企业官网建设流程全解析

简介：OpenClaw作为2026年爆火的自主Agent开源项目，在GitHub上60天内斩获超25万星标，标志着AI从对话式交互迈向自主行动时代。这份由北大肖睿团队出品的入门指南，面向希望理解Agent时代、准备上手部署OpenClaw的技术爱好者与产品经理，从AI进化五阶段切入，系统拆解了产品定位、部署方案、Agent调度层（Gateway）、记忆系统、工具层（Skills）与通讯层（Channel Layer）等核心架构。内容还包含龙虾养殖方法（即OpenClaw上手设置与Skills安装创建）、应用场景与安全挑战、国内平替产品对比及未来趋势，帮助新手从零建立完整认知。资源共1个PDF文件，大小4.9MB，已有134人学习下载，适合作为接触OpenClaw的第一份系统性资料。

1. 这份 2026 年 OpenClaw 入门 PDF，到底教了什么

最近圈子里传的《2026年OpenClaw001：龙虾使用入门-北京大学.pdf》，光看标题像份课程讲义，其实是把 OpenClaw 这个开源智能体框架从安装到写技能串了一遍的实战手册。OpenClaw 解决的核心问题很直接：让大模型不只聊天，还能调用本机命令、读写文件、操作软件，甚至联动 ROS2 仿真。对刚接触智能体开发的工程师来说，最难的不是理解“它能干什么”，而是照着文档把环境跑通、让模型真的去调用技能而不是答非所问。这份 PDF 的价值就在于把这一条路走通讲透。适合谁？想给 LLM 接本机工具的开发者和做机器人仿真研究的学生。

2. 先看懂 OpenClaw 的四个核心概念，再动手部署

很多入门文档翻车，是因为作者一上来就贴配置文件，读者连文件里那些字段是干什么的都不知道。OpenClaw 这类框架有一个共性：它的配置项其实就是几个概念的映射。你理解了概念，看配置文件就像看填空；不理解，改了也不知道后果。所以这一章先把概念立住，再谈部署。

2.1 四个核心概念：Skills、Triggers、Channels、Memory

OpenClaw 的架构可以压缩成四个词，多数智能体框架都逃不出这个骨架。

第一个是 Skills，也就是能力单元。你可以把它理解成“给模型准备的工具箱”。一个 skill 就是一个文件夹，里面有描述文件和你写的脚本，描述文件告诉模型“这个工具是干什么的、什么时候用”，脚本是真正执行的代码。OpenClaw 的魅力在于，你不用改模型本身，只要往 skills 目录里加一个文件夹，模型就多了一项能力。这和给机器人换一个末端执行器是一个逻辑。

第二个是 Triggers，触发条件。LLM 不会没事就去调你的脚本，它要判断用户的问题跟哪个技能匹配。这个匹配过程就是靠 description 里的关键词和意图描述。很多人把 skill 写好了却发现模型从来不调用，十有八九是触发条件写得不够具体。你写“用于查询系统状态”，模型不知道什么时候该用；你写“当用户询问内存、CPU、磁盘占用时调用”，模型才会在对应场景做出工具选择。

第三个是 Channels，接入渠道。它负责管理你和 OpenClaw 对话的入口，终端是一个 channel，网页是一个 channel，以后接微信、接飞书也是 channel。这个抽象带来的好处是：技能层和入口层解耦。你写好一个查系统状态的 skill，不管从终端问还是从网页问，都能触发它。

第四个是 Memory，会话记忆。它负责跨轮对话的状态保持。比如用户先问“这台机器内存多大”，再问“那 CPU 呢”，没有 Memory 的框架会把第二句当成新问题，有了 Memory 才能结合上下文理解“那”指的是这台机器。OpenClaw 的 Memory 不光是对话历史，还包括长期记忆——你可以在配置里指定哪些信息要持久化，避免每次对话都从头开始。

2.2 核心概念到文件的映射：一眼找到你在配置里要改哪里

光有概念还不够，得知道它们在文件系统里长什么样。以常见部署方式为例，OpenClaw 装好后会生成一个配置目录，里面分门别类放好各类文件。理解这个对应关系，你排错时就能一眼判断“问题出在哪一层”。

