企业官网建设流程全解析

我第一次把 OpenClaw 部署到一台 Ubuntu 22.04 的小主机上，跑通的那一刻，说实话有点意外——因为整个过程并没有网上一些文章写的那么玄乎，真正卡住我的反而是几个藏在细节里的环境问题，比如 Node.js 版本太低、Ollama 进程没监听对端口。这篇教程我会完全按我实际操作的顺序来，把每一步为什么要这么做、不做会踩什么坑都说明白。

如果你是第一次接触这类 AI Agent 框架，不需要被“部署”两个字吓住。简单理解，OpenClaw 是一个提供“大脑接线板”角色的服务端程序：它负责跟各类大模型对话、处理请求、决定是否调用外部工具，最后把任务结果返回给你。部署它的目的，就是让你在本机或内网服务器上拥有一个可以随时调用、不依赖特定云厂商聊天网页的 AI 代理能力。后续想切换本地模型和 API 模型，也只需要改配置重启。

这篇教程默认你的机器已经装好了 Ubuntu 22.04，可以是物理机、虚拟机或者 WSL2 环境里的 Ubuntu，操作逻辑基本一致。我会把环境准备、源码安装、模型接入、Skill 扩展和常见排错全部串起来讲，保证你照着走完能跑起来，而不是只给一堆不知道干嘛的命令。

1. 部署前必知：OpenClaw 到底解决什么问题

1.1 它和普通聊天机器人的本质区别

在动手之前，先花两分钟想清楚你要部署的是什么。OpenClaw 和以网页聊天为主的 AI 工具有本质差别：它把“对话”和“行动”做成了两条相互独立的链路。你向它提需求，它负责拆解需求，决定调用哪个模型、执行哪些工具、按什么顺序把结果拼成回复。也就是说，它是一个能自主决策的任务协调器，而不只是一个生成文本的接口。

举个例子，我让它“把某个目录下的 Markdown 摘要整理成周报，并保存成文件”，它不会只输出一段文字，而是会去调用文件读取、文本处理、文件写入这三类工具，再把结果落盘。这个能力的核心在于开发者或使用者可以扩展 Agent 的“工具库”，也就是后面会讲到的 Skill 机制。对于新手来说，理解这一点很重要：你部署的不是一个聊天窗，而是一个可以“替你干活”的执行框架。

1.2 部署前必须想清楚的三个问题

在敲第一条命令之前，我建议你先回答三个问题，否则很容易装到一半放弃。

第一，模型从哪来？OpenClaw 本身不包含大模型，它更像一辆留好了发动机舱的车，引擎要你自己配。可选方案基本是两条线：一是接入本地推理服务，比如 Ollama、vLLM 这类，模型权重完全在你自己机器上，数据不出内网；二是走云端 API，按量付费，日常使用比较省心。你不需要现在就定死，因为配置都是可以随时改的，但心里要有数。

第二，算力够不够？如果你有 NVIDIA 显卡，本地推理体验会好很多；如果只有 CPU，建议优先选 3B、7B 量级的小模型，虽然生成速度慢一点，但跑通流程完全足够。这一步决定了你初始化配置后能不能顺利跑起测试对话。

第三，部署在哪里？是常驻的 Linux 服务器，还是日常用的桌面机？如果是 WSL2 环境，要注意 Ubuntu 的版本和 Windows 侧的资源配置，尤其是内存分配，默认给少了可能导致服务启动后频繁卡死。后面我会专门说。

2. Ubuntu 22.04 基础环境准备

2.1 硬件需求的务实建议

很多教程张口就是“建议 64GB 内存、8 张显卡”，这种配置对新手来说基本没有参考价值。我实际测下来，一台 4 核 8GB 内存的机器，跑 OpenClaw 本体加上一个 3B 量化模型，日常对话和简单工具调用是能用的，只是首字生成会慢个几秒。如果你打算跑 7B 或更大的模型，内存建议 16GB 以上，显卡显存最好不低于 8GB。

