企业官网建设流程全解析

OpenClaw 这个项目，最近在智能体玩家圈子里讨论度挺高。简单说，它是一套把大模型、技能插件和任务流程串起来运行的开源智能体框架，解决的是“模型有了、API 也有了，但怎么让它稳定地替我干活”的问题。它的部署逻辑并不复杂，真正让新手卡住的，反而是 WSL2 环境状态、Node.js 版本、Ollama 端口这些细节。这篇文章我不打算抄官方 README，而是把我实际部署 OpenClaw 从零到跑通的完整过程写下来，包含环境检查、模型关联、Windows 端 Companion 配置、常见报错处理，以及内网私有化部署的要点。适合三类人：本地大模型玩得顺但没碰过 agent 框架的开发者、想在内网部署私有助手的技术运维、以及嫌 WebUI 不够灵活、想自己定制技能的折腾党。

1. 项目概述与部署思路

1.1 OpenClaw 到底是什么，先拆清楚再动手

很多人一听到“部署 OpenClaw”就以为是装一个软件，其实它是一整个运行时体系。我的理解是，OpenClaw 本质上是一个“智能体编排框架”，核心由四部分组成。

第一是运行时核心，负责调度、任务队列、会话管理和日志输出。你可以把它想象成一个管家，接收你的指令，拆解步骤，然后调用后面的工具去执行。第二是 Skill 管理器，Skill 是 OpenClaw 的插件单位，一个 Skill 就是一组“提示词模板 + 可执行脚本 + 参数定义”，本质上是赋予智能体一项具体能力，比如读 PDF、查数据库、写代码、调 API。第三是模型接入层，OpenClaw 本身不内置大模型，它通过 OpenAI 兼容接口去对接各种模型服务，Ollama、vLLM、DeepSeek、Qwen 系列都能接进来。第四是客户端和 Companion，包括 Web 控制台、命令行工具，Windows 上还有一个桌面伴侣程序，用来做系统级交互和剪贴板、文件操作。

把这四块想清楚，就明白部署不是一个“装完就结束”的动作，而是把模型、技能、运行时、客户端四条线接到一起。5 分钟能跑通，指的是在环境基本干净、模型已经就绪的前提下完成串联；如果是从头开始装依赖、下载模型，那第一次花 20 分钟到半个小时非常正常，别被网上的演示误导。

1.2 为什么说“5 分钟部署”不是虚的

先说结论：OpenClaw 的设计目标就是“配置驱动 + 命令先行”，只要依赖满足，整个启动流程可以压缩到五步以内：装包、初始化、填模型地址、启动服务、跑一条测试任务。

它的部署逻辑跟传统单体应用不太一样。OpenClaw 不强制你一开始就搞数据库、搞容器编排，默认情况下组件可以先用轻量进程方式跑起来。官方把这种形态叫“本地优先模式”，也就是所有组件默认绑定 localhost，不依赖外部系统，数据先落在本地目录。这种模式的好处很明显，第一是排障链路短，出问题可以直接用日志定位；第二是没有分布式系统的心智负担，适合日常开发和测试；第三是后续想上生产环境，可以在同一套配置基础上叠加 Docker、反向代理、HTTPS 证书，不需要推倒重来。

所以 5 分钟部署的前提是：你的机器已经具备 Node.js 20 及以上运行环境，模型服务（比如 Ollama）已经装好并下载了至少一个小参数模型，网络能正常访问 npm 和 Git 仓库。满足这三条，剩下的操作确实就是复制粘贴几条命令的事。

1.3 部署方案选型：不是所有环境都适合同一套流程

OpenClaw 社区里常见的部署方式有四种，我在实际测试里都跑过，各有明显的适用场景。

我的建议是：第一次部署别上来就用 Docker。虽然容器方案看起来很干净，但你在容器里排障时，日志路径、网络模式、挂载目录都会变成额外变量。先在裸环境跑通，确认模型连接和 Skill 功能正常，再考虑容器化。Windows 用户我推荐直接用 WSL2 作为运行环境，后面会详细说怎么检查 WSL2 状态。

2. 环境准备与前置检查

2.1 最小依赖清单：少一样都会卡住

列一个我实测下来的最小依赖清单，每一项都不是可选的。

• Node.js 20.x 或更高版本，npm 9 以上。OpenClaw 的运行时是 Node 实现的，版本太低会出现语法不兼容和依赖安装失败。
• Git，用来拉取官方仓库和 Skill 仓库。
• 模型服务，推荐 Ollama，下载安装后需要把至少一个模型拉取到本地，我习惯用 qwen2.5:3b 起步，资源占用小、中文理解够用。
• 命令行终端，Windows 上强烈建议用 PowerShell 或 Windows Terminal，而不是老旧的 CMD，因为后者对 UTF-8 和 ANSI 颜色支持有问题。
• 一个空闲端口，默认情况下 OpenClaw 服务监听 3000 端口，Ollama 监听 11434 端口。

