1. 为什么要在本地跑 OpenClaw 这类 AI AgentOpenClaw 是一个开源自主智能体框架简单说就是给大语言模型装上一副能动手的“躯干”模型负责思考OpenClaw 负责调用工具、读写文件、执行命令、串联多步任务。它本身不带模型需要你外接一个“大脑”——云端 API 可以本地 Ollama 也可以。适合谁想在个人设备上跑 AI Agent、又不想把数据发到云端的开发者尤其是手里有块像样显卡、愿意折腾配置的人。本地化运行的核心价值有三个一是省钱Agent 任务动辄几十轮工具调用Token 消耗极快本地模型跑起来没有按量计费二是隐私公司财报、内部文档、个人笔记都能直接喂进去不出本机三是可控模型权重、上下文长度、推理参数全在你手里。代价是本地模型能力通常弱于顶级云端模型复杂推理任务容易翻车所以配置和验证环节必须做扎实。这篇按“装 Ollama → 拉模型 → 写 config.toml → 连通性验证 → 排错”的顺序走一遍每一步都给可复制的命令和配置。你不需要先理解 OpenClaw 的全部架构跟着做完就能判断本地化运行是否就绪。2. 前置准备Ollama 服务与模型拉取Ollama 是目前本地跑开源模型最省心的方案一条命令装好自带 OpenAI 兼容接口OpenClaw 可以直接对接。先确认你的设备8GB 显存能跑 7B 量化模型16GB 以上可以尝试 14B 到 32B 量化版本纯 CPU 也能跑但速度会明显变慢。安装 OllamaLinux/macOScurl -fsSL https://ollama.com/install.sh | shWindows 直接去官网下载安装包装完托盘会出现 Ollama 图标。安装完成后确认服务在跑ollama --version curl http://localhost:11434/api/tags第二条命令返回{models:[]}就说明服务正常只是还没拉模型。接着拉一个适合 Agent 任务的模型推荐 Qwen 系列中文指令跟随和工具调用格式都比较稳ollama pull qwen2.5:14b如果你的显存有限换成qwen2.5:7b或qwen2.5:7b-instruct-q4_K_M。拉完后验证模型能正常推理ollama run qwen2.5:14b 用一句话说明你能调用工具吗能正常返回文本就说明本地推理链路通了。这里有个容易忽略的点Ollama 默认只监听127.0.0.1:11434如果你打算让 OpenClaw 跑在容器里或另一台机器上需要设置OLLAMA_HOST0.0.0.0:11434再重启服务否则会连接被拒。3. OpenClaw 的 config.toml 骨架与本地模型对接OpenClaw 的配置入口是项目根目录下的config.toml。下面这份骨架可以直接复制重点是把provider指向 Ollama 的 OpenAI 兼容端点并把模型名写成你实际拉取的 tag。# config.toml —— OpenClaw 本地化运行配置骨架 [agent] name local-claw workspace ./workspace max_steps 25 log_level info [llm] provider openai-compatible base_url http://localhost:11434/v1 api_key ollama model qwen2.5:14b temperature 0.3 max_tokens 4096 timeout_seconds 120 [llm.retry] max_attempts 3 backoff_seconds 2 [tools] enabled [shell, file_read, file_write, http_get] workdir ./workspace allow_shell true [memory] backend sqlite path ./data/memory.db max_context_tokens 8192几个参数值得单独说。base_url末尾的/v1不能省Ollama 的 OpenAI 兼容层挂在这个路径下api_key填任意非空字符串即可Ollama 不校验但 OpenClaw 的客户端库通常要求该字段存在。max_tokens不要超过模型的实际输出上限Qwen2.5 14B 一般设 4096 比较安全。max_context_tokens要和模型的上下文窗口匹配7B 版本通常 32K14B 也是 32K设 8192 是给工具调用结果留余量避免上下文被撑爆。[tools]段是安全边界。本地跑 Agent 最大的风险是模型被网页内容里的恶意指令带偏执行了不该执行的 shell 命令。建议初期只开file_read和http_get确认行为可控后再逐步放开shell和file_write并且把workdir限制在一个空目录里。如果你不想自己维护本地模型或者本地显卡实在跑不动大参数模型也可以把provider换成云端兼容端点把base_url指向https://taotoken.net/apiapi_key换成在控制台申请的 Key模型名换成对应云端模型。这样配置结构完全不变只是“大脑”从本地换成了远端适合本地算力不足但想先跑通 Agent 流程的情况。