新闻详情

新闻详情

首页 / 资讯中心 / 详情

手把手教你在 OpenClaw 本地部署集成 DeepSeek 模型:TaoToken 统一 Key 配置与 Ollama 接入全流程(DeepSeek-V3 / R1 / Coder 全覆盖)

发布时间:2026/11/18 6:46:49来源:尧图网络
手把手教你在 OpenClaw 本地部署集成 DeepSeek 模型:TaoToken 统一 Key 配置与 Ollama 接入全流程(DeepSeek-V3 / R1 / Coder 全覆盖)
1. 为什么要在 OpenClaw 里接 DeepSeek本地部署的真实痛点OpenClaw 这类自建 AI 助手项目核心吸引力在于「数据不出本机、Agent 逻辑自己掌控」。但真到落地阶段模型接入往往是最容易卡住的一环官方 API 要单独申请 Key、本地 Ollama 又要另配一套地址多模型切换时还得改配置文件重启服务。我试过同时维护三套 Key 和两个 baseUrl结果一次改错端口整个 gateway 起不来。这篇要解决的问题很具体把 DeepSeek-V3、R1、Coder 三个系列模型通过 Ollama 拉到本地再用 TaoToken 的统一 Key 通道接到 OpenClaw 上做到一份配置覆盖云端与本地、多模型热切换。适合已经装好 OpenClaw、想跑通本地 DeepSeek 但被配置项绕晕的人。全程给可复制的config.toml/settings.json骨架以及 CC Switch、Cline 的配置示例最后逐项验证连通性、Key 生效和多模型切换。需要提前说明Ollama 负责本地推理TaoToken 负责统一 Key 与 API 通道两者不冲突。本地模型走127.0.0.1:11434云端模型走 TaoToken 的 API 地址OpenClaw 侧只需要认 provider 名。2. TaoToken 前置准备统一 Key 与 API 通道TaoToken 在这里的角色是「一个 Key 管多个模型通道」。你不用为 DeepSeek 官方、本地 Ollama、其他兼容 OpenAI 格式的服务分别记 KeyOpenClaw 的 provider 配置里统一指向 TaoToken 的 API 地址即可。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 根地址是 https://taotoken.net/api 。操作顺序建议这样先到控制台创建 API Key路径是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 在 API Keys 页面生成一个sk-开头的密钥复制后先存到本地临时文件别直接贴进聊天窗口。然后确认你要用的模型名。DeepSeek 系列在 TaoToken 侧通常映射为deepseek-chatV3 对话、deepseek-reasonerR1 推理、deepseek-coder编程。具体以模型对话页 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里列出的为准那里能直接试跑确认模型可用再写进配置。如果你打算长期跑编码 Agent建议顺手看一下 Coding Plan 页面 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 它针对高频编码场景做了额度规划比按量计费更可控。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 配置字段有疑问时对照查。注意Key 只存在本地配置文件或环境变量里不要提交到 Git 仓库。OpenClaw 的配置文件默认在用户目录下权限设成仅当前用户可读。3. 可复制配置Ollama 拉模型 OpenClaw 接入骨架3.1 Ollama 侧拉取 DeepSeek 三个系列先确认 Ollama 在跑ollama --version ollama serve另开一个终端拉模型。显存有限就从小的开始8B 量化版在 16GB 显存上能跑# R1 推理蒸馏版入门先用 8B ollama pull deepseek-r1:8b # 编程专用6.7B 指令量化版 ollama pull deepseek-coder:6.7b-instruct-q5_K_M # V3 满血版体积大显存 24GB 以上再试 ollama pull deepseek-v3:latest拉完验证单个模型能对话ollama run deepseek-r1:8b 用一句话说明快速排序的核心思想能正常返回就说明本地推理链路通了。记下模型名后面 OpenClaw 配置里要用ollama/deepseek-r1:8b这种provider/模型名格式。3.2 OpenClaw 的 config.toml 骨架OpenClaw 支持 TOML 和 JSON 两种配置。先给 TOML 版本放在~/.openclaw/config.tomlWindows 是C:\Users\你的用户名\.openclaw\config.toml[env] TAOTOKEN_API_KEY sk-你的TaoToken-Key [models.providers.taotoken] baseUrl https://taotoken.net/api api openai-completions [models.providers.ollama] baseUrl http://127.0.0.1:11434/v1 api openai-completions [agents.defaults.model] primary taotoken/deepseek-reasoner fallbacks [ taotoken/deepseek-chat, taotoken/deepseek-coder, ollama/deepseek-r1:8b ]这里的设计意图主模型走 TaoToken 的 R1 推理云端响应快fallback 里放 V3 对话、Coder 编程最后兜底到本地 Ollama。云端不可用时自动降级到本地不至于整个 Agent 停摆。3.3 settings.json 等价写法如果你更习惯 JSON等价配置如下放在~/.openclaw/settings.json{ env: { TAOTOKEN_API_KEY: sk-你的TaoToken-Key }, models: { providers: { taotoken: { baseUrl: https://taotoken.net/api, api: openai-completions }, ollama: { baseUrl: http://127.0.0.1:11434/v1, api: openai-completions } } }, agents: { defaults: { model: { primary: taotoken/deepseek-reasoner, fallbacks: [ taotoken/deepseek-chat, taotoken/deepseek-coder, ollama/deepseek-r1:8b ] } } } }两种格式选一种即可不要同时存在否则 OpenClaw 加载顺序不确定。