磁盘方面，OpenClaw 本体加依赖占的空间不大，给 10GB 就绰绰有余，但如果你还要拉 Ollama 模型，就得按模型大小预留空间了。一个 7B 的量化模型通常要 4GB 到 6GB，十几个模型下来就是几十 GB。我建议系统盘预留至少 50GB，省得到时候为了挪模型文件头疼。

2.2 安装 Node.js、Git 和构建工具链

OpenClaw 是基于 Node.js 生态的，所以 Node 版本直接决定你能不能装得上依赖。Ubuntu 22.04 系统自带的 Node.js 版本往往偏老，我建议直接用 NodeSource 源装 Node.js 20 LTS，这是目前兼容性和稳定性都比较好的版本。

先更新系统软件包列表，然后一次性把工具装齐：

sudo apt update sudo apt install -y git curl build-essential

接着安装 Node.js 20：

curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash - sudo apt install -y nodejs

装完确认一下版本，node 版本要是 v20 以上，npm 版本正常显示即可：

node -v npm -v

这里有个容易踩的坑：安装完成后当前终端的 PATH 可能没刷新，直接输入 node -v 会提示找不到命令。重新打开一个终端窗口，或者执行 source /etc/profile 刷新一下环境变量，一般就能解决。

2.3 网络与防火墙设置

Ubuntu 22.04 默认没开几个端口，但 OpenClaw 作为服务端要提供给客户端访问，端口开放是必须的。我用的端口是 3000，前端和 API 都走这个口。如果你的机器有 UFW 防火墙，记得放行：

sudo ufw allow 3000/tcp sudo ufw status

如果你是在内网服务器部署，还要确认服务器安全组和物理防火墙规则，别只开完 UFW 就不管了。我见过太多人 UFW 开着没用，最后发现是云平台安全组没放行，请求一直超时。

另外，如果你打算接 Ollama 本地模型，还需要留意 Ollama 的默认端口 11434。OpenClaw 要访问它，至少需要确保 127.0.0.1:11434 能通，如果是跨机器访问，就得放行对应的网络端口。我自己为了方便排查，习惯把这两个端口的监听状态打印出来：

ss -tlnp | grep -E '3000|11434'

看到 LISTEN 状态且 IP 地址符合预期，才说明端口层面没问题。

3. 核心部署流程：从源码安装 OpenClaw 到跑通服务

3.1 克隆项目与安装依赖

环境准备好了以后，开始拉源码。这里建议不要下载压缩包，直接用 git clone，后面想要更新代码或者切换分支会方便很多。我用的是官方仓库默认分支，具体地址以你实际获取到的项目地址为准：

git clone <openclaw 官方仓库地址> cd openclaw

进入项目目录后，先看看里面的 package.json，确认需要的 Node 版本范围，再安装依赖。OpenClaw 的依赖量不小，npm install 可能要等几分钟，耐心等它跑完。如果是国内网络环境，建议先切换 npm 镜像，不然很容易卡在某些包上下载超时：

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

安装过程中如果报 node-gyp 相关的编译错误，多半是缺少 Python 或 C++ 编译工具。执行之前那步 build-essential 的安装就能解决大部分问题。还有个更隐蔽的坑：npm 缓存目录权限不对会导致安装静默失败，此时可以清理一下缓存再重试：

npm cache clean --force npm install

3.2 配置文件里的关键参数

依赖安装完成后，项目根目录一般会有一个 .env.example 之类的模板文件，拷贝成 .env 再编辑：

cp .env.example .env

我用 vim 打开的配置，里面最核心的就这几项：

# 服务监听端口 PORT=3000 # 模型接入方式：本地 ollama 或云端 API MODEL_PROVIDER=ollama # Ollama 服务地址 OLLAMA_BASE_URL=http://127.0.0.1:11434 # 默认使用的大语言模型 MODEL_NAME=qwen2.5:3b # 如果需要接入云端 API，配置对应的 Key 和 Endpoint # OPENAI_API_KEY=sk-xxxx # OPENAI_BASE_URL=https://api.example.com/v1

这里我说说为什么选了几项这么配。PORT 用 3000，是因为它是 Node 生态里最常见的默认端口，后续接 Nginx 反代也方便。MODEL_PROVIDER 先选 ollama，是因为对于新手来说，本地跑模型能避免很多 API 鉴权和网络问题，先把链路打通再说。