我一般会建议新手拿到任何 OpenClaw 相关文档，先跳过开头那些“项目愿景”的章节，直接打开配置目录，把上面的映射关系对照一遍。不用背路径，只需知道一条排查链路：用户提问进 channel，模型读 memory 理解上下文，再对照 skills 的 description 决定调哪个工具，最后执行脚本。出了任何问题，先判断是断在哪一环，再去翻对应文件，效率能高一倍。

2.3 读这份 PDF 的正确姿势：不按页码翻，先找这几类内容

一份几十页的入门 PDF，逐页读是最浪费时间的方式。我翻了这类“编号001”的入门手册，它的定位通常是“带你把最小闭环跑通”，不会涉及太深的原理。你的目标应该是：能在两小时内让 OpenClaw 跑起来并调用一个自建技能。为了这个目标，翻 PDF 时优先找三类内容：第一是环境准备章节，看作者用的操作系统和依赖版本；第二是配置文件示例，把它和 2.2 的映射表对照着看；第三是第一个 skill 的完整示例，照着它的目录结构抄一遍。

不需要看的也有三类：背景介绍章节可以只扫一眼；高频出现但与你的场景无关的进阶功能跳过；作者吐槽踩坑的部分，先记下来，等真踩到了再回来看。带着这个策略去读，你会发现自己比按顺序翻的人快一半以上。读完概念这关，下一步就是真正动手装了。

3. 本地部署 OpenClaw：Windows + WSL2 和纯 Linux 两条路的完整命令

部署是劝退新手的第一道坎。OpenClaw 的部署本身不算复杂，复杂的是环境。它依赖 Node.js 生态，又需要在本地能执行各种命令和脚本。如果你的主力机器是 Windows，怎么装就成了第一个问题。

3.1 为什么优先选 Linux / WSL2，而不是 Windows 原生跑

先说结论：能上纯 Linux 就直接上纯 Linux；主力机是 Windows 的，用 WSL2 跑，而不是在 Windows 原生环境里硬装。原因是 OpenClaw 的很多技能要调 shell 命令、操作文件权限、监听端口，Windows 原生的 cmd 和 PowerShell 在路径分隔符、权限模型、进程管理上和 Linux 差异太大。你可能费半天劲配好环境，跑第一个 skill 时又因为某个路径解析问题前功尽弃。

WSL2 不一样，它是个轻量 Linux 虚拟机，和 Windows 共享文件系统但内核是 Linux。这样既能用 Windows 的图形界面写代码，又能让 OpenClaw 在 Linux 环境里正常跑。还有一点：WSL2 的网络和端口转发机制默认打通了 Windows 侧，后面想通过 Windows 浏览器访问 OpenClaw 的网页入口，少很多麻烦。

3.2 部署前的环境准备清单

我见过不少人装到一半翻车，就是缺了某个依赖。列一个我自己每次部署都会检查的清单，按顺序确认过再动手。

Node.js 建议直接从官网下载 LTS 版本，不要用系统自带的旧版。Linux 上如果用 apt 装，版本可能偏老，后面跑 OpenClaw 会出现兼容性报错。配置 npm 源的话，国内网络环境我一般会临时切换一下源再装，装完记得切回来，避免后续安装其他包时受影响。

3.3 安装 OpenClaw 主服务：一条命令装完，两条命令验证

下面这段命令是安装主服务的常见流程。实际包名以你拿到的文档为准，我以 “openclaw” 这个通用命名来演示，重点在流程而不是具体包名。

# 0. 先确认 Node 环境，版本不够的先升级 node -v # 期望输出 v18 或更高 # 1. 全局安装 OpenClaw CLI npm install -g openclaw # 2. 验证安装结果 openclaw --version # 3. 初始化配置目录 openclaw init

这段命令的逻辑分三步：验证环境、安装工具、生成配置。第 1 步的npm install -g是把 CLI 装到全局，之后在任意目录都能执行openclaw命令。如果你在当前环境没有全局写入权限，可以改用npx openclaw直接调用，但后续每次都要带 npx 前缀，不太方便。装完先别急着启动服务，先openclaw init让它生成默认配置目录。这一步会创建~/.openclaw/的相关文件，后面所有技能都要放进去。

如果npm install期间一直卡在进度条不动，多半是网络问题。可以先跑npm config get registry看当前源是不是官方源，官方源慢的话，临时换成国内镜像装完再切回来。装完后openclaw --version能弹出版本号，说明 CLI 装好了；弹不出来，看第 5 章的排查部分。