3.4 CC Switch 与 Cline 配置示例CC Switch 用来在多个 provider 之间快速切换。它的配置文件里加一段{ providers: [ { name: taotoken-deepseek, baseUrl: https://taotoken.net/api, apiKeyEnv: TAOTOKEN_API_KEY, models: [deepseek-reasoner, deepseek-chat, deepseek-coder] }, { name: ollama-local, baseUrl: http://127.0.0.1:11434/v1, apiKeyEnv: , models: [deepseek-r1:8b, deepseek-coder:6.7b-instruct-q5_K_M] } ] }Cline 作为 VS Code 插件时在设置里选「OpenAI Compatible」Base URL 填https://taotoken.net/apiAPI Key 填 TaoToken 的 KeyModel ID 填deepseek-coder。这样在编辑器里写代码时补全和对话都走同一条通道。4. 验证请求连通性、Key 生效、多模型切换配置写完重启 gatewayopenclaw gateway打开 dashboard新建会话按下面三步逐项验证。第一步验证 TaoToken 通道连通。在聊天框输入/model taotoken/deepseek-chat 用中文介绍一下你自己正常返回说明 Key 生效、baseUrl 可达。如果报 401检查TAOTOKEN_API_KEY是否被正确读取报 connection refused检查网络和 baseUrl 拼写。第二步验证本地 Ollama 通道。输入/model ollama/deepseek-r1:8b 用一句话解释什么是递归返回正常说明本地推理链路通。这一步慢是正常的8B 模型在消费级显卡上首 token 延迟几秒。第三步验证多模型切换。依次切到taotoken/deepseek-coder问一个编程题/model taotoken/deepseek-coder 用 Python 写一个快速排序带注释再切回taotoken/deepseek-reasoner问一个推理题确认切换后模型行为有差异R1 会输出思考过程。三条都通过说明整套配置跑通了。也可以用 curl 直接验证 TaoToken 通道排除 OpenClaw 层干扰curl https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer sk-你的TaoToken-Key \ -H Content-Type: application/json \ -d { model: deepseek-chat, messages: [{role: user, content: ping}] }返回带choices字段的 JSON 就说明通道没问题。5. 本篇常见错排查fetch failed / ECONNREFUSED先确认 Ollama 在跑ollama serve再确认 baseUrl 是http://127.0.0.1:11434/v1而不是http://localhost:11434某些系统 localhost 解析到 IPv6 会失败。TaoToken 侧报这个错检查网络是否能访问taotoken.net。model not foundOpenClaw 里模型名必须是provider/模型名格式。deepseek-reasoner单独写会找不到要写taotoken/deepseek-reasoner。Ollama 侧同理deepseek-r1:8b要写成ollama/deepseek-r1:8b。401 unauthorizedKey 没被读到。检查环境变量名是否和配置里一致TOML 里[env]段的键名大小写敏感。用echo $TAOTOKEN_API_KEYLinux/macOS或echo %TAOTOKEN_API_KEY%Windows确认。响应很慢本地模型看显卡利用率nvidia-smi看显存是否爆了云端模型换更近的节点或确认没有走 fallback 到本地。R1 推理模型本身输出长首 token 慢属正常。多模型切换不生效/model命令后要等当前会话确认切换成功再发下一条。如果 fallback 列表里模型名写错主模型失败后不会自动降级日志里会有 provider 解析错误。配置文件不生效确认config.toml和settings.json只存在一个且路径在~/.openclaw/下。改完必须重启 gateway热加载不一定覆盖 provider 段。6. 后续扩展与统一入口跑通之后可以继续做的事把 Ollama 跑在另一台机器上baseUrl 改成http://192.168.x.x:11434/v1OpenClaw 侧不用改其他配置给不同 Agent 分配不同模型比如编码 Agent 固定用taotoken/deepseek-coder对话 Agent 用taotoken/deepseek-chat在 TaoToken 的模型对话页先试跑新模型确认可用再写进配置省得反复重启 gateway。需要再核对 Key 和通道状态时直接去 API Keys 页面 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 看额度与密钥配置字段拿不准就翻接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 长期跑编码 Agent 的话Coding Plan https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 比按量更省心。Claude Code 相关的接入说明在 https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 需要时对照看。最后留一个实操建议配置改完先别急着接 Telegram 或 Web 前端就在 dashboard 里把三个模型各跑一轮确认taotoken/deepseek-reasoner、taotoken/deepseek-coder、ollama/deepseek-r1:8b都能正常返回再往外扩。这样出问题时排查范围小不用在多个层之间来回猜。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