的小伙伴。它会把 OpenClaw 核心、基础配置、示例 Skill 都装好，省事。但它的问题在于不够透明，装完往往还需要手动调整配置。Git Clone 方式看起来多敲几条命令，但你能清楚地看到每个文件装到了哪里，后面想改配置、升级版本都心里有数。我是第二次重装时就直接用 Git 方式了。

下面以 Git 方式为例。先找一个放代码的目录：

mkdir -p ~/opt && cd ~/opt git clone <OpenClaw 仓库地址> openclaw cd openclaw npm install

安装依赖这一步时间比较长，耐心等就好。如果网络环境不好，可以把 npm 源切换到国内镜像，注意这里是可控的软件源切换，提速明显：

npm config set registry https://registry.npmmirror.com

装完以后，先初始化配置文件：

cp .env.example .env

然后编辑.env，这是整个部署过程中最关键的一步。

3.2 模型接入：从 Ollama 到 OpenAI 兼容 API

OpenClaw 的模型接入采用配置驱动的模式，你在.env或界面配置里指定用哪个 Provider、哪个模型、API 地址和 Key 是什么。

本地部署的话，我的首选是 Ollama。Ollama 的安装很简单：

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

装完后拉取你想用的模型，比如 DeepSeek 系列：

ollama pull deepseek-r1:7b ollama pull qwen2.5:14b

然后在 OpenClaw 的配置里指定模型 Provider 为 Ollama、模型名称对应上面的标签，API 地址默认是http://localhost:11434。如果 OpenClaw 和 Ollama 不在同一台机器上，记得把地址改成实际 IP，并且把 Ollama 的监听地址设为0.0.0.0：

# 在 /etc/systemd/system/ollama.service 里设置 Environment="OLLAMA_HOST=0.0.0.0:11434"

重启 Ollama 后生效。这里有个小经验：局域网里其他机器要访问 Ollama，光改监听还不够，防火墙要放行 11434 端口，这个很基础但容易漏。

如果你用的是 DeepSeek 在线 API 或者 OpenAI 付费 API，那就更简单了，直接在配置里填 API Endpoint 和 Key，不需要本地模型。

还有一个不错的选择是支持 OpenAI 协议的各种网关服务，比如 One API 之类的，它们可以统一管理多个后端模型。因为 OpenClaw 是走 OpenAI 兼容协议的，所以这种代理网关也能直接接入，等于你在 OpenClaw 里配一个地址，后面切换后端模型只需要在网关上改，不需要重启 OpenClaw。

3.3 首次启动与验证

配置完模型后，首次启动可以先用前台模式跑，方便直接看日志：

node src/index.js

看到类似Agent initialized、Channel connected的日志，说明核心进程起来了。这时候可以先在终端里直接发一条消息测试。OpenClaw 通常会带一个终端交互模式，可以在 CLI 里直接和 Agent 对话，这种模式很适合用来验证模型和记忆链路是否正常。

确认终端对话没问题后，再考虑接入 Channel。这样区分的好处是：出问题的时候你能快速定位是模型的问题还是 Channel 的问题，而不是锅都糊了才开盖子。

4. Channel 配置实战：让 Agent 走进飞书

4.1 飞书 Channel 配置全流程

把 Agent 接到飞书是很多人实际使用频率最高的做法，因为飞书在团队协作里太常用了。配置流程并不复杂，但牵扯到飞书开放平台、权限、事件订阅，每个环节都有容易出错的地方。

第一步，去飞书开放平台创建企业自建应用。创建成功后，拿到 App ID 和 App Secret，这两个值后面要填到 OpenClaw 的配置里。

第二步，配置权限。在“权限管理”里开启这些权限：读取用户信息、读取消息、发送消息、接收群消息、上传图片或文件。如果 Agent 要发文件，一定要开通“上传图片或文件”的权限，否则 Skill 执行完返回文件时会发不出去。

第三步，配置事件订阅。OpenClaw 接收飞书消息依赖事件回调，你要在飞书后台配置一个回调地址。这里会涉及公网可访问的问题。如果 OpenClaw 部署在有公网 IP 的服务器上，直接把回调地址指向你的域名或 IP 加端口即可。如果只在局域网内，那就需要内网穿透工具，这个之后我可以单独写一篇，这里先提个醒。

第四步，把 App ID、App Secret 和回调地址配置到 OpenClaw 的 Channel 配置里，然后重启服务。飞书事件订阅要做验证，OpenClaw 一般会处理这个握手流程，你只要确认回调地址能通就行。

4.2 Channel 选择与多通道并存的取舍

OpenClaw 支持多个 Channel，你可以同时接飞书、Discord、Telegram。但我不建议一开始就把所有 Channel 都接上，原因很简单：每个 Channel 都要单独配置权限和事件订阅，一旦出问题，排查要花几倍的时间。