检查命令并不复杂，我每次部署都会先执行这三条：

node -v npm -v git --version

如果 Node 版本低于 20，去 Node.js 官网下载 LTS 版本重新安装即可。注意 Windows 上装完 Node 后要重新打开终端，否则环境变量不会刷新。

2.2 Windows 用户必查的 WSL2 状态

搜索热词里有一条“OpenClaw 无法安全验证 sl2 环境，请在 PowerShell 中运行 wsl -- status”，这个问题我遇到过太多次了。OpenClaw 在 Windows 上运行时，经常需要调用 WSL2 里的工具链，如果 WSL2 没有正确启用，程序会给出“无法安全验证 WSL 环境”之类的提示。

先用 PowerShell 执行状态检查：

wsl --status

正常输出会包含“默认版本: 2”和当前发行版信息。如果显示“适用于 Linux 的 Windows 子系统没有已安装的分发版”，或者版本号是 1，你需要先启用 WSL 功能并安装一个发行版。在管理员 PowerShell 里执行：

wsl --install

安装完成后重启系统，再执行wsl --status确认默认版本为 2。还有一个容易被忽略的地方：Windows 的“虚拟机平台”功能必须开启，否则即使 WSL2 安装成功，运行 OpenClaw 时也会出现性能异常或直接无法启动。检查方式是“控制面板 - 程序 - 启用或关闭 Windows 功能”，找到“虚拟机平台”和“适用于 Linux 的 Windows 子系统”，确保两者都勾选。

2.3 模型服务的两种接法：本地推理和 API 都能用

OpenClaw 社区里常被问到一个问题：“这个框架是不是只能用接入 API 的方式使用算力？”答案是否定的。模型接入层设计成 OpenAI 兼容格式，目的正是为了同时兼容“本地推理”和“远端 API”两条路。

本地推理的典型路径就是 Ollama。装好 Ollama 后，拉取模型：

ollama pull qwen2.5:3b

启动服务后，OpenClaw 只需要把模型提供方配置为http://localhost:11434/v1，API Key 可以随便填一个占位符，因为本地服务不做鉴权。这种方式的数据完全不出机器，隐私性最好，但算力受限于本地硬件。

API 方式则指任何提供 OpenAI 兼容接口的服务，包括云厂商的模型 API、内网自建的 vLLM 服务、DeepSeek 的开放接口等。只需要在配置里填上 base_url 和 API Key，OpenClaw 就能把请求转发过去。这种方式适合没有 GPU 的机器，或者需要使用更大参数模型的场景。后面第 5 章我会专门讲算力选型的取舍，这里先记住一个结论：OpenClaw 不挑算力来源，它只要求模型服务长成一个“标准接口”的样子。

2.4 端口与网络规划：部署前先想清楚这几个数字

部署前花两分钟理清网络规划，能省掉后面一半的排障时间。我习惯用一个表格记下所有关键地址和端口。

如果所有组件都在同一台机器上跑，直接保持默认即可。如果需要跨机器调用，比如 OpenClaw 装在服务器上、Ollama 装在另一台 GPU 机器上，关键是把 Ollama 的监听地址从默认的 127.0.0.1 改成 0.0.0.0，然后在 OpenClaw 配置里填http://对方IP:11434/v1。Windows 防火墙可能会拦截跨机器访问，部署前要放行对应端口，或者直接把两台机器加入同一个受信任网络。

3. 核心部署实操流程

3.1 获取 OpenClaw：两种方式我实测都可行

获取 OpenClaw 本体有两种主流方式，我分别说下体验。

第一种是 npm 全局安装。在终端执行：

npm install -g @openclaw/cli

装完以后执行openclaw --version验证版本号。全局安装的好处是命令随处可用，适合开发机；缺点是升级时要重新执行 npm 安装命令，并且 Node 全局目录需要写入权限，Windows 下偶尔会遇到权限报错。

第二种是 Git 仓库方式。把官方仓库克隆到本地，然后安装依赖：

git clone https://github.com/openclaw/community.git ~/openclaw cd ~/openclaw npm install