3.4 配置 Windows Companion：让 Windows 侧的本机能力被调用

如果你的 OpenClaw 跑在 WSL2 里，但想让模型调用 Windows 上的软件，比如打开 Excel、操作 Windows 应用，就需要 Windows Companion 这个桥接组件。很多从 Windows 入门的开发者忽略这一步，结果模型在 WSL2 里只能操作 Linux 侧的文件和命令，Windows 上的程序一个都碰不到。

Companion 的常规配置方式是在 Windows 侧安装一个小程序，让它常驻后台，然后告诉 WSL2 里的 OpenClaw 主服务这个 Companion 的地址。配置项一般在config.yaml的 windows_companion 段，核心是 host 和 port 两个字段。

windows_companion: enabled: true host: "127.0.0.1" port: 3456

host填127.0.0.1是因为 WSL2 和 Windows 共享本机回环网络，不需要填局域网 IP。重点是你需要先在 Windows 侧把 Companion 程序启动起来，再启动 OpenClaw 主服务，顺序反了的话主服务起来后会发现找不到对端。验证方法简单粗暴：启动完成后，在 OpenClaw 里问一句“当前 Windows 系统时间是多少”，如果模型能给出准确回答，说明桥接通了；如果回答“我不知道”，先查 Companion 是不是被系统防火墙拦了。

3.5 初始化后的目录结构：先认清这几个文件再动手

初始化完成后，不要急着写技能，先花五分钟看一眼生成的目录。OpenClaw 的可配置项虽多，但入门阶段只需要认准几个文件。

默认情况下，~/.openclaw/下会有config.yaml、skills/、memory/、logs/这几个目录或文件。config.yaml是主配置文件，所有运行参数的修改都汇总在这里；skills/是你以后建技能的地方；memory/存对话记录；logs/存运行日志。目录结构就像一张地图，后续无论写技能还是排查问题，都是在这个地图上活动。配置文件里如果出现你不认识的字段，不要删，先注释掉，等搞清楚了再决定去留。

4. 跑通第一个 skill：从创建 SKILL.md 到验证触发

部署完成只是起点，真正让 OpenClaw 有价值的是你能给它加技能。第一次建 skill 别贪多，选一个最简单的：查询当前系统状态。这个技能实用，且验证路径清晰——你问一句，它执行脚本，返回结果，整个过程五分钟就能走通。

4.1 先设计再写代码：明确“什么时候被调用”是最重要的一步

建 skill 之前先想清楚两件事：这个技能做什么，什么时候触发它。很多人上来就写脚本，写完发现模型根本不调用，回头才想到触发条件没写清楚。我建议的顺序是：先写一行描述，再写代码，最后调参数。

以“查询系统状态”为例，它的触发场景是：用户问到内存、CPU、磁盘占用、当前进程等关键词时。那么描述里就必须包含这些词，而不是笼统的“查询系统信息”。模型就是靠匹配这些关键词来决定调不调用的。

4.2 创建 SKILL.md 和执行脚本：最小可用版本

在~/.openclaw/skills/下新建一个目录，命名用英文小写加下划线，比如system_status。这个目录里放两个文件：SKILL.md负责描述，system_status.py负责干活。

--- name: system_status description: 当用户询问系统内存、CPU、磁盘占用或当前运行进程时，使用此技能获取本机状态信息。 --- # System Status 用 Python 脚本读取当前系统的内存、CPU、磁盘和进程信息，返回给用户。

#!/usr/bin/env python3 # 读取系统基本状态，输出纯文本供模型阅读 import os import platform def main(): # 这三行是通用做法：把关键指标一次性打印出来 mem = os.popen("free -h | awk 'NR==2 {print $3 \"/\" $2}'").read().strip() cpu = os.popen("top -bn1 | grep 'Cpu(s)' | awk '{print $2}'").read().strip() disk = os.popen("df -h / | awk 'NR==2 {print $3 \"/\" $2}'").read().strip() kernel = platform.system() + " " + platform.release() # 输出格式要稳定，模型才好解析；别加花哨的排版 print(f"系统内核: {kernel}") print(f"内存占用: {mem}") print(f"CPU使用率: {cpu}%") print(f"磁盘占用: {disk}") if __name__ == "__main__": main()

这个脚本的逻辑不复杂：分别调用系统命令读取内存、CPU、磁盘的使用情况，再把结果按固定格式打印出来。为什么要用os.popen而不是 Python 的 psutil 库？因为入门阶段尽量少引入第三方依赖，用系统自带的命令减少安装成本。输出格式固定这一点很重要，模型需要从文本里提取信息，你给它一个稳定的格式，它提取起来就不会错。

