1. 先搞清楚这只“小龙虾”到底能干什么OpenClaw 是本地优先的 AI Agent 框架QClaw 是腾讯基于同类思路做的桌面端 Agent 工具两者都主打“让 AI 替你操作文件、浏览器、邮件”。Ollama 负责在本地跑模型Skill 机制负责给 Agent 装“手脚”——没有 Skill 的 Agent 只能聊天装了 Skill 才能干活。这套组合适合谁适合手里有闲置显卡、想把重复性桌面操作交给 AI 的开发者也适合想低成本试水 Agent 编排的技术爱好者。我试过在 96GB 显存的机器上跑 Ollama OpenClaw最大的感受是模型能不能持续驻留、Skill 依赖能不能装全直接决定这只“小龙虾”是生龙活虎还是半死不活。下面按环境准备、TaoToken 通道配置、config.toml 骨架、启动验证、报错排查的顺序拆一遍每一步都给可复制的命令。2. TaoToken 前置统一 Key 与 API 通道OpenClaw 和 QClaw 都支持自定义模型接入。如果你不想把所有请求都压到本地 Ollama 上或者本地模型在长上下文任务里力不从心可以走 TaoToken 的统一 API 通道。它的作用是一个 Key 覆盖多家模型OpenClaw 的 config.toml 里只写一个 base_url 和 api_key切换模型时改 model 字段就行不用动其他配置。先拿 Key。打开 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentopenclaw_qclawutm_campaignrewrite 登录后创建一个 API Key复制保存。注意这个 Key 只在创建时完整显示一次丢了就得重建。拿到 Key 之后OpenClaw 的模型通道配置分两种写法。第一种是走 OpenAI 兼容协议base_url 填https://taotoken.net/apiapi_key 填你刚复制的值。第二种是走 Anthropic 协议适合 Claude 系列模型base_url 填https://taotoken.net/api路径由 OpenClaw 自动拼接。两种写法在 config.toml 里的字段名不同下面给完整骨架。注意API 地址不要加 UTM 参数只写https://taotoken.net/api即可否则部分客户端会把查询串当成路径的一部分导致 404。3. 可复制配置config.toml 骨架与 Ollama 驻留先解决 Ollama 的模型驻留问题。默认情况下ollama run启动的模型 5 分钟无调用就会卸载OpenClaw 下次调用时重新加载模型35B 级别的模型加载动辄几十秒Agent 任务链直接超时。用keep_alive: -1让模型永久驻留curl http://127.0.0.1:11434/api/generate -d { model: qwen3.5:35b, keep_alive: -1 }执行后可以用ollama ps查看UNTIL 列会显示 Forever。这样 OpenClaw 调用本地模型时不会因为重加载而卡顿。但要注意长时间不调用时 Ollama 仍可能从显存卸载这是 Ollama 自身的内存管理策略目前没有完全关闭的开关。接下来是 OpenClaw 的 config.toml 骨架。文件位置通常在~/.openclaw/config.tomlWindows 下在%USERPROFILE%\.openclaw\config.toml。下面这份配置同时保留了本地 Ollama 和 TaoToken 远程通道你可以按需注释掉其中一段[gateway] port 18789 host 127.0.0.1 [model] # 默认走本地 Ollama provider ollama base_url http://127.0.0.1:11434 model qwen3.5:35b keep_alive -1 # 远程通道需要时把 provider 改成 openai-compatible # provider openai-compatible # base_url https://taotoken.net/api # api_key sk-你的TaoTokenKey # model claude-sonnet-4-20250514 [skills] dir ~/.openclaw/skills auto_load true [log] level info file ~/.openclaw/logs/openclaw.log如果你主要用远程模型跑长任务把[model]段替换成注释里的四行即可。TaoToken 的模型列表可以在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentopenclaw_qclawutm_campaignrewrite 查到model 字段填对应的模型 ID。Skill 依赖安装有个坑Linux 上用 Homebrew 不能以 root 身份装软件必须切到 Linuxbrew 的部署用户su - linuxbrew brew install gh brew install ffmpeg brew install ripgrep brew install tmuxsummarize这个 Skill 不能用 brew 装得走 npmnpm install -g steipete/summarize装完依赖后 OpenClaw 可能没感知到变化重启 Gateway 让它重新扫描openclaw gateway restart如果 Clawhub 官方源带宽太慢导致npx clawhublatest install卡住可以改用 git 方式装 Skill。以self-improving-agent为例mkdir -p ~/.openclaw/skills/self-improving-agent cd ~/.openclaw/skills/self-improving-agent git clone https://github.com/pskoett/self-improving-agent.git .