企业官网建设流程全解析

这几天 OpenClaw 的热度确实高得离谱，GitHub 上星星涨得飞快，群里的截图一张接一张。但我翻了翻大家的讨论，发现一个现象：真正动手部署成功的人，和下载了安装包再也没打开过的人，比例大概一比一。不是这项目不好用，而是大部分人卡在了最基础的环境问题上，还没见到安装界面就放弃了。

我自己把 Windows、Linux、安卓三条路都完整跑通了，踩了不少坑，也把官方文档里没写清楚的部分补齐了。这篇就把保姆级流程一次性讲透，从原理到实操，从环境准备到避坑，争取让不同基础的读者都能顺利跑起来。

1. 先搞清楚 OpenClaw 到底是个什么项目

很多人看到"全网爆火"就冲进来了，但说实话，连 OpenClaw 解决什么问题都没搞明白就直接部署，后面大概率会碰壁。我建议先花两分钟理解这个项目的定位，再动手不迟。

1.1 为什么叫 OpenClaw，它解决了什么痛点

OpenClaw 本质上是一个可以将大模型能力接入本地工作流的执行框架。你可以把它理解成一个"中间调度层"—— 上层对接大模型服务，下层对接你本地的脚本、Skills、工具链，中间负责把自然语言指令拆解成可执行的动作。

举个例子，你告诉它"帮我把桌面上所有 PDF 转成文字并汇总成一张表格"，它会自动调用相应的 Skill，经过路径解析、任务规划、执行命令三个环节，最后把结构化结果返回给你，而不是像聊天机器人那样只给你一段建议。这正是它现在这么火的核心原因：它让模型从"会聊天"变成了"能干活"。

1.2 架构概览：Node.js、WSL、大模型 API 三者怎么配合

OpenClaw 的实际结构并不复杂，理解以后排错会容易很多。整体来看它分为三层：

• 运行层：基于 Node.js 构建，负责进程管理、配置读取、日志输出；
• 环境层：在 Windows 上依赖 WSL（Windows Subsystem for Linux）提供 Linux 兼容环境，很多底层命令、路径解析、Shell 操作都要在 WSL 里完成；
• 算力层：通过调用大模型 API（比如 OpenAI、Ollama 本地模型、或者是兼容接口）获取推理能力，OpenClaw 本身不训练模型。

这三层缺一不可。Node.js 管执行，WSL 管环境，API 管智能。如果你之前配过 ROS、Gazebo 这类机器人仿真环境，你会发现这套认知模型几乎是通用的——OpenClaw 在各行各业项目里都有应用案例，比如在 ROS2 Humble + Gazebo 仿真项目中被当作调度层来串联任务脚本，可以明显感觉到这套架构的设计思路在很多场景里都适用。

注意：OpenClaw 本身不内置任何"破解"或"绕过"大模型服务限制的能力，它的角色只是把标准 API 调用变成一个本地可操作的流程。不同来源的模型服务接入方式各有差异，正规使用请只接入你拥有合法权限的服务。

2. 部署前的环境准备，这步走错后面全是坑

我在各种群里回答过很多部署问题，九成以上都出在环境准备阶段。版本不对、没开虚拟化、装错发行版，这些小问题会在后面安装时集中爆雷。这里把几个最容易出问题的环节一次说清。

2.1 Node.js 版本怎么选，官网下载为什么总有人搞错

OpenClaw 对 Node.js 版本有要求，务必使用 18 LTS 或 20 LTS 版本。别贪新去下载最新的奇数版本，那个版本号是 Current 版，部分依赖包对它的兼容性还不够理想，我自己实测在新版上跑某 Skill 时出现过偶发卡死的情况，换回 20 LTS 就稳定了。

官网下载（nodejs.org）其实很直接，但有一个细节特别容易坑到人：

1. 进入官网首页，看到 LTS 字样的大按钮直接点，那是稳定版；
2. 安装时一路 Next 没问题，但安装完后必须重启终端，否则 PATH 不刷新，你敲node -v还是提示找不到命令；
3. 验证方法：打开终端输入node -v，如果输出版本号且以v18或v20开头，说明安装成功。