SKILL.md 里的 description 是整个技能的灵魂。它直接决定了模型的调用意愿。你可以做一个对比实验：把 description 改成“用于查询系统状态”，然后问模型“我的磁盘还有多少空间”，很可能模型不会调用这个技能；改回带“磁盘”等关键词的版本，同样的提问就能触发。这不是玄学，是 LLM 的意图匹配机制决定的。

4.3 验证触发：从提问到日志的完整链路

技能建好后，重启 OpenClaw 服务让新技能生效。然后在对话里输入“看看我的磁盘空间还剩多少”。如果一切正常，模型会调用system_status技能，返回上面脚本的输出结果。

如果没触发，先别怀疑模型，去翻日志。OpenClaw 的日志记录了你和模型之间的完整交互链路，包括模型收到了什么指令、选择了哪个工具、执行结果的返回状态。日志里搜你的技能名system_status，能看到它到底是被调用了但执行出错，还是模型压根就没选择它。前者看脚本报错，后者回去改 description。这个排查链路能过滤掉 80% 的“为什么模型不调用”问题。

4.4 模型接入选型：Ollama 本地模型和云端 API 怎么选

OpenClaw 本身不运行大模型，它需要一个 LLM 后端。接入方式目前主流是两条路，一条是 Ollama 这类本地模型方案，另一条是云端 API。选择取决于你的需求。

我一般会建议新手先用云端 API 跑通流程，把精力花在理解 OpenClaw 的技能机制上，等流程熟了再部署 Ollama。但如果你的机器内存 32G 以上，Ollama 这条路也值得直接走。像 qwen2.5-3b 这类 3B 级别的小模型，用 Ollama 部署后跑 OpenClaw 是完全可行的，模型小、速度快，缺点是复杂指令的理解能力比大模型弱，你需要在 SKILL.md 的描述里写得更加直白。把上面的代码示例中“磁盘”这类词换成“硬盘、C盘、存储空间”，触发率会明显提升。

5. 部署与使用中的常见坑：现象、原因、解决

跑通第一遍之后，你会遇到一系列环境相关的问题。很多部署翻车，不在命令本身，而在环境细节。这里把最常见的几条踩坑记录列出来，按“现象 → 原因 → 解决”的方式讲清楚，你看完能少走很多弯路。

5.1 WSL2 环境“无法安全验证”的安装报错

现象：在 Windows 上启动 OpenClaw 相关脚本时，弹出一段提醒，大意是无法安全验证 WSL2 环境，建议在 PowerShell 里运行wsl -- status检查状态。

原因：Windows 的“适用于 Linux 的 Windows 子系统”功能没有完全启用，或者 WSL2 内核版本过旧。新版本的 OpenClaw 安装脚本会主动检测 WSL 版本，版本不对就直接拒绝继续。

解决：打开 PowerShell（管理员模式），依次执行两条命令。wsl --status查看当前 WSL 状态，如果提示版本是 1 或者没有内核信息，再执行wsl --update把内核更新到最新。更新完后重启终端，重新运行 OpenClaw 安装流程即可。这是 Windows 侧的修复，Linux 上没有这个问题。

5.2 装完命令找不到：npm 全局路径没进 PATH

现象：npm install -g openclaw执行成功，但打开新终端敲openclaw提示 command not found。

原因：npm 的全局安装目录不在系统的 PATH 环境变量里。npm 把可执行文件放到了某个目录，但终端不知道去那里找。

解决：先运行npm prefix -g拿到全局目录路径，然后把它的bin子目录加入 PATH。以 bash 为例，在.bashrc或.zshrc里追加一行export PATH="$(npm prefix -g)/bin:$PATH"，保存后source ~/.bashrc生效。以后再遇到“明明装了却找不到命令”的现象，记住这个排查思路，不只是 OpenClaw，任何 npm 全局工具适用。

5.3 skill 建了但模型不调用：问题九成出在描述上

现象：技能目录、脚本、SKILL.md 都建好了，服务也重启了，但无论怎么问，模型都回答“我无法执行这个操作”，或者给出绕过技能的文字回答。

原因：SKILL.md 里的 description 没有覆盖用户的问法。比如只写了“查询系统信息”，用户说“帮我看下 C 盘满了没有”，模型无法建立“C盘→系统信息”的关联，自然不会调用。这不是 OpenClaw 的问题，是技能描述策略的问题。

