新闻详情

新闻详情

首页 / 资讯中心 / 详情

远程控制 OpenClaw:从群晖 Docker 到本地浏览器的完整隧道指南(TaoToken 配置版)

发布时间:2026/11/16 15:34:08来源:尧图网络
远程控制 OpenClaw:从群晖 Docker 到本地浏览器的完整隧道指南(TaoToken 配置版)
1. 为什么群晖 Docker 里的 OpenClaw 本地浏览器连不上OpenClaw 这套浏览器自动化框架有个很典型的结构真正干活的网关服务跑在服务器上控制端却是你本地 Chrome 里的 OpenClaw Browser Relay 插件。插件默认只认127.0.0.1:18792这个地址它压根不知道你群晖 NAS 的存在所以你在本地浏览器里点插件它连的是自己电脑的本地回环自然连不到群晖 Docker 里的服务。我试过直接在插件里填群晖的局域网 IP结果被浏览器安全策略挡了回来混合内容、跨域、非安全上下文一堆问题。最稳的思路不是让插件去够远程而是反过来——用 SSH 隧道把群晖上的服务端口搬到本地让插件以为服务就在本机。这样插件不用改任何配置浏览器也不用降级安全策略整条链路走 SSH 加密比直接暴露端口安全得多。这篇要交付的就是这条完整链路群晖 Docker 的端口映射怎么配、SSH 隧道命令怎么写、TaoToken 的统一 Key 和 API 通道怎么塞进 settings.json、最后浏览器怎么验证连通。适合已经在群晖上跑起 OpenClaw 容器、但卡在本地插件连不上这一步的人。下面每一步都给可复制的命令和参数照着跑基本能一次通。2. 前置准备TaoToken 统一 Key 与 API 通道在动隧道之前先把模型调用这条线理顺。OpenClaw 的网关要调大模型如果你每个模型都单独配一家 Keysettings.json 会变得又乱又难维护。TaoToken 的价值就在这里一个统一 Key 打通多家模型API 通道地址固定配置一次到处能用。你需要先去控制台拿 Key。打开 https://taotoken.net/console 登录后进 API Keys 页面新建一个 Key复制出来形如sk-xxxx的字符串。这个 Key 就是后面 settings.json 里要填的东西。API 基础地址统一用 https://taotoken.net/api 注意这个地址不带任何查询参数直接作为 base_url 填进去。模型名按你实际要用的填比如claude-sonnet-4-5、gpt-4o这类TaoToken 会按模型名路由到对应通道。如果你后面要长期跑编码类 Agent 任务可以顺带看下 Coding Plan 页面 https://taotoken.net/coding-plan 它针对高频编码场景做了额度优化。只是想先把隧道跑通、验证模型能调通用普通 API Key 就够了。注意Key 只存在服务端 settings.json 里不要写进浏览器插件或前端代码。隧道只负责传端口认证还是走 OpenClaw 自己的网关令牌。3. 群晖 Docker 端口映射与 settings.json 骨架先确认容器端口。SSH 登录群晖后执行docker ps | grep openclaw典型输出里你会看到网关容器的端口映射比如0.0.0.0:18789-18790-18789-18790/tcp。这里要分清宿主机映射出来的端口是 18789 和 18790容器内部监听也是这两个。哪个是控制界面、哪个是插件通信口得实测curl -I http://127.0.0.1:18789 curl -I http://127.0.0.1:18790返回 200 或 HTML 的那个就是网关 HTTP 口通常是 18789。记住这个数字隧道命令里要用。接下来是 docker-compose 的端口映射配置。如果你还没映射或者想改成只绑内网参考这段services: openclaw-gateway: image: openclaw:local container_name: openclaw-openclaw-gateway-1 ports: - 127.0.0.1:18789:18789 - 127.0.0.1:18790:18790 volumes: - ./data:/app/data restart: unless-stopped把宿主机绑定写成127.0.0.1:18789:18789而不是0.0.0.0意思是这个端口只监听群晖本机回环外网和局域网其他机器都碰不到。这样即使 SSH 隧道没开端口也不会裸奔。隧道是从群晖本机回环转发出去的所以绑 127.0.0.1 完全不影响隧道使用。然后是 settings.json。OpenClaw 的模型配置一般放在数据目录下骨架长这样{ gateway: { auth: { mode: token, token: ocw_你的网关令牌 } }, models: { default: { provider: openai-compatible, baseUrl: https://taotoken.net/api, apiKey: sk-你的TaoToken密钥, model: claude-sonnet-4-5 } } }baseUrl填 TaoToken 的 API 地址apiKey填控制台拿到的 Keymodel按需改。网关令牌ocw_开头那串如果还没有进容器生成docker compose exec openclaw-gateway node dist/index.js doctor --generate-gateway-token生成后把令牌填回 settings.json 的gateway.auth.token重启容器生效。4. 可复制的 SSH 隧道命令与群晖 sshd 配置隧道命令本身很简单坑基本都在群晖的 SSH 服务配置上。