提示：千万不要手动改系统 PATH 环境变量，装 Node.js 时默认选项已经写好了，画蛇添足反而容易把原有的 Java、Python 相关路径搞乱。

2.2 Windows 上 WSL 环境怎么装，以及"无法安全验证 WSL2 环境"的根源

网上大量报错"无法安全验证 WSL2 环境。请在 PowerShell 中运行 wsl --status"，我排查了很多案例后发现根源基本是同一个：WSL 内核组件缺失或版本不匹配。

正确做法是打开 PowerShell（管理员模式），依次执行：

# 启用 Windows 的 WSL 功能 dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart # 启用虚拟机平台（WSL2 必需） dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart # 重启电脑，然后更新 WSL 内核 wsl --update # 查看当前状态 wsl --status

如果执行完wsl --status仍然提示异常，第一时间检查是否开启了"Windows 虚拟机监控程序平台"。在"启用或关闭 Windows 功能"里，把VirtualMachinePlatform和Windows 虚拟机监控程序平台都勾上，重启后再试。很多人在第一步就漏了后者，导致 WSL2 始终无法正常启动。

另外，如果你是第一次使用 WSL，装完内核后还需要执行：

# 设置默认版本 wsl --set-default-version 2

之后在 Microsoft Store 里安装 Ubuntu 22.04（或你自己习惯的版本），首次启动会要求设置用户名和密码，这个用户名和密码后面进入系统时要用，牢记就好。

2.3 Ollama 部署 OpenClaw 时，本地模型和 API 的取舍

Ollama 的用途是本地化运行模型，很多教程喜欢推荐它，因为它不用付费、不用公网 API，至少在配置好的情况下可以完全本地化运行。但你要清醒地知道：OpenClaw 对算力的要求吃得很紧，本地小模型（比如 7B 参数的量化版）能不能撑起复杂 Skill 的执行，看场景。

我个人的建议是：

• 如果你的机器内存小于 16GB，不要跑 7B 以上量化模型，否则每次调用都会像老牛拉车；
• 如果只是简单任务（写文案、格式转换），Ollama 通通能搞定，可玩性已经足够；
• 如果涉及网页搜索、复杂推理、多步骤工具调用，老老实实接标准 API，响应质量和速度都不是本地小模型能比的。

配置 Ollama 时先跑ollama pull拉取模型，然后确认ollama serve正常监听了11434端口，最后在 OpenClaw 配置文件中把模型服务地址写成http://localhost:11434。注意：OpenClaw 和 Ollama 在局域网内不同设备上互相调用时，要确认模型服务有没有监听0.0.0.0，默认只监听本地，这个是很多人配置半天调不通的原因。

3. 各平台部署实操步骤

把准备环节走完后，真正的安装就要开始了。这里我按平台拆分，每个平台都有独立的环境特征，踩过的坑也不太一样。

3.1 Windows 部署流程，以及 Companion 的作用

Windows 的部署，简单理解就是"WSL + Node.js + OpenClaw 核心"的组合。官方现在还推广一个 Windows Companion（配套辅助工具），作用是在 Windows 侧提供文件监听、剪贴板同步、开机自启等能力，让 OpenClaw 在 Windows 上更贴近原生应用体验。

大致顺序是这样：

1. 装好 WSL 和 Ubuntu（参考 2.2 节）；
2. 在 WSL 里安装 Node.js 18/20 LTS；
3. 用 SSH 或直接在 VSCode 的 WSL 终端里拉取 OpenClaw 源码；
4. 在项目目录执行npm install，这一步会自动安装依赖；
5. 复制.env.example为.env，填入模型 API 的 Key；
6. 运行bash install.sh完成初始化；
7. 最后在 Windows 侧安装 Companion 并启动，和服务建立连接。