仓库方式的好处是升级方便，git pull就行，而且可以随时查看源码和社区 Skill 示例。坏处是占用的磁盘空间会大一些，安装依赖也比较久。我个人的习惯是：测试环境用 npm 全局包，正式项目用仓库方式，因为仓库目录里可以直接放自定义 Skill 和配置文件，结构更清晰。

3.2 初始化配置：回答几个问题就生成基础配置

OpenClaw 提供了一个交互式初始化命令，运行以后会通过问题引导生成配置文件：

openclaw init

它会依次询问：选择模型提供方（Ollama、OpenAI 兼容 API、OpenAI 官方等）、填写模型服务的 base_url、填写 API Key（Ollama 可以留空）、选择默认模型名称、指定 Skill 目录。我测试时的回答是：提供方选 Ollama，base_url 填http://localhost:11434/v1，模型名填qwen2.5:3b，Skill 目录用默认的~/openclaw/skills。

初始化结束后，会在当前用户目录下生成一个配置文件夹，里面是一个 JSON 格式的配置文件。这个文件里的 api_key 字段是明文存储的，所以如果是放在多人使用的服务器上，一定要把配置文件权限设置成仅当前用户可读写：

chmod 600 ~/.openclaw/config.json

Windows 上则要为用户目录设置 ACL 权限，避免其他账户读取。这一步很多人会忽略，但它和内网安全直接相关。

3.3 把模型“接”进 OpenClaw：先验证接口再启动

配置完成后，先别急着启动 OpenClaw，先用 curl 验证模型服务是不是真的通着。检查 Ollama 是否正常：

curl http://localhost:11434/api/tags

如果返回一个包含模型列表的 JSON，说明 Ollama 没问题。再测试 OpenAI 兼容接口：

curl http://localhost:11434/v1/models

这一步能提前暴露端口监听、跨机器访问、API 路径错误这三类问题。如果 OpenClaw 配置的是内网 DeepSeek 服务或 vLLM 服务，同样先用 curl 打一下对方的 /v1/models 路径，确认返回格式是 OpenAI 风格。确认无误后，再执行启动命令。

这里还要提一下 Skill 与模型的关系。很多新手以为模型参数大就能自动干各种活，其实 OpenClaw 的工作方式是：模型负责语义理解和决策，Skill 负责具体执行。比如你给 OpenClaw 配一个“DeepSeek Harness 技能”，本质上就是把一组针对 DeepSeek 模型的调用模板和工具脚本放进 Skill 目录。模型决定调用哪个 Skill，Skill 决定具体怎么做。所以在 3.2 初始化时指定 Skill 目录，后面导入技能时就是把这个目录里的子文件夹放进去的事。

3.4 启动服务并跑通第一条任务

启动服务只需要一条命令：

openclaw serve

看到日志输出“Server listening on http://localhost:3000”和“Model provider connected”这两行，就说明基本跑通了。启动后我用两种方式验证：一种是通过浏览器访问http://localhost:3000/console打开 Web 控制台，在聊天框里输入“你好，请用一句话介绍你自己”；另一种是通过命令行客户端：

openclaw ask "帮我计算一下 23 乘以 47 等于多少，并给出计算过程"

OpenClaw 会通过 Skill 调度依次执行“调用计算器 Skill”“读取结果”“组织回答”这几个步骤。第一次跑任务时我建议盯着终端日志看，能直观看到模型请求发送、Skill 调用链、耗时数据，这比事后看链路追踪有用得多。

3.5 Windows Companion 的连接配置：坑比想象中多

Windows 上部署 OpenClaw，很多人会顺手安装 Companion 桌面端，用来做系统级交互，比如读取剪贴板、操作本地文件、唤起其他应用。Companion 与主服务之间走 WebSocket 通信，默认端口是 3100。

Companion 的配置界面里需要填三个字段：主服务地址、通信端口、访问令牌。主服务地址不能填localhost，因为在 Windows 桌面端和 WSL2 里的 OpenClaw 服务互通时，localhost指向的是不同环境。正确做法是在 WSL2 里执行hostname -I拿到 WSL 的 IP，然后在 Companion 端填这个 IP。如果不开跨环境通信，也可以在 OpenClaw 配置里开启host.docker.internal之类的映射，不过这个要看具体网络模式，不如直接用 IP 来得稳。

我踩过的坑是访问令牌：Companion 首次连接时要求配对，配对码只能使用一次，如果超时或输错，必须重新生成。遇到“Companion 已连接但无法交互”这种诡异情况，先检查配对令牌状态，再检查 3100 端口防火墙规则，90% 的问题都出在这两处。