我建议的节奏是：先在飞书里跑通一个完整的“消息进来-模型处理-Skill 调用-回复出去”闭环，再考虑接第二个 Channel。因为核心链路是同一套，Channel 之间的差异只在接入协议，一个通了，另一个也就是配置半天的事。

另外，不同 Channel 的消息格式和能力差异很大。比如飞书有消息卡片，Telegram 有 inline keyboard，OpenClaw 对每个 Channel 的适配程度不一定相同。如果你主要用飞书，就多关注飞书相关的输出格式问题，比如长消息截断，这个我在第六节会专门讲。

5. Skill 与 Memory：让“龙虾”长出手脚和记忆

5.1 Skill 开发与配置入门

没有 Skill 的 Agent 只是个聊天机器人，有了 Skill 才谈得上“Agent”。OpenClaw 的 Skill 机制本质上就是一组预定义的指令和工具函数，Agent 根据用户请求决定要不要调用、调用哪个。

安装一个现成的 Skill 通常很简单，把 Skill 目录放到默认的技能目录下，然后在配置里声明即可。以“执行 Shell 命令”这个 Skill 为例，配置大概长这样：

{ "name": "shell-executor", "description": "Execute shell commands on the host machine", "parameters": { "command": { "type": "string", "description": "Shell command to execute" } }, "permission": "ask" }

这里的permission字段很重要，我建议设为ask，也就是 Agent 想执行命令时先征求你的确认。直接设成allow很危险，如果 Agent 被恶意提示词引导，可能执行意料之外的命令。安全永远不要在“方便”前面妥协。

开发自定义 Skill 也不难，核心就是写清楚两个东西：这个技能是干什么的（description 写成让模型能理解的自然语言），以及它需要哪些参数。大模型会依据描述来决定是否调用这个技能，所以描述写得越清楚，Agent 越会正确使用。

5.2 Memory 机制与长期记忆管理

Memory 是 OpenClaw 区别于普通聊天机器人的重要能力。默认情况下，大模型是一次性的，对话结束就忘光。Memory 模块会把重要信息持久化，跨会话、跨渠道地保留。

OpenClaw 的 Memory 实现一般有两种：一种是把对话历史摘要后保存在本地文件或向量数据库里；另一种是让 Agent 在对话中主动记住关键事实，比如用户自我介绍、常用配置等。

实测下来，想让记忆真正好用，关键是定期清理。记忆会无限膨胀，太多无用信息反而会干扰 Agent 的判断。我一般每个月清理一次，把过时的、重复的、不再使用的信息删掉，只留下稳定的、经常用到的那些。

如果你接入了 MCP（Model Context Protocol）生态，Memory 可以直接复用 MCP 的 Memory 服务，后面扩展性会更强。OpenClaw 对 MCP 的支持意味着你不需要自己实现所有工具，社区里大量的 MCP 服务器（文件访问、数据库查询、浏览器操作等）都可以直接插进来用。

5.3 本地模型 + MCP + 自动化的无限扩展

把 Ability 再延展一步，MCP 机制让 OpenClaw 有点像自动化运维平台的大脑。有人在网上提问“AI Agent 与 PLC 编程”，说白了就是通过 Agent 来操控工业设备。OpenClaw 配合 MCP 确实能做到类似的事：只要 MCP 服务能把 PLC 的寄存器读写、状态读取封装成标准工具，Agent 就能通过自然语言控制它。

自动化运维也是同一个逻辑。传统运维你要写脚本、配 crontab、接告警；有了 Agent + MCP，你可以直接跟它说“检查所有服务器的磁盘使用率，超过 80% 的发告警到飞书群”，Agent 会自动调用对应的 Skill 和 MCP 工具去执行。这确实好用，但前提是你对权限控制有清晰认知，明确哪些操作要人工确认，哪些可以自动执行。

6. 常见问题与排查技巧实录

6.1 session file locked 巨坑排查

很多人在跑 OpenClaw 时遇到过这条报错：

agent failed before reply: session file locked (timeout 60000ms) openclaw

这个报错我一开始也懵了很久。它的意思是，会话文件被锁住了，60 秒内没有拿到锁，直接超时。什么情况下会锁文件？多半是同一个 Agent 实例同时被多个请求触发，或者上一个会话还没结束，下一个请求又进来了，文件锁竞争导致超时。

排查思路三步走。第一步，看是不是有多个 OpenClaw 进程在同时运行，ps aux | grep openclaw查一下，如果有多个，全部停掉只留一个。第二步，看是不是有卡死的会话，去 session 目录里清理掉 stale 的.lock文件。第三步，如果高并发场景下经常出现，可以调大锁等待的超时时间，比如从 60000 改成 120000。改完以后通常能缓解，但长期还是要靠减小并发会话数来解决。

6.2 WSL2 环境验证失败的解决办法

另一个高频报错是：

openclaw could not safely verify the WSL2 environment.