OLLAMA_BASE_URL 这个东西，我遇到过不少人照抄 127.0.0.1 但是代理没起，或者写成了 localhost 导致 IPv6 解析异常。如果你 Ollama 跑在另一台机器上，这里一定要改成实际地址，比如 http://192.168.1.10:11434，否则怎么调都不通。

3.3 启动服务与健康检查

配置改完之后，就是见证奇迹的时刻。我用的是 npm run dev 启动开发模式，它会监听文件变化，适合前期修改配置后频繁重启；正式使用则建议 npm start 或者用 pm2 守护进程。如果你是 ssh 登录服务器部署，千万别直接用 npm start 挂着，终端一关服务就没了。用 nohup 或者 pm2 都行，我习惯用 pm2：

npm install -g pm2 pm2 start npm --name openclaw -- start pm2 save

启动后先看日志，确认服务确实跑起来了：

pm2 logs openclaw

看到类似 “server listening on port 3000” 的输出后，再用 curl 验证接口是否响应：

curl http://127.0.0.1:3000/health

如果返回 JSON 格式的状态信息，说明服务本身没问题。接下来就可以进入模型接入环节，这部分也是新手翻车的高发区。

4. 大模型接入：本地推理和 API 两条路怎么配

4.1 用 Ollama 接入 Qwen、DeepSeek 等本地模型

OpenClaw 本身只起调度作用，真正“会说话”的是背后的大模型。本地推理我用的是 Ollama，安装脚本一句命令搞定：

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

启动 Ollama 服务后，拉一个模型试试。我这里以通义千问的 qwen2.5:3b 为例，这个尺寸对 CPU 机器比较友好，新手入门不容易被速度劝退：

systemctl start ollama ollama pull qwen2.5:3b

拉完后确认模型已经在本地列表里：

ollama list

然后别急着去 OpenClaw 里发消息，先在命令行里试一下模型本身能不能正常回复：

ollama run qwen2.5:3b "你好，请简单介绍一下你自己"

能正常回复，再回到 OpenClaw 配置里确认 MODEL_NAME 要和 ollama list 里的名字完全一致。比如有些版本显示的是 qwen2.5:3b，有些是 qwen2.5:3b-instruct-q4_K_M，名字对不上就会报模型不存在。

这里有个我在实际使用中很在意的点：如果 Ollama 和 OpenClaw 在同一台机器上，OLLAMA_HOST 保持默认的 127.0.0.1:11434 就好；如果你是 Windows 上用 WSL2 跑 Ubuntu，里面起的 Ollama，外面浏览器访问不到，那就要检查 WSL2 的端口转发和防火墙，别把时间花在反复改 OpenClaw 配置上。

4.2 走 API 方式接入云端大模型

本地模型适合折腾和离线场景，但如果你要的是高智商模型处理复杂任务，API 方式更省心。OpenClaw 兼容 OpenAI 格式的 API 接口，基本上你只要在 .env 里把 MODEL_PROVIDER 改成 openai，填上 Base URL 和 Key 就能用。

以我接 DeepSeek 的实践为例：

MODEL_PROVIDER=openai OPENAI_BASE_URL=https://api.deepseek.com/v1 OPENAI_API_KEY=sk-你的密钥 MODEL_NAME=deepseek-chat

注意这里有个关键细节：Base URL 一定不能漏掉末尾的 /v1。有些 API 服务商的地址是带 /v1 的，有些要你自己拼，填错会直接报 404 或者认证失败。我第一次接的时候少写了个 /v1，排查了半天才发现。

API 方式的好处是不占用本地算力，模型更新也及时。坏处是每次调用都要消耗额度，如果 OpenClaw 被某个循环任务卡住了，token 会像流水一样哗啦啦地花出去。所以我建议你在配置文件里看有没有调用限额的选项，或者在外部做好监控，别等月底账单出来才肉疼。