有一个细节要注意：Companion 和 WSL 里的服务是通过 localhost 回环通信的。出现连不上的情况时，先检查 Windows 防火墙是否拦了进程（弹窗时记得点允许），再检查服务端的监听地址是不是127.0.0.1而不是::1，因为 Node.js 在 WSL 里有时默认解析到 IPv6 的 localhost。

3.2 Linux 服务器上怎么部署最稳

如果你打算长期跑，我会建议直接用 Linux 服务器，不折腾 WSL，稳定性和资源占用都更可控。这里我用的是 Ubuntu 22.04 为例：

# 1. 系统更新，安装 curl 和 git sudo apt update && sudo apt install -y curl git build-essential # 2. 安装 Node.js 20（用 nodesource 源） curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash - sudo apt install -y nodejs # 3. 验证 node -v && npm -v # 4. 克隆项目 git clone [你的项目地址] cd openclaw # 5. 安装依赖 npm install # 6. 初始化配置 cp .env.example .env vim .env # 填入各类 API Key # 7. 安装并启动 bash install.sh

部署在服务器上，有几个容易被忽略但影响很大的细节：

• 用 systemd 管理常驻进程，不要用nohup裸跑。我会写一个简单的 systemd unit 文件，这样开机自动拉起、崩溃自动重启，日志也能统一看；
• 防火墙只开放必要的端口（比如管理面板端口），模型 API 端口留在内网就好，不对外暴露；
• 定期看日志，journalctl -u openclaw -f是排查问题的最快路径。

3.3 安卓部署（Termux）实际可运行的方案

安卓上用 Termux 部署 OpenClaw 是很多人感兴趣的场景。实话实说，手机性能有限，这套方案更适合"随身携带个测试环境"，不适合当生产节点跑重活。

基础条件：

• 一台 Android 7.0+ 的手机；
• Termux 从 F-Droid 或官方渠道安装（不要用 Play 商店版，那个版本维护滞后，权限也受限）；
• 内存建议 8GB 以上。

操作步骤：

# 1. 更新源 pkg update && pkg upgrade # 2. 安装必要软件 pkg install -y nodejs-lts git openssh python # 3. 获取项目 git clone [你的项目地址] openclaw cd openclaw # 4. 安装依赖（这一步可能很慢，建议用国内镜像 npm 源） npm install --registry=https://registry.npmmirror.com # 5. 复制配置 cp .env.example .env vim .env

Termux 版本的两点提醒：

• 省电策略要关闭：很多手机上 Termux 一进后台就被系统杀掉，部署的服务随之断掉，需要在系统电池优化里把 Termux 设为"不优化"；
• 网络权限要留意：Termux 首次启动时系统会弹网络权限申请，千万别拒绝，拒绝后 npm install 能跑但连不上远端仓库，报错还很莫名其妙。

我不建议用手机跑大规模自动化任务，但当测试环境、临时执行简单 Skill、或者远程管理服务器时，Termux 版本的 OpenClaw 已经足够用了。

4. ROSClaw：在 ROS2 + Gazebo 环境里的进阶联动

在最高频的搜索词里，"rosclaw openclaw ros2 humble gazebo"占了很大比重。这其实不是另一个软件，而是 OpenClaw 的一种应用形态—— 被集成进 ROS2 机器人项目里作为任务调度与自然语言入口，有人习惯把这种联动方案称为 ROSClaw。

我个人测试这套联动时，最大的体会是：OpenClaw 的价值不在 ROS 框架内部，而在于把"自然语言指令"和"ROS 行动指令"之间的桥梁搭了起来。

4.1 ROS2 Humble + Gazebo 环境下如何集成

前提：ROS2 Humble 已经安装好并且能跑通 Gazebo 的官方示例。在此基础上，集成步骤大致分成三步：

1. 让 OpenClaw 能调用 ROS2 的 CLI 工具：在 WSL 或 Linux 环境中，确保source /opt/ros/humble/setup.bash被写入 shell 启动文件，这样 OpenClaw 每次执行命令时都能找到ros2、gazebo等命令；
2. 为 OpenClaw 编写 ROS2 相关的 Skill：比如"检查仿真世界是否启动""读取机器人里程计数据""发布速度指令"，这些 Skill 本质上就是封装了ros2 topic pub或ros2 topic echo等命令的脚本；
3. 把模型 API 接入调度流程：用户用自然语言说"让机器人往前平移 0.5 米"，OpenClaw 解析语义后，触发对应的 Skill，Skill 内部执行ros2 topic pub /cmd_vel geometry_msgs/Twist这类操作。