没有 git 仓库的 Skill就下载压缩包手动解压到~/.openclaw/skills/下对应目录然后重启 Gateway。4. 启动验证与成功结果配置写完后先验证 Gateway 能不能起来openclaw gateway start openclaw gateway statusstatus 返回running且端口 18789 处于监听状态说明 Gateway 正常。接着验证模型通道curl http://127.0.0.1:18789/v1/chat/completions \ -H Content-Type: application/json \ -d { model: qwen3.5:35b, messages: [{role: user, content: 回复ok}] }如果返回内容里有ok说明本地 Ollama 通道打通。换成 TaoToken 通道时把 model 改成远程模型 ID并在 header 里加Authorization: Bearer sk-你的Key再发一次同样的请求。两次都通说明双通道配置正确。Skill 验证用聊天方式最直接。启动 OpenClaw 的交互终端openclaw chat输入“列出当前已加载的 Skill”Agent 会返回一个列表。如果self-improving-agent和summarize都在列表里说明 Skill 目录扫描正常。再输入“用 summarize 总结一下 ~/.openclaw/logs/openclaw.log 的最后 50 行”观察 Agent 是否调用对应 Skill 并返回摘要。成功的话日志里会出现skill_invoked: summarize的记录。QClaw 这边验证更简单安装后微信扫码登录关联微信在聊天窗口发“帮我看看桌面有哪些文件”如果它能列出文件列表说明文件操作 Skill 生效。QClaw 目前没有 Ollama 选项模型走默认通道Skill 安装通过对话触发点“安装实时天气 Skill”后回车即可。5. 本篇常见错排查报错一Error: connect ECONNREFUSED 127.0.0.1:11434Ollama 没启动或者监听地址不是 127.0.0.1。先ollama serve确认服务在跑再检查 config.toml 里的 base_url 是否和 Ollama 实际监听地址一致。如果 Ollama 跑在另一台机器上把 127.0.0.1 换成那台机器的内网 IP。报错二model not found: qwen3.5:35b模型名写错了或者模型没拉下来。用ollama list看本地已有模型名字要完全一致。TaoToken 通道报这个错说明 model 字段填的 ID 不在可用列表里去文档页核对模型 ID。报错三401 UnauthorizedTaoToken 的 Key 没填对或者 header 格式不对。检查 api_key 字段有没有多余空格Bearer 后面有没有漏掉空格。Key 如果泄露过去 console 重建一个。报错四Skill 装了但 Agent 不调用先openclaw gateway restart重启再openclaw chat里问“当前有哪些 Skill”。如果列表里没有检查 Skill 目录结构每个 Skill 应该是一个独立子目录里面至少有一个skill.toml或manifest.json。目录层级多了一层或少了一层都会导致扫描不到。报错五Ollama 升级后 GPU 不可用这个坑我踩过0.17.7 升到 0.18.0 后模型跑在 CPU 上速度掉到十分之一。回滚到 0.17.7 并关闭自动升级。升级前备份~/.ollama目录回滚时直接覆盖回去省得重新拉模型。报错六QClaw 安装 Skill 时命令一闪而过Windows 上部分 Skill 的安装命令会在对话里被清理掉导致看不到报错信息。遇到这种情况去 QClaw 的日志目录翻安装记录或者手动在 PowerShell 里执行对应命令看完整输出。6. 长期跑 Agent 的通道选择如果你只是偶尔跑几个短任务本地 Ollama 加默认配置就够了。但如果你要让 OpenClaw 长期挂机、跑定时任务或者接 Coding Agent 做持续集成本地模型的显存占用和远程模型的稳定性需要权衡。我的做法是日常对话和文件操作走本地 Ollama省 Token长上下文代码任务和需要高推理质量的场景切到 TaoToken 的远程通道在 config.toml 里改 provider 和 model 两行就行。需要长期编码或 Agent 编排的可以看 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentopenclaw_qclawutm_campaignrewrite 它按周期计费适合把 OpenClaw 当日常工具用的场景。只想先验证模型对话效果的直接开模型对话页https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentopenclaw_qclawutm_campaignrewrite 不用配 config.toml 就能试。接入过程中遇到通道报错对照接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentopenclaw_qclawutm_campaignrewrite 里的错误码表排查比在日志里翻半天快。最后说一个实际经验OpenClaw 的 Skill 生态还在早期装十个 Skill 能稳定跑通六个就算不错。别一上来就装一堆先把self-improving-agent和summarize这两个跑顺再按需加。QClaw 的 Skillhub 目前对 Windows 的支持比 Clawhub 好Windows 用户优先从 Skillhub 装。