AI时代:OpenClaw 2026 启航

标签：#AI#AGENT #Qwen#openclaw #Docker#DeepSeek

1. 缘起

作为一个整天和代码、数据库打交道的 IT 人，2025 年的 AI 浪潮让我既兴奋又焦虑。在不远的未来，AI 必然会占据非常重要的部分。2026刚开年，OpenClaw 横空出世，大街小巷几乎都在讨论“养龙虾”，甚至突然冒出那么多付费安装 OpenClaw 的需求，我不得不考虑，如何跟上这一波的AI浪潮，不要被落下太远。
于是，我不得不逼着自己也亲自去试一试 OpenClaw。
如何下手呢？手头只有一台 MacBook Pro m1，没有其他电脑。
好在，Gemini 给出的信息是，我的电脑跑 OpenClaw 完全没问题。所以，我打算就在笔记本上部署 OpenClaw 试一试。

2. 方案：本地 LLM + Docker

既然决定要自己来部署 OpenClaw，那么再实际动手前，需要先思考一下方案。
OpenClaw 是开源的，不需要额外费用，但是“养龙虾”最主要的成本就是 LLM API，也就是 Token 的费用，所以，我考虑是否可以用一个本地部署的 LLM，性能差一点也没关系，反正就是体验，不是生产。恰好 Qwen 3.5 推出来，而且 9b的模型看起来也能勉强跑在我的 Mac 上，于是我打算在本地运行 Qwen 3.5 9b 作为 LLM。
确定了 LLM，另一个问题是部署形式。OpenClaw 可以操作电脑中所有的文件。这意味着，它有可能误删掉我的某些重要数据，这有点吓人了。多年经验告诉我，误删数据是一件非常恐怖的事情，必须规避这个风险，我就是玩一下龙虾，要是被龙虾‘咬一口’那就得不偿失了。于是，我想到了 Docker 的方式，同样在 Mac 中运行，又能将权限控制在有限的范围内，对于我体验 OpenClaw 足够了。
到这里，我确定了我探索养龙虾的初步方案：Docker 运行 OpenClaw + 本地 LLM。

3. 部署 LLM

在 Gemini 的建议下，我部署了 Ollama，然后通过 Ollama 拉取了 qwen3.5 9b的模型。
拉取模型比较简单，几个命令之后，我就可以通过 Ollama 的 GUI 访问 qwen3.5 9b 模型了。这里的访问，就是 chat 界面。
虽然可以访问，但是有一些问题：
• 一旦访问，Mac 的内存飙升，几乎吃满机器的 mem。有几次多跑几个其他应用，直接把 OS 卡死，不得不重启。
• 响应速度太慢，每秒 1~2 token 的输出，真的是“提问30秒，摸鱼10分钟”。
不过，我就是探索，看在这些都免费的份上，就先忍了。

4. 部署 OpenClaw

按照计划，部署 OpenClaw 的方案是通过 Docker。当我根据 Gemini 的建议，配置好 docker-compose.yaml，并准备启动 docker 时，才发现我没有安装 Docker！
安装好 Docker Desktop 后，依然不能启动。Gemini 的分析结论是镜像源有问题，访问异常。
最后通过各种尝试，在为 docker 开启代理后，终于顺利拉取镜像。

镜像拉取完毕后，开始 Onboard，进行各种配置，拿不准的就直接截图问 Gemini，也是偷懒的好办法。
这里有一个小坑，由于使用 Ollama 的本地 LLM，所以 provider 要选 Custom Provider 而不是 qwen，因为 qwen 是指云端的 qwen 服务。

5. 初试小龙虾

安装好了，那么我们要开始试一试基本功能了。
我想到的第一个任务是分析总结视频。我找了一个 B 站的视频，给出链接，让小龙虾帮我进行分析整理视频的主要内容。不过，他却告诉我，他不能访问网络互联网！
这让我十分崩溃。不能访问互联网，那小龙虾有什么用呀？
于是，我赶紧让 Gemini 帮我看看是不是设置的问题。
这个过程比较复杂，也比较痛苦。因为本地 LLM 无法直接方便的访问互联网，所以只能让 OpenClaw 去访问，而 OpenClaw 部署在 Docker 中，又有各种网络隔离、tool 配置的问题。中间各种尝试、调整的过程中，我甚至把 OpenClaw 的配置文件搞坏，直接无法登录 WebUI。幸好我做了备份，通过备份数据，恢复了正常功能。
这里的小坑包括：
• 不要直接修改 OpenClaw 的配置文件，只能通过 WebUI 进行修改，即使是修改 json 格式也必须通过 WebUI。一旦修改异常，UI 会有提示，不让生效。（直接通过 OS 修改 OpenClaw 的配置文件，有可能把 OpenClaw 搞崩。）
• 很多基础的 tool 都不默认打开，需要通过 WebUI 去打开响应的 tool，包括 web search。（这个可能和 OpenClaw 的版本有关，我没有验证直接部署的方式或其他的版本）
最后，在 ChatGPT 的帮助下，我终于找到不能联网搜索的原因：没有 配置 search API。在部署了 SearXNG 后，我的 OpenClaw 终于可以访问互联网，正常获取数据了。

6. 失忆的小龙虾

小龙虾已经可以正常工作了，虽然很慢，但是也还能忍受。不过，第二天，我就发现，我的小龙虾失忆了！
我明明已经设定好了 IDENTIFY.md 等一系列的文件！
鉴于 ChatGPT 更加高效的帮我找到问题，所以后面我更多的问 ChatGPT。在 ChatGPT 的帮助下，我发现了问题的原因：Docker 的锅。我存放 IDENTIFY.md文件并不在对应的 agent 的 workspace 下，所以 OpenClaw 默认的 Agent 并没有识别出 md 文件中的身份、角色的相关设定。在调整好文件后，小龙虾立刻清楚的指导自己的角色，应该如何来响应我的问题了。

7. 加速！小龙虾！

几轮对话沟通后，小龙虾表现还不错，但是响应速度实在太慢，而且似乎 context 太小，没聊两句就要 compact context。我检查了一下 Ollama 中的 context size，只有 6000。（之前由于内存原因，我调小的）
没办法，要有更好的体验，就只能换成云服务的 API 了。忽略不同 LLM 的性能和能力，我简单对比了价格，选择了 Deepseek。
注册、付费、生成 API key 后，配置到 OpenClaw，小龙虾终于也是欢快的跑起来了~

8. 后记

OpenClaw 本身就是一个开源的工具，部署起来有些复杂，但是并不是太难，特别是现在各种 AI 辅助，就算有一些坑，也能很好的解决。
但是，OpenClaw 以及其他的 Agent 平台，更重要的是如何去使用，真正的去提高效率，帮助我们解决更多的实际问题，完成更复杂的工作任务。这个也是接下来我要继续去探索的方向。
跟上 AI 的脚步，一起来迎接 AI 的新时代吧！