4.2 联动时最容易被忽视的环境变量问题

把这两套系统拼在一起最常遇到的坑，就是环境变量不一致。你手动在终端里测试ros2 topic list没问题，但 OpenClaw 通过脚本调用时就提示找不到命令，原因就是子进程没有继承 ROS 的环境变量。

OpenClaw 的 Skill 执行器在启动子进程时，并不会主动加载/opt/ros/humble/setup.bash，所以你的 Skill 脚本里要显式 source 一下。写成这样：

#!/bin/bash source /opt/ros/humble/setup.bash source ~/ros2_ws/install/setup.bash ros2 topic echo /odom --once

另外，Gazebo 仿真环境中如果同时开了多个世界，ros2 topic list的输出会带命名空间前缀，Skill 里写死话题名就容易找不到。建议在 Skill 里先动态查询再执行，或者用通配匹配话题名，别硬编码。

5. 从零到一跑通后的常见部署报错排查

这一节是整篇的精华。我在群里替人排查过的所有"装了没法用"问题，归纳起来就是下面几个。一个个过，基本能解决绝大多数情况。

5.1 最典型的报错链路：从 WSL 到安装脚本

最典型的报错链路：从 WSL 到安装脚本

"无法安全验证 WSL2 环境，请在 PowerShell 中运行 wsl --status"

这条出现的频率最高。根据我的经验，这一般意味着 WSL 的内核套件没装完整。你可以按下面的流程彻底检查一遍：

1. 按Win + R，输入cmd，回车；
2. 执行wsl --status，看输出了什么。如果显示"默认分发版"相关字样，说明内核已就绪；如果提示"未安装支持虚拟机平台的 Windows Hypervisor"这类字样，回到 2.2 节检查功能开关；
3. 执行wsl -l -v，确认发行版版本号是 2 而不是 1，如果是 1，执行wsl --set-version Ubuntu-22.04 2手动转换；
4. 转换过程如果卡在"正在进行转换"很久不动，通常是虚拟机平台没开启导致的，关闭多余安全软件后重启再试。

"node: command not found"（在 WSL 的 PATH 里找不到）

这个看着简单，实际坑很多。WSL 里安装 Node.js 后，如果 PATH 没有自动加载，最常见的原因是安装脚本写入的路径在/etc/profile.d或~/.bashrc中冲突了。执行echo $PATH看看有没有/usr/bin，如果没有，说明 PATH 被覆盖了，在~/.bashrc末尾追一行export PATH=/usr/local/bin:$PATH再source ~/.bashrc。

"Error: Cannot find module" 类报错

这类是 npm 依赖没装好。常见原因有两个：一是执行npm install时网络波动导致部分包没有完整下载，删掉node_modules和package-lock.json，用国内镜像源重装；二是 Node.js 版本与依赖的本地原生模块不兼容，把 Node 换回 LTS 版本就好了。

"Skill 调用后无响应"

如果你的环境都正常，但是下发指令后 Skill 像石沉大海，优先去查日志，看 Skill 进程是否真正被拉起，其次看是否是模型服务本身给了空响应（拿 curl 直接调模型 API 试一下就知道）。最容易忽略的是：你部署了 Ollama，也部署了 OpenClaw，但OpenClaw 配置里填的模型名和 Ollama 里拉取的名字不一样，一个叫llama3，配置里写成llama3:8b，就会静默失败。