3.6 手机端部署：Termux 是个可选的尝鲜方案

搜索热词里有人问“如何用 Termux 安装 OpenClaw 手机版”，我也顺手测过。Termux 是安卓上的终端模拟器，可以安装 Node.js，理论上能跑 OpenClaw，但受手机 CPU 和内存限制，只能承担轻量任务。

安装步骤大致是：在 Termux 里先更新包管理器，安装 Node.js LTS 版本，再用 npm 安装 OpenClaw。模型方面不建议在手机上跑大模型，而是通过配置连接局域网内其他机器上的 Ollama 服务。实际体验下来，OpenClaw 的 Web 控制台在手机浏览器里访问没问题，Companion 相关的桌面功能用不了。这套方案适合出门在外临时查一下内网服务状态，做演示穿帮的概率会高一些，重负载任务还是会卡。

4. 常见问题与排查技巧实录

4.1 高频报错速查表

把实际操作中遇到的高频问题整理成一张表，方便你直接对着查。

其中“base_url 路径格式错误”是我见过的最高频问题。OpenAI 兼容接口的 base_url 应该写到/v1这一层，不要写完整的/v1/chat/completions。模型服务的具体路径由 OpenClaw 在请求时自动拼上，多写或少写一层都会导致 404。

4.2 日志排查的通用思路

OpenClaw 的日志其实是三层结构。第一层是主服务日志，直接打在终端里，记录请求进出和 Skill 调度。第二层是模型调用日志，记录每次向模型服务发送的请求体、响应耗时、Token 消耗。第三层是 Skill 日志，每个 Skill 自己输出的执行明细，默认在logs/skills目录下。

当出现“模型答非所问”或“Skill 执行一半失败”时，排查顺序是：先看主服务日志有没有报错堆栈；再看模型调用日志里响应是否正常；最后看具体 Skill 的执行输出。我常用的套路是：

openclaw logs --tail 50

这条命令会实时把最近 50 行日志打印出来。如果能看到“Skill 调用成功但返回空”，问题大概率出在 Skill 脚本本身；如果日志里连模型请求都没发出去，问题出在模型接入配置。记住一句话：日志永远是最好的老师，不要凭感觉改配置，先看日志再动手。

4.3 我踩过的几个坑，写出来给你避雷

先说 WSL2 和 Windows 防火墙的坑。WSL2 的 IP 每次重启可能变化，如果 OpenClaw 配置里写死了旧 IP，重启后就会连不上。解决办法有两个：一是用 WSL2 的固定 IP 配置或者在 Windows 侧加一条端口转发规则；二是干脆把 OpenClaw 主服务和 Ollama 都装在同一环境里，避免跨环境通信。

再说资源占用。OpenClaw 本身不重，常驻内存 200MB 上下，真正吃内存的是模型。用 qwen2.5:3b 这种模型，加载后大概占 2GB 到 3GB 内存。部署前务必看一眼自己的机器内存，低于 8GB 的机器建议别用超过 7B 的模型，否则跑任务时会频繁触发交换，系统卡到鼠标都挪不动。

还有一个磁盘空间问题。Skill 仓库里有些示例技能会附带数据集和模型缓存，git pull之后磁盘可能突然少掉几个 GB。建议定期执行openclaw skills clean清理无用的缓存文件。Docker 方案下还要注意挂载路径，如果启动容器时忘记把配置目录挂载出来，容器一删配置就全没了。

5. 内网私有化部署与模型算力选型

5.1 用 Docker Compose 把 OpenClaw 部署到内网服务器

如果你想正式用起来，而不是只在开发机上跑，我推荐把 OpenClaw 部署到内网服务器，并配合 Docker Compose 做编排。一个最小可用的 compose 文件大概长这样：

version: "3.8" services: openclaw: image: openclaw/community:latest container_name: openclaw restart: unless-stopped ports: - "3000:3000" environment: - OPENCLAW_MODEL_PROVIDER=ollama - OPENCLAW_OLLAMA_BASE_URL=http://ollama:11434/v1 - OPENCLAW_MODEL_NAME=qwen2.5:3b volumes: - ./config:/root/.openclaw - ./skills:/root/skills - ./logs:/var/log/openclaw depends_on: - ollama ollama: image: ollama/ollama:latest container_name: ollama restart: unless-stopped ports: - "11434:11434" volumes: - ollama_data:/root/.ollama volumes: ollama_data:

这套编排的关键在于两个容器在同一个 Docker 网络里可以通过服务名互相访问，所以 OpenClaw 的 base_url 填的是http://ollama:11434/v1而不是localhost。数据目录config、skills、logs都挂载到宿主机，方便备份和后续维护。在服务器上执行docker compose up -d，等待镜像拉取完成后就能通过http://服务器IP:3000访问。