这个问题基本只出现在 Windows 上。OpenClaw 在 Windows 下会用 WSL2 跑一些依赖外部环境的组件，但在验证环境时发现内核、systemd、网络配置不符合预期。解决办法我在 2.2 节已经提过：升级 WSL 内核、开启 systemd、设置镜像网络。如果你已经做过这些还是不行，干脆换一种思路：在 WSL2 里开一个 Ubuntu 虚拟机，所有依赖装到 Ubuntu 里面，然后通过 systemd 把 OpenClaw 跑成服务，不要依赖 WSL 的进程转发。这种方法我实测最稳。

6.3 飞书长消息截断问题

“OpenClaw 在飞书输出容易被截断”，这是飞书 Channel 的经典问题。飞书对单条消息长度有限制（通常是文本内容 150KB 左右，但实际体验中超过一定长度就会出现显示不全或发送失败）。

两个常用办法。一个是让 Agent 学会分块输出，通过在 Skill 或人设里加一条规则：“如果回复内容太长，分成多条消息发送，每条不超过 2000 字”。另一个是在 OpenClaw 的飞书 Channel 配置里开启自动分段。我用下来感觉，设置 1500-2000 字的输出上限比较稳，既照顾飞书限制，又不会碎片化到看起来太零散。

6.4 性能调优与内存占用控制

OpenClaw 本身内存占用不高，真正吃内存的是本地模型。如果你同时跑 OpenClaw + Ollama + 14B 模型，16G 内存会比较紧张，建议给 Ollama 限制并发数，减少显存/内存峰值：

OLLAMA_NUM_PARALLEL=1 OLLAMA_MAX_LOADED_MODELS=1

另外，OpenClaw 的会话文件会随时间增多，建议配置日志轮转和会话数据清理。我写过一个简单的 crontab：

0 3 * * * find /path/to/openclaw/sessions -type f -mtime +7 -delete

定时清理 7 天前的会话文件，避免磁盘被写满。如果你有长期保留某个关键会话的需求，先把那个会话导出备份再删，别一上来就全清了。

6.5 Agent 接入常见问题速查表

7. 安全加固与日常维护建议

7.1 权限最小化配置

AI Agent 的最大风险不是模型本身，而是它获得的权限。当 Agent 能操作 Shell、读取文件、调用 API 时，一条成功的提示注入就可能让你的机器被人拿走。我的经验是严格遵循最小权限原则。

第一，Skill 权限分级。所有高风险的 Skill 默认设为ask甚至deny，只有确认安全之后才提升为allow。第二，运行用户隔离。不要用 root 跑 OpenClaw，创建一个专用用户，给它最小范围的目录读写权限。第三，网络隔离。如果只是内网用户使用，就通过防火墙限制 OpenClaw 只监听内网接口，不要暴露在公网。

7.2 数据备份与版本升级

OpenClaw 的数据分为三类：配置（.env、skill 配置）、会话文件、记忆数据。会话和记忆数据是你最重要的资产，恢复不了相当于白训练了。我每天用 tar 打包一次：

tar czf ~/backup/openclaw_$(date +%F).tar.gz -C ~/opt openclaw/sessions openclaw/memory openclaw/.env

版本升级方面，因为 OpenClaw 迭代比较快，我建议先看 ChangeLog 里的 breaking changes，再升级。直接拉最新代码跑大概率没问题，但偶尔会碰到配置格式变化导致启动失败的情况。升级前先备份配置，升完测试一条消息再接入正式渠道。

7.3 本地部署与云端方案怎么取舍

很多人在问“OpenClaw 和 WorkBuddy 哪个好”“用云端 Agent 不行吗”。我的看法是，这取决于你对数据的敏感度和可玩性的要求。如果是个人体验、学习 AI Agent 开发，本地部署一定是首选，它没有订阅费用、没有数据隐私问题、可以随便折腾。如果是团队生产环境，尤其是要对接企业内部敏感数据，自托管也更安全。但代价是你得自己维护，模型、网络、服务器监控都是你的活。

反正我在跑熟 OpenClaw 之后，最大的感受是它确实把“本地 AI Agent”这件事的门槛拉低了很多。接上 DeepSeek、配上飞书群、写好几个 Skill，它就从一个玩具变成了一个得力的数字同事。除了飞书群里偶尔还能看到它发运维报告，大多数时候你甚至意识不到它是一堆跑在自己服务器上的代码。

如果你按这篇文章走一遍，遇到任何报错，先别急着搜“为什么”，第一件事永远是看日志。OpenClaw 的日志信息量很大，90% 的问题在日志里都有明确提示。剩下的 10%，看看这次的 session 锁问题、WSL2 问题、飞书回调问题，基本就是我前面写的那几个坑，照着排查一般都能解决。