5.2 重装 OpenClaw 的正确姿势，避免二次踩坑

很多时候反复失败是因为旧环境没清理干净，残留的配置文件和依赖会干扰新安装。

第一次安装：

1. 按Win + R，输入cmd，回车；
2. 确认wsl -l -v能正常看到发行版列表，哪怕只有一行说明信息也行；
3. 确认/etc/lsb-release或/etc/os-release里的内容可以正常读取；
4. 直接在当前终端执行python3 --version，只要输出版本号就表示环境已就绪；
5. 切换到项目目录执行bash install.sh，脚本会读取系统信息并开始安装。

升级补救：

1. 先备份已有配置，主要是~/.openclaw/config.json和 skills 目录；
2. 下载新版本安装包或更新脚本，覆盖旧版本；
3. 执行升级后先用openclaw doctor做环境体检，它会把异常项列出来；
4. 异常项逐个解决后，再重启服务。

从旧环境迁移：

1. 拷贝整个.openclaw目录；
2. 在目标机器上核对依赖版本，特别是 Node.js 大版本要和旧机器一致；
3. 先跑一次 dry-run 迁移测试（如果官方提供了 migrate 命令的话，直接跑openclaw migrate --dry-run）；
4. 确认无错误后正式迁移，迁移完跑一遍全功能冒烟测试。

5.3 部署完成后的自检查项

部署完成不等于万事大吉，建议按下面的清单过一遍，很多问题其实在自检阶段就能发现：

• openclaw doctor全绿才算环境健康；
• 任一 Skill 跑一次真实调用，验证能返回预期结果；
• 日志里没有 ERROR 级别的异常堆栈；
• 重启 WSL 或重启机器后服务能自动拉起；
• 在另一台设备上通过局域网访问管理面板，验证网络层没问题。

这套检查做完，基本可以确定部署是稳的。我自己现在每换一台机器部署 OpenClaw，都会先跑一遍这条链路，省掉了很多来回试错的功夫，回头再处理真正需要动脑的问题。

6. 算力接入方式的核心认知与 API 配置建议

热词里有一个问题值得单独聊聊："OpenClaw 只能用接入 API 的方式使用算力吗？" 答案是：不是，它支持多种算力接入方式，但 API 方式最省心、最通用。

6.1 本地模型、API 和混合模式的选择标准

从算力来源角度，OpenClaw 可分三条路线：

我个人用量不大时，主要用本地 7B 模型跑文本类小任务，复杂流程才切 API。这样每月花不了几个钱，响应速度也在可控范围内。

6.2 配置 API 时的关键注意点

配置 API 的坑主要集中在环境变量上：

1. OpenClaw 的.env文件里每个字段的键名必须与官方模板完全一致，比如许多模型服务要求的键名是OPENAI_API_KEY或ANTHROPIC_API_KEY，前后多了空格都会静默失败；
2. 代理服务格式：如果公司或学校网络环境下需要走代理访问模型服务，HTTP_PROXY和HTTPS_PROXY需要填全，只填一个会有部分请求走到直连从而超时；
3. 各个大模型服务的兼容性不同，如果 OpenClaw 官方没收录你使用的服务商，可以试试按 OpenAI 兼容协议配置一个自定义 base URL，多数情况下能通。

提示：切忌在公开仓库、聊天截图里暴露自己的 API Key，泄露后造成的损失只能自己承担。启用使用配额与预算告警是保护自己的第一道防线。

7. 从部署到用好：OpenClaw 实战进阶建议

当你成功部署、跑通一个 Skill 之后，下一步就是如何把它用顺，真正嵌入日常工作流。最后这部分说说我的深度实践经验。

7.1 Skills 机制怎么玩，以及如何避免把目录搞乱

OpenClaw 的 Skills 机制是整个项目的灵魂。每个 Skill 本质上是一个独立目录，里面有描述文件、执行脚本和依赖清单。OpenClaw 会根据描述文件来判断当前自然语言指令应该触发哪个 Skill。建议每个 Skill 一个目录，内部文件尽量独立，依赖的外部命令写到描述文件里注明，避免别人拿到你的配置跑不起来。

我自己的目录结构习惯是这样：

~/.openclaw/skills/ pdf-to-text/ DESCRIPTION.md run.sh web-search/ DESCRIPTION.md run.py requirements.txt >