夜雨聆风最近几个月，AI 圈里除了 Dify、Coze、Manus 这些名字之外，还有一个讨论度非常高的东西：OpenClaw。
中文圈很多人直接叫它 “小龙虾”。
一开始我对它的印象也很模糊，只觉得它像是一个“能自动帮人干活的 AI 框架”，但到底和 Dify 有什么区别？它到底是聊天机器人、Agent 平台，还是某种本地化助手系统？
所以我决定：自己亲手在 Windows 上部署一套跑起来，看看它到底是什么。
这篇文章，我就把整个过程、踩过的坑，以及最后真正理解到的东西，系统地总结一下。
一、我为什么会去研究 OpenClaw？
其实不是单纯“跟风”。
我之前做过一个比较典型的行业自动化项目：
定时抓取 Facebook / Instagram 公告 OCR 识别图片中的文字 用大模型做语义判断 再把结果通过 WhatsApp 推送出去
这套系统本质上就是：
采集 → 理解 → 判断 → 推送
当我再回头看最近爆火的 OpenClaw 时，我突然意识到：
这不就是把“模型 + 工具 + 外部入口 + 自动执行”这件事，做成了一个更通用的宿主系统吗？
所以我想亲自验证一件事：
OpenClaw 到底是不是一个值得认真研究的 Agent 框架？
二、OpenClaw 到底是什么？
如果一句话解释，我现在会这么说：
OpenClaw 不是聊天机器人，而是一个可自托管的 AI Agent 宿主系统。
它不是单纯让你“问问题”，而是让你：
接一个模型 接一堆工具 接外部消息入口（Telegram / WhatsApp / Slack / Discord 等） 再让这个 AI 长期在线，持续接任务、持续执行
所以它更像：
一个长期在线的 AI 助理 / 数字员工底座
而不是一个“更花哨的聊天网页”。
三、它和 Dify 到底有什么区别？
这是我最开始最想搞清楚的问题。
部署完、实际跑通之后，我的理解变得非常清晰：
Dify 更像：
“搭 AI 应用的平台”
你在 Dify 里做的事情通常是：
搭知识库 搭工作流 配节点 做企业问答 / 内容生成 / 流程应用
所以 Dify 更偏：
AI 应用开发平台
OpenClaw 更像：
“养一个 AI 助手的宿主系统”
你在 OpenClaw 里做的事情通常是：
接模型 接工具 接消息渠道 开定时任务 让 Agent 长期在线运行
所以它更偏：
AI Agent Runtime / 数字员工宿主
最直白的理解：
Dify 是“搭系统”，
OpenClaw 是“养员工”。
这一句，是我部署完之后最准确的感受。
四、OpenClaw 和 Ollama 到底是什么关系？
很多人第一次接触这类本地 Agent 系统时，最容易搞混的一件事就是：
OpenClaw 和 Ollama 到底谁是“AI”？谁又只是“运行环境”？
我这次自己跑通之后，理解就非常清楚了。
先说结论：
OpenClaw 是：
Agent 宿主 / AI 助手外壳
它负责：
接收你的聊天指令 调用各种工具 管理记忆、会话、定时任务 接入 Telegram / WhatsApp / Discord / Slack 等渠道
所以它更像：
“DIY 版的 ChatGPT + 工具调用系统”
Ollama 是：
本地模型运行环境
它负责：
下载模型 启动模型 在本地运行模型 给其他程序（比如 OpenClaw）提供调用接口
所以 Ollama 更像：
“本地模型播放器 / 模型管理器 / 模型运行器”
最直观的理解方式：
Ollama 像：
“手机里的应用商店 + 播放器 + 管理器”
它本身不是“应用内容”，而是：
负责把模型装下来 负责把模型跑起来 再把能力提供给上层应用
类比一下就很好理解：
所以它们的关系其实很简单：
Ollama：负责“跑模型”
OpenClaw：负责“用模型 + 工具替你干活”
这也是为什么我部署完之后会觉得：
OpenClaw 不是模型，而是“把模型真正组织成一个能做事的 Agent 系统”的外壳。
五、我的实际部署环境
我这次选择的是：
环境组合
Windows 主机 WSL Ubuntu Windows 上运行 Ollama WSL 里运行 OpenClaw 本地模型使用：qwen2.5:3b
这样做的原因很简单：
Windows 上下载模型更方便 WSL 跑 OpenClaw 更稳定 本地模型免费、可控、适合测试
最终结构其实就是：
Windows:
Ollama（本地模型服务）
└── qwen2.5:3b
WSL Ubuntu:
OpenClaw（Agent 宿主）
六、部署过程里最关键的几个步骤
1）先在 WSL 里准备环境
我先在 Ubuntu（WSL）里更新系统、安装 Node.js 24。
因为 OpenClaw 对 Node 版本是有要求的。
2）模型不放 WSL，而是放在 Windows
一开始我尝试在 WSL 里装 Ollama，但下载速度比较慢。
后来我改成：
直接在 Windows 上装 Ollama
这一步其实更适合大多数 Windows 用户。
然后在 Windows PowerShell 里拉模型：
ollama pull qwen2.5:3b
这一步很顺利。
3）最容易卡住的地方：WSL 连不上 Windows 的 Ollama
这个是我整个部署过程里最关键、也最容易踩坑的地方。
因为：
Windows 上的 Ollama 默认只监听 127.0.0.1:11434 而 WSL 里的 OpenClaw 不能直接访问这个 localhost
所以我做了两件事：
第一步：让 Ollama 监听所有地址
在 Windows PowerShell 里设置：
setx OLLAMA_HOST "0.0.0.0:11434"
然后重启 Ollama。
第二步：放行防火墙
打开 11434 端口，让 WSL 能访问到 Windows 主机上的 Ollama。
最后我通过：
curl http://192.168.0.3:11434/api/tags
成功在 WSL 里看到了模型列表。
这一步一通，整个系统就真正串起来了。
七、OpenClaw 安装后，真正让我理解它的不是“能聊天”
安装完 OpenClaw 之后，我第一次真正意识到：
它不是“又一个聊天机器人”
是因为它里面不只是一个对话框，而是有完整的 Agent 系统结构。
左侧菜单里能看到很多关键模块：
聊天 概览 频道 会话 使用情况 定时任务 代理 技能 节点 配置 通信
这时候我才真正明白：
OpenClaw 不是“一个聊天网页”，而是一个“长期运行的 Agent 控制台”。
八、终端聊天和网页聊天，有什么区别？
这是我部署完成后最先问自己的问题。
因为 OpenClaw 同时给了我两个入口：
1）终端（TUI）
更像：
开发者控制台
适合：
快速调试 看状态 测模型 像操作后端服务一样使用
2）网页（Web UI）
更像：
Agent 管理后台 / 可视化驾驶舱
适合：
聊天 看会话 管理技能 看定时任务 配外部渠道
本质上：
它们连接的是同一个 Agent / 同一个 Gateway。
所以区别不是“两个 AI”，而是：
同一个系统的两个操作入口。
九、我最终是怎么理解 OpenClaw 的？
我最后给自己的总结非常简单：
OpenClaw = 模型 + 工具 + 记忆 + 调度 + 外部入口 + 长期在线
这几个东西加在一起，它就不再像“聊天机器人”，而开始像：
一个可以接任务、能调用工具、能自动执行、还能长期在线的 AI 助手。
所以你给它下任务时，体验会变成：
不是“我在问 AI”，而是“我在给 AI 派活”。
这是我觉得它最本质的变化。
十、它是不是“DIY 版 ChatGPT”？
如果只是入门理解，这么说不算错。
但更准确的说法应该是：
它不是“DIY 版 ChatGPT”，而是“DIY 版 AI Agent 宿主系统”。
区别很大。
因为它的重点不是“更会聊天”，而是：
更会接任务 更会调工具 更会跑流程 更像“一个在帮你做事的系统”
十一、那它适合什么？不适合什么？
它适合：
做个人 AI 助理 做消息机器人 做自动化执行任务 做长期监控 / 提醒 / 汇总 做“数字员工”类场景
它不太适合：
单纯做企业知识库 单纯做标准化业务流程图形编排 追求“零配置即用”的轻量用户
如果你只是想搭：
企业知识问答 工作流 RAG 应用
那 Dify 往往更直接。
但如果你想要的是：
一个长期在线、能接消息、能调用工具、能持续干活的 AI 助手
那 OpenClaw 这种思路就很有意思。
十二、我最后的结论
如果让我现在用一句话总结 OpenClaw，我会这么说：
Dify 更像“搭 AI 应用的平台”，
OpenClaw 更像“养 AI 助手的宿主系统”。
一个偏“搭系统”，一个偏“养员工”。
十三、我这次最大的收获，不是“装了一个新框架”
而是我更清楚地看到了：
未来很多 AI 系统，本质上都会从“问答系统”走向“任务系统”。
也就是说，真正有价值的，不再只是：
会不会调用模型 会不会写 Prompt 会不会做一个聊天界面
而是：
你能不能把模型、工具、消息入口、调度和执行链路，真正组织成一个“能干活的 AI 系统”。
而 OpenClaw，恰好就是这个方向里一个非常典型的代表。
十四、附录｜Windows + WSL 调用本地 Ollama 的最简部署记录
为了让 WSL 里的 OpenClaw 调用 Windows 上的本地模型，我最终跑通的是下面这套最小方案。
目标
让：
WSL 里的 OpenClaw 调用 Windows 上的 Ollama 本地模型
1、Windows 安装并拉模型
1）安装 Ollama（Windows 版）
2）PowerShell 执行：
ollama pull qwen2.5:3b
2、默认问题
Ollama 默认只监听：
127.0.0.1:11434
这样会导致：
WSL 无法访问 Windows 上的 Ollama
3、修改 Ollama 监听地址
在 Windows PowerShell 执行：
setx OLLAMA_HOST "0.0.0.0:11434"
然后：
彻底关闭 Ollama 再重新启动
可以通过以下任一方式启动：
ollama serve
或者直接在Windows程序列表中打开Ollama即可 。
4、验证监听是否成功
PowerShell 执行：
netstat -ano | findstr 11434
正确结果应看到：
0.0.0.0:11434 LISTENING
5、放行防火墙（保险）
管理员 PowerShell 执行：
netsh advfirewall firewall add rule name="Ollama 11434" dir=in action=allow protocol=TCP localport=11434
6、查看 Windows 本机 IP
PowerShell 执行：
ipconfig
例如得到：
192.168.0.3
7、在 WSL 中测试是否连通
Ubuntu / WSL 执行：
curl http://192.168.0.3:11434/api/tags
如果返回类似：
{"models":[{"name":"qwen2.5:3b"...}]}
说明：
WSL 已成功访问 Windows 上的 Ollama
8、安装 OpenClaw
在 WSL 中执行：
curl -fsSL https://openclaw.ai/install.sh | bash
9、初始化 OpenClaw 时填写
Provider
Ollama
Model
qwen2.5:3b
Endpoint
http://192.168.0.3:11434
等等
10、常用命令
查看版本
openclaw --version
终端模式（TUI）
openclaw tui
生成 Web UI 地址
openclaw dashboard --no-open
如果成功，会拿到类似：
http://127.0.0.1:18789/#token=xxