1. 为什么 OpenClaw 在 Windows 原生下总翻车OpenClaw 是一个开源 AI 智能体框架能像数字员工一样自动抓网页、整理文档、执行命令、调用技能。它适合想自己搭一套自动化工作流的开发者尤其是希望数据不出本机、又不想每月烧 API 费用的人。但如果你是第一次在 Windows 上折腾它大概率会在装完第一分钟就卡住openclaw: command not found、Gateway 起不来、端口被占、技能调用无响应。我帮朋友排查过好几轮结论很一致问题不在 OpenClaw 本身而在 Windows 原生环境。OpenClaw 的进程管理、文件路径、子进程调用在 Linux 系下极其稳定到了 Windows 原生就频繁出现路径分隔符、权限、后台服务注册的兼容问题。官方文档也把 WSL2 列为 Windows 用户的首选方案。所以这篇不走“先装 OpenClaw 再补环境”的老路而是反过来先把 WSL2 这个“窝”搭稳再用 Ollama 给它接上本地大脑最后用 Docker 把运行环境隔离起来。三件套各管一件事——WSL2 管兼容Ollama 管省钱Docker 管安全。下面是从零到跑通的最小路径命令都可以直接复制。2. 前置准备WSL2、Ollama、Docker 三件套怎么摆在动手前先把三者的分工说清楚避免后面配置时概念打架。WSL2 是底座。它让你在 Windows 里跑一个真正的 Linux 内核OpenClaw 的所有命令、脚本、服务注册都按 Linux 逻辑走兼容性问题基本消失。安装只需要一条管理员命令重启后即可用。Ollama 是本地模型运行时。OpenClaw 自己不带“脑子”必须外接大模型。Ollama 让你在本机拉取并运行开源模型推理过程完全本地不产生 token 费用适合日常简单任务。代价是吃内存7B 模型大约需要 4GB 以上可用内存。Docker 是隔离层。OpenClaw 的技能可以读写文件、执行命令、发网络请求默认权限和你本人一样大。用 Docker 把它关进容器限制挂载目录即使某个第三方技能行为不端也碰不到你主机上的重要文件。三者关系可以这样理解WSL2 提供 Linux 环境Docker 在这个环境里跑 OpenClaw 容器Ollama 作为独立服务对外暴露一个 HTTP 端口供容器调用。下面按这个顺序落地。2.1 硬件与版本底线项目最低可跑推荐CPU2 核4 核内存4 GB8 GB跑 7B 模型磁盘15 GB 空闲30 GB系统Windows 10 2004Windows 11WSLWSL2WSL2 Ubuntu 22.04内存低于 4GB 就别硬上本地模型了直接用云端 API 更现实。本地模型从 1.5B 级别起步跑通再往上换。3. 可复制配置从 WSL2 到 Docker Compose 骨架这一节是全文的核心按顺序执行即可。每一步都给出命令和预期反馈遇到报错先别慌第五节有排查表。3.1 安装 WSL2 与 Ubuntu以管理员身份打开 PowerShell执行wsl --install这条命令会自动启用虚拟机平台、安装 WSL2 内核并拉取 Ubuntu。完成后重启电脑。重启后 Ubuntu 会自动弹出让你设置用户名和密码设完进入终端。验证版本wsl --list --verbose确认 Ubuntu 那一行的 VERSION 是 2。如果是 1执行wsl --set-version Ubuntu 2转换。进入 Ubuntu 后先更新包索引sudo apt update sudo apt upgrade -y3.2 安装 Docker 并配置国内镜像加速在 Ubuntu 终端里装 Docker Enginecurl -fsSL https://get.docker.com | sudo sh sudo usermod -aG docker $USER执行完usermod后必须退出终端重新登录否则当前会话没有 docker 组权限。重新进入后验证docker version能打印出 Client 和 Server 两段信息就说明 Docker 正常。接着配置镜像加速编辑/etc/docker/daemon.jsonsudo tee /etc/docker/daemon.json EOF { registry-mirrors: [https://docker.m.daocloud.io] } EOF sudo systemctl restart docker镜像加速地址会随时间变化如果拉取失败换一个当前可用的镜像源即可。3.3 安装 Ollama 并拉取本地模型Ollama 装在 WSL2 里作为独立服务运行curl -fsSL https://ollama.com/install.sh | sh安装脚本会自动注册 systemd 服务并启动。验证ollama --version systemctl status ollama接着拉取模型。建议从小的开始先确认链路通ollama pull qwen2:1.5b约 900MB几分钟内完成。跑通后再考虑更大的ollama pull qwen2.5:7b7B 模型对 function calling 支持更好OpenClaw 的技能调用依赖这个能力。拉完后确认模型在列ollama list关键一步让 Ollama 监听所有网卡否则 Docker 容器访问不到它。编辑服务配置sudo systemctl edit ollama在打开的编辑器里填入[Service] EnvironmentOLLAMA_HOST0.0.0.0:11434保存退出后重载并重启sudo systemctl daemon-reload sudo systemctl restart ollama验证监听地址ss -tlnp | grep 11434看到0.0.0.0:11434就对了。如果只显示127.0.0.1:11434容器里是连不上的。3.4 编写 Docker Compose 骨架在 WSL2 里建一个工作目录比如~/openclaw在里面创建docker-compose.ymlservices: openclaw: image: openclaw/openclaw:latest container_name: openclaw restart: unless-stopped ports: - 18789:18789 volumes: - ./data:/root/.openclaw - ./workspace:/workspace environment: - OPENCLAW_PORT18789 - OLLAMA_BASE_URLhttp://host.docker.internal:11434 extra_hosts: - host.docker.internal:host-gateway几个关键点说明。volumes把配置目录和运行目录分开挂载./workspace就是给 OpenClaw 读写用的沙箱目录别把它指向你的主目录。extra_hosts让容器内能用host.docker.internal访问到 WSL2 宿主机上的 Ollama这是 Linux 下 Docker 访问宿主服务的标准写法。OLLAMA_BASE_URL指向宿主机的 11434 端口。启动容器cd ~/openclaw docker compose up -d查看状态docker compose ps docker compose logs --tail 30日志里出现 Gateway listening on 18789 之类的字样说明服务起来了。4. 验证请求一次端到端连通性检查配置写完不算数得实际跑一次请求确认链路通。分两步先验 Ollama 本身再验 OpenClaw 到 Ollama 的连通。4.1 直接验证 Ollama 推理在 WSL2 终端里直接调 Ollama 的 HTTP 接口curl http://localhost:11434/api/generate -d { model: qwen2:1.5b, prompt: 用一句话介绍你自己, stream: false }返回 JSON 里response字段有正常回答说明 Ollama 工作正常。如果这里就失败问题在 Ollama先别往下走。4.2 验证容器内到 Ollama 的连通进入 OpenClaw 容器内部测试它能不能访问到宿主机的 Ollamadocker exec -it openclaw sh -c curl -s http://host.docker.internal:11434/api/tags能返回模型列表 JSON说明容器到 Ollama 的网络通了。这一步是新手最容易断的地方如果超时回去检查 3.3 的OLLAMA_HOST配置和 3.4 的extra_hosts。4.3 在 OpenClaw 里配置模型并对话浏览器打开http://localhost:18789进入 Web UI。依次操作Settings → Model Providers → Add Provider填写字段值Nameollama-localAPI TypeollamaBase URLhttp://host.docker.internal:11434保存后进入 Models → Add ModelID 填qwen2:1.5bProvider 选ollama-local设为默认。然后在聊天框输入你好请用一句话介绍你自己。如果返回正常回答整条链路就通了Web UI → OpenClaw 容器 → 宿主机 Ollama → 本地模型。整个过程没有产生任何 API 费用数据也没出本机。4.4 跑一个真实技能动作光对话还不够验证一下技能调用。在容器里安装浏览器自动化技能docker exec -it openclaw openclaw skills install agent-browser docker exec -it openclaw openclaw skills reload然后在 Web UI 里下达指令使用 agent-browser 技能访问 https://news.ycombinator.com抓取首页前5条新闻的标题和链接整理成 Markdown 列表返回。预期结果是 OpenClaw 启动无头浏览器、访问页面、提取数据并返回列表。如果模型返回does not support tools说明当前模型不支持 function calling换成qwen2.5:7b或llama3.2:3b再试。5. 本篇常见错排查下面这些是我实际踩过或帮人排查过的按现象对号入座。openclaw: command not found如果你是在容器外直接敲这个命令当然找不到。OpenClaw 跑在容器里命令要通过docker exec -it openclaw openclaw ...执行。如果确实想在宿主机装那是另一套流程本文走的是容器化路线。Error: listen EADDRINUSE :::1878918789 被占用。先查谁占的ss -tlnp | grep 18789如果是旧容器没清干净docker compose down再up -d。如果被其他进程占用改docker-compose.yml里的端口映射比如18790:18789同时改OPENCLAW_PORT。容器内 curl Ollama 超时九成是OLLAMA_HOST没设成0.0.0.0。回 3.3 检查systemctl edit ollama那段改完必须daemon-reload再restart。另一个可能是extra_hosts没配容器解析不了host.docker.internal。Ollama 返回does not support tools模型不支持 function calling。1.5B 的小模型大多不支持换qwen2.5:7b或llama3.2:3b。这是模型能力问题不是配置问题。Docker 拉镜像卡住或超时镜像加速没生效或地址失效。检查/etc/docker/daemon.json格式是否正确systemctl restart docker后重试。换一个当前可用的镜像源。技能执行后无输出看日志定位docker compose logs --tail 50 openclaw常见原因是技能没装成功或名称写错用docker exec -it openclaw openclaw skills list确认已安装的技能名。WSL2 内存占用越来越高Ollama 加载的模型常驻内存。不用时停掉模型或限制 Ollama 并发。在.wslconfig里可以限制 WSL2 最大内存文件放在 Windows 用户目录下[wsl2] memory8GB改完在 PowerShell 执行wsl --shutdown重启 WSL2 生效。6. 安全边界与后续接入建议容器化只是第一层隔离。./workspace目录是 OpenClaw 唯一该有写权限的地方别图省事把整个家目录挂进去。第三方技能在 ClawHub 上虽然有审核但历史上出现过行为不端的技能装之前看一眼它申请了哪些权限。云端 API Key 定期轮换本地 Ollama 不涉及密钥这也是它安全上的优势。如果你后面想让 OpenClaw 接入更稳定的云端模型做复杂任务或者需要统一管理多个模型的 API Key可以走 TaoToken 的接入方式。它提供兼容 OpenAI 格式的接口配置方式和上面 Ollama 的 Provider 填写逻辑一致把 Base URL 换成https://taotoken.net/api即可。API Key 在控制台创建https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsole 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc 里面有各语言的最小请求示例。想先在线验证模型效果可以直接用模型对话页https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodel_chat 。如果你打算长期跑编码类或 Agent 类任务Coding Plan 的额度模型更适合持续调用https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding_plan 。API Key 管理入口https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi_keys 。本地 Ollama 和云端 API 可以共存日常简单任务走本地省钱复杂任务临时切云端。切换在 Web UI 的默认模型设置里改一下就行不用重启容器。整套跑下来你得到的是一个隔离运行、数据可控、日常零成本的 OpenClaw 环境剩下的就是慢慢往技能库里加东西了。