4.3 Skill 扩展机制：给代理装上“手脚”

模型接入只能让 OpenClaw 会“说话”，要让它会“干活”，就得靠 Skill。Skill 是 OpenClaw 里非常核心的机制，相当于给代理装上了手和脚，让它能真正操作外部环境。安装和开发 Skill 的一般流程是：在项目指定的 skills 目录下新建一个子目录，每个 Skill 包含描述文件、元信息和执行脚本。

我以我自己写的一个“定时检查磁盘空间并推送报告”的 Skill 为例，它的目录结构长这样：

skills/ └── disk-space-monitor/ ├── SKILL.md ├── skill.yaml └── scripts/ └── check_disk.sh

其中 skill.yaml 里声明技能名字、描述和入参，SKILL.md 告诉 OpenClaw 什么时候该调用这个技能，scripts 下面放真正的执行脚本。SKILL.md 别写得太含糊，AI Agent 会根据你的文字描述来决定是否触发这个 Skill，描述越精确，触发判断越准。

我当时踩过一个很典型的坑：描述里写“检查磁盘”，结果 OpenClaw 在聊到文件备份时也把 Skill 调起来，白跑了一堆没用的命令。后来我改成“检查 / 分区磁盘空间并在超过 80% 时输出告警”，触发准确率一下就上来了。这说明给 Agent 写工具说明，跟给同事写交接文档是一个道理，信息粒度越清晰越好。

5. 常见坑与排错实录

5.1 高频问题速查表

下面的表格是我在部署过程中真实遇到过的几个典型问题，按出现频率排序，并附上解决方向，可以当索引用：

这个表覆盖了我自己遇到的八成问题。剩下的两成，基本都跟环境有关，比如内存不够导致进程被杀，或者 npm 镜像源不稳定导致依赖装不全。遇到这种问题，先看日志，不要瞎猜，pm2 logs 和 journalctl 都能给出很明确的线索。

5.2 排错思路与高效部署小技巧

排错这件事，最重要的不是背命令，而是建立一套顺序化的排查思路。我的习惯是：先看服务活没活，再看端口通没通，接着看模型在不在，最后看配置对不对。这个顺序能帮你快速缩小问题范围，而不是东翻翻西找找。

多提几个我试下来很顺手的技巧：

第一，日志一定要结构化地看。pm2 logs openclaw --lines 100 可以看到最近 100 行日志。报错信息里一旦出现 ECONNREFUSED，十有八九是对接的服务没启动或者地址不对；出现 ETIMEDOUT，再往网络层查。

第二，改完配置务必重启服务。OpenClaw 不少配置是启动时加载的，改 .env 后不重启等于白改。而且重启后一定要看一眼日志开头，确认它加载的确实是改动后的值。

第三，磁盘空间要留够。Node 生态的项目日志很容易膨胀，再加上模型文件，磁盘满了以后服务会出现各种奇怪现象，比如写文件失败、缓存异常。我吃过一次亏，后来直接把日志轮转打开，并且每周检查一次磁盘占用。

第四，如果你想省内存，可以给 Node 进程设置内存上限。我用的启动命令是：

NODE_OPTIONS="--max-old-space-size=4096" npm start

这个参数会限制 Node 堆内存上限，避免 OpenClaw 在长时间运行时把内存吃满，导致整个系统变得卡顿。根据你机器内存大小调整数值，一般 2GB 到 4GB 比较合适。

结尾：折腾之后的一点实在体会

跑通 OpenClaw 之后，我最大的感受是：这类 AI Agent 框架真正考验人的不是安装，而是“配置思维”的转变。你必须先想清楚它要扮演什么角色、需要哪些工具、接哪个模型，然后才会发现配置文件里每一行都不是多余的。不要一开始就追求完美，先拿默认配置跑一个最小闭环，再慢慢加 Skill、换模型、调参数，这样每一步出问题都容易定位。

后续你还可以在这个基础上做很多扩展，比如接 Nginx 反向代理开放给局域网内的其他设备访问，或者写一个定时任务让它凌晨自动整理日报。架构上无非还是那几件事：服务活着、模型能答、Skill 会调用。把这几个基础环节稳住，OpenClaw 能玩出什么花样，就完全看你的想象力了。