4. 连通性验证一次完整的请求与结果判读配置写完后不要急着跑复杂任务先用最小请求验证链路。OpenClaw 一般提供 CLI 入口假设可执行文件叫openclawopenclaw --config ./config.toml run 读取 workspace/hello.txt 的内容并原样返回先在workspace/下建一个测试文件mkdir -p workspace echo local agent ready workspace/hello.txt预期输出应该包含local agent ready这段文本并且日志里能看到工具调用记录类似tool_call: file_read pathworkspace/hello.txt。如果只返回了文本但没有工具调用说明模型没有正确触发 function calling通常是模型本身不支持工具调用格式或者 OpenClaw 的 prompt 模板和模型不匹配。再验证一次纯推理链路绕过工具curl http://localhost:11434/v1/chat/completions \ -H Content-Type: application/json \ -d { model: qwen2.5:14b, messages: [{role: user, content: 回复 OK 两个字母}], max_tokens: 16 }返回 JSON 里choices[0].message.content包含OK说明 Ollama 的 OpenAI 兼容层工作正常。这一步能过OpenClaw 连不上就基本是 config.toml 的字段问题而不是模型或服务的问题。判断本地化运行是否就绪看三个信号Ollama 的/api/tags能列出模型/v1/chat/completions能返回内容OpenClaw 能完成一次带工具调用的任务并给出正确结果。三个都过就可以开始接真实任务了。5. 本篇常见错误排查连接被拒Connection refused最常见。先curl http://localhost:11434/api/tags确认 Ollama 在跑。如果 OpenClaw 跑在 Docker 里localhost指向容器自身要改成宿主机的实际 IP 或host.docker.internal。Linux 上还要确认防火墙没拦 11434 端口。404 Not Foundbase_url写成了http://localhost:11434而漏了/v1。Ollama 的原生 API 在/api/chatOpenAI 兼容层在/v1/chat/completions两者路径不同OpenClaw 用的是后者。模型名不匹配config.toml里的model必须和ollama list输出的 tag 完全一致包括:14b这种后缀。写成qwen2.5而实际拉的是qwen2.5:14bOllama 会返回 model not found。工具调用不触发模型返回了自然语言描述而不是结构化的 tool_call。原因通常是模型不支持 function calling或者 OpenClaw 的 prompt 里工具描述和模型训练格式不一致。换用明确支持工具调用的模型Qwen2.5 系列、Llama 3.1 系列都支持并确认 OpenClaw 版本里的 provider 适配层是最新的。超时Timeout本地模型首次加载要几十秒timeout_seconds设 120 以上。如果每次请求都超时检查显存是否够用模型是不是被换出到了内存导致推理极慢。ollama ps能看到当前加载的模型和占用的显存。上下文溢出Agent 多轮工具调用后报 context length exceeded。把max_context_tokens调小或者在 OpenClaw 里开启记忆压缩让历史对话被摘要后再送入模型。6. 本地跑通之后从验证到日常使用本地链路验证通过后下一步是把 OpenClaw 接到真实工作流里。建议先在workspace目录里放几个测试文件让它做文件整理、内容摘要这类低风险任务观察它的工具调用序列是否符合预期。确认稳定后再考虑接入消息平台或定时任务。如果你发现本地模型在复杂任务上表现不够或者设备算力有限跑不动大参数模型可以把配置里的base_url切到云端兼容端点用https://taotoken.net/api配合在控制台申请的 API Key模型换成云端版本。配置结构不变只是推理位置从本机换到了远端适合需要更强推理能力但又不想改 Agent 代码的场景。API Key 在控制台的 API Keys 页面创建接入细节可以参考接入文档。长期跑编码类或高频 Agent 任务的话按量计费的成本会累积得比较快可以关注一下 Coding Plan 这类包月方案适合每天都有大量工具调用的情况。想先对比不同模型在同一个任务上的表现可以直接在模型对话里试不用改本地配置就能切换模型看效果。本地化运行 OpenClaw 的坑主要集中在配置字段和模型兼容性上链路本身不复杂。把config.toml里的base_url、model、max_tokens三个字段对齐再跑一次带工具调用的验证请求基本就能判断环境是否就绪。剩下的就是根据任务类型调temperature和工具白名单慢慢把 Agent 的行为收敛到你期望的范围。