这里要提醒一句：通过服务器 IP 和 3000 端口访问只适合内网环境。如果服务器有公网访问需求，千万别把 3000 端口直接暴露到公网，必须加一层反向代理和 HTTPS，否则你的对话记录和 API Key 都裸奔在网络上。

5.2 反向代理与证书自动部署

内网部署可以只用 HTTP，但我建议至少在重要场景下加上 TLS。原因很简单：OpenClaw 的配置里存着 API Key，而且对话内容涉及业务数据，明文传输风险太高。社区里讨论的“certum 证书自动部署”本质上就是帮你在服务器上自动申请和续期 TLS 证书，然后配置到 Nginx 反向代理上。

Nginx 反代配置核心部分如下：

server { listen 443 ssl; server_name openclaw.example.com; ssl_certificate /etc/nginx/certs/fullchain.pem; ssl_certificate_key /etc/nginx/certs/privkey.pem; location / { proxy_pass http://127.0.0.1:3000; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; } }

证书的自动续期可以用 acme.sh 这类开源工具，配置一条定时任务每月检查到期时间，到期前自动签发并 reload Nginx。我用了半年，基本是“配完就忘”的状态。如果只是内网试用，也可以用自签名证书，但客户端连接时会有安全警告，体验差一些。对外提供服务，务必选正规 CA 签发的证书。

5.3 算力选型：本地推理、私有 GPU 还是云 API

聊回那个经典问题：OpenClaw 只能用云 API 吗？不是，算力接入完全取决于你的场景。

隐私敏感、数据不能出内网的场景，选本地推理。单机 GPU 不够，可以用 vLLM 在 GPU 服务器上起一个 OpenAI 兼容服务，OpenClaw 通过局域网调用。vLLM 的优势是吞吐量高、显存管理好，支持大规模并发，适合给团队多人共用。没有 GPU 但需要私有化的场景，就用 Ollama 跑小参数模型，比如 qwen2.5:3b 或 qwen2.5:7b，CPU 也能推理，只是速度慢一些。追求最强模型能力、不差钱、数据敏感度低的场景，才建议接入云厂商 API，好处是免运维、模型版本新，坏处是数据要过一圈外网。

我个人的建议是“两层都接”：默认模型用内网的小模型，处理日常分类、提取、格式化这些轻量任务；遇到复杂推理任务再切换到一个强模型 API。OpenClaw 支持在同一个配置里维护多个模型 Profile，切换时只需要在请求参数里指定模型名。这也是它相比绑定某个厂商的工具优秀的点：模型对你来说是插件，想换就换。

5.4 Skill 生态与框架对比：OpenClaw 的独特位置

Skill 生态是 OpenClaw 最大的护城河。你可以把一个 Skill 理解成智能体的“职业证书”，装了“PDF 处理”技能，它就会解析文档结构；装了“Doris 查询”技能，它就能写 SQL 去查数仓。社区里已经有不少开箱即用的 Skill，DeepSeek Harness 这类针对特定模型的技能套件也很流行，部署方式就是把技能目录复制到skills文件夹，然后执行一次同步命令。

经常有人问我，WorkBuddy 这类商业产品是不是参考了 OpenClaw 做出来的，时间线对不对得上。从技术架构看，近两年的智能体框架在“模型路由 + Skill 编排 + 任务队列”这三层设计上确实高度趋同，OpenClaw 是这波浪潮里开源做得比较早的，后发产品借鉴它的设计思路并不奇怪。但跟 Agno、WorkBuddy 相比，OpenClaw 的优势是部署自由度更高、Skill 格式更开放、完全不绑定特定厂商控制台；劣势则是界面和文档还比较极客风，没有商业产品的上手引导那么顺滑。对愿意折腾的团队来说，这个权衡是很值的。

我把 OpenClaw 部署到内网服务器后，用了大半年，最大的感受是它离“玩具”越来越远，离“生产力工具”越来越近。建议你第一次部署时不要贪多，先用一个小模型跑通最小链路，确认日志、Skill、Companion 都正常，再逐步扩展模型和技能。这样即使后面遇到问题，每一环都是自己亲手验证过的，排障会轻松很多。最后再分享一个小技巧：在openclaw serve启动后，第一时间打开浏览器访问/console的开发者工具，把 WebSocket 连接状态截图存下来，后面所有“连不上”类问题，几乎都能从这张截图里找到线索。