夜雨聆风
OpenClaw作为开源AI智能体框架，正在从对话工具向执行工具演进。本文从投研应用角度出发，介绍了OpenClaw的部署方案、数据源接入以及投研应用场景实践。
OpenClaw部署与使用
（一）部署方案对比
OpenClaw 的部署方式可划分为三类主流方案，分别是纯本地部署、WSL2+云端模型、纯云端部署，分别适用于对数据隐私、计算资源、网络依赖及成本有不同需求的用户场景。三类方案在数据存储位置、硬件要求、模型能力及成本结构上存在显著差异，用户可根据自身需求选择，不同方案将影响后续应用的边界与使用体验。
纯本地部署：通常要求用户配备高性能GPU，所有计算与推理均在本地完成，数据无需离开用户控制范围。该方案适合需高度保密数据的场景，但模型能力受限于本地算力，只能运行开源或开放权重模型。例如，Ollama 是常用的本地模型运行工具，支持一键部署开源大模型，并通过本地API 为OpenClaw 提供服务。
WSL2+云端模型：是目前个人用户最主流的方案。WSL2（Windows Subsystem for Linux 2）是微软推出的轻量级虚拟化技术，允许在Windows 系统上原生运行Linux 内核，为OpenClaw 提供与官方文档高度一致的运行环境。在Windows 系统上通过WSL2 运行OpenClaw 核心服务，模型推理则通过API调用云端大模型（如阿里云百炼平台，集成了通义千问、GLM-5、MiniMax M2.5、Kimi K2.5 等主流模型）。这一组合既保障了核心数据在本地存储，又能享受云端模型的强大能力，且无需本地GPU，成本仅为API 调用费用。本文后续将以该方案为例进行详细说明。
纯云端部署：将OpenClaw 部署在云服务器（如阿里云ECS）上，通过公网访问。该方案无本地硬件要求，可随时随地多设备协同访问，支持7×24 小时运行，适合团队协作场景，但需承担云服务器与API 双重费用，并注意数据传输加密。
（二）常用指令
OpenClaw 提供丰富的命令行工具，以下按功能分类列出常用指令。部分关键配置变更操作执行后，需重启网关才能使修改生效。
幻影视界整理分享报告原文节选如下：
戳“阅读原文”下载报告。