先看命令ssh -L 18792:127.0.0.1:18789 user192.168.1.100 -N拆开看-L是本地转发18792是本地监听端口插件默认认这个127.0.0.1:18789是站在群晖视角要连的目标user192.168.1.100是你的群晖账号和 IP-N表示只转发不开 shell。执行后窗口会停在光标闪烁状态这是正常的别关。第一次跑大概率会撞两个错。第一个是channel 2: open failed: administratively prohibited这是群晖 sshd 默认禁了 TCP 转发。以 root 登录群晖编辑/etc/ssh/sshd_config确认这两行存在且没被注释AllowTcpForwarding yes PermitOpen any改完重启 SSH 服务synoservicectl --restart sshd第二个常见错是Connection refused说明隧道通了但远程那个端口没服务。回去用curl确认 18789 是不是真的在监听别把 18790 当成网关口。Windows 本地如果提示ssh: command not found去设置 → 应用 → 可选功能里装 OpenSSH 客户端或者用 PowerShell 装。装完ssh -V能出版本号就行。想更省事可以加参数让隧道自动重连、后台跑ssh -o ServerAliveInterval30 -o ExitOnForwardFailureyes -L 18792:127.0.0.1:18789 user192.168.1.100 -NServerAliveInterval30每 30 秒发心跳防断ExitOnForwardFailureyes让转发失败时直接退出而不是假装成功。5. 浏览器连通性验证与设备批准隧道跑起来后本地浏览器访问http://127.0.0.1:18792。如果看到unauthorized: gateway token missing恭喜隧道已经通了只是缺认证。页面上会有个输入框让你粘 Gateway Token把 settings.json 里那个ocw_开头的令牌贴进去保存刷新。如果刷新后还是连不上或者插件图标不亮多半是设备没批准。OpenClaw 有设备配对机制新设备第一次连会进 pending 列表。查看docker compose exec openclaw-gateway node dist/index.js devices list找到状态是pending的那行记下 Request ID批准它docker compose exec openclaw-gateway node dist/index.js devices approve a7590340-2fc2-42bb-841b-83553e5032f1批准后刷新浏览器OpenClaw Browser Relay 插件图标应该变成橙色 ON 状态。这时候你在本地浏览器里操作实际执行的是群晖容器里的网关模型调用走 TaoToken 通道。验证模型通道是否真的通可以在网关里发一条测试请求或者直接打开模型对话页面 https://taotoken.net/chat 确认 Key 有额度、模型能响应。两边都通整条链路才算闭环。6. 本篇常见错排查隧道建了但浏览器 502 / 连接被拒九成是端口填错。群晖 Docker 映射的宿主机端口不一定是 18792用docker ps看实际映射再用curl确认哪个口返回 HTML。隧道命令里-L后面的目标端口要跟实际监听口一致。Permission denied, please try again.密码或认证问题。先用ssh user192.168.1.100裸连测试能进再跑隧道。加-v看详细握手过程定位是密码错还是密钥没配。令牌填了还是 unauthorized检查 settings.json 里的 token 和页面填的是不是同一串改完 settings.json 要重启容器。有时候浏览器缓存了旧令牌清一下站点数据再试。设备一直 pending 批不了确认devices list里的 Request ID 复制完整别漏字符。批准命令要在 docker-compose 目录下执行容器名对不上会报 no such service。模型调用报 401 / 403TaoToken Key 填错或没额度。去 https://taotoken.net/api-keys 重新核对 Key确认baseUrl是https://taotoken.net/api没有多余斜杠或路径。隧道隔一段时间就断加ServerAliveInterval和ServerAliveCountMax参数或者用 autossh 托管。群晖那边也可以适当调大 sshd 的ClientAliveInterval。排障时优先看 SSH 窗口的实时输出channel 2: open failed这类信息直接告诉你卡在哪一层。接入相关的完整参数和示例可以对照接入文档 https://taotoken.net/doc 逐项核对比盲猜快得多。
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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 2026/11/14 10:11:15

【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 ... 2026/11/16 6:47:19

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 2026/11/14 16:35:50

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 2026/11/15 4:06:36

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
📞 ✉