解决：把用户可能用的所有问法都写进 description 里。比如上面那个 system_status 技能，description 可以扩展成“当用户询问系统内存、CPU、磁盘、硬盘、C盘、存储空间、运行进程时，使用此技能获取本机状态信息”。你需要模拟用户的语言习惯，而不是用你自己的术语体系。我见过最典型的案例是，开发者用专业术语写描述，用户用口语提问，两边对不上。这个坑在接入 Ollama 的小模型时尤其明显，模型本来就弱，描述再抽象一点，它根本不敢碰你的技能。

5.4 日志像黑匣子：先开 debug，再按链路查

现象：模型不调用技能，或者调用了但结果不符合预期，你完全不知道 OpenClaw 内部发生了什么，翻日志又觉得输出太少。

原因：默认日志级别是 info，只记录关键节点，不记录模型选择的详细推理过程。想定位问题，信息量不够。

解决：在config.yaml里把日志级别调到 debug，然后重启服务，重新触发一次技能调用，再打开日志文件。你会看到比之前多出好几倍的细节：模型在调用工具前经过了哪些判断、它选择了哪个候选技能、执行结果以什么格式返回。看完一遍 debug 日志，你对 OpenClaw 的执行链路会有质的理解。排查完记得把日志级别调回 info，不然长时间运行会产生大量日志占用磁盘。

5.5 先别急着上手机端：Termux 方案的前提条件

现象：搜索到“用 Termux 在手机上装 OpenClaw”的教程，想尝试在安卓手机上跑，但发现很多东西装不上，或者装上了模型也无法正常调用。

原因：Termux 是安卓上的 Linux 模拟环境，能装 Node.js 和部分 CLI 工具，但安卓系统的沙箱限制导致很多底层调用不可用，比如系统级的状态查询、跨应用操作。OpenClaw 的很多技能需要依赖完整 Linux 权限，手机上跑不通是常态。

解决：手机端更适合作为 OpenClaw 的客户端去连接跑在服务器上的主服务，而不是直接在手机上部署完整环境。除非你只是想尝试最小闭环，并且做好了只跑极简单技能的心理准备，否则建议先在一台 x86_64 的主机或服务器上把开发和调试流程跑熟，再考虑手机端这种特殊玩法。

6. 进阶：给 OpenClaw 接 ROS2 仿真，以及版本自检习惯

跑通基础技能后，OpenClaw 的价值才开始显现。一个值得投入的方向是把它接到 ROS2 生态里，社区里的 rosclaw 相关方案热度很高，思路是把 ROS2 的机器人动作封装成 skill，让模型通过自然语言驱动仿真环境里的机器人。这对做机器人开发的人来说，等于直接给 ROS2 加了一个自然语言入口：你不用记每个 action 的名字和参数格式，直接说“让机器人往前走两步”，模型负责把这句话解析成对应的 ROS2 调用。不过这个方向依赖 Gazebo 或类似仿真器，成本不低，建议作为跑通基础后的进阶目标。

版本自检这件事，我自己的习惯是每周做一次。OpenClaw 迭代速度不慢，过段时间不更新，配置文件格式可能就变了。写一个简单的检查脚本放在~/.openclaw/check.sh，帮你快速核对环境。

#!/bin/bash # 快速自检：确认 Node、npm、OpenClaw 版本是否都在预期线上 node -v npm -v openclaw --version # 检查配置目录是否存在，缺失时提醒重新 init if [ ! -d "$HOME/.openclaw" ]; then echo "配置目录不存在，请运行 openclaw init" fi

这个脚本本身不复杂，价值在于让你养成固定节奏的检查习惯。我踩过最深的一个坑是：隔了两个月更新了 OpenClaw，结果旧技能全部失效，日志里全是 schema 校验失败，最后花了半天才定位到是版本兼容问题。从那以后，每次升级前我都会先跑一遍 check，确认当前版本，再看更新日志，决定要不要动。习惯这东西，越早养成越省时间。

OpenClaw 和 PDF 里讲的入门路径，说到底就三步：先把概念弄清楚，再把环境跑通，最后让模型主动调用你的技能。前面这几章的顺序，就是我建议你操作的顺序。希望帮到你。

本文还有配套的精品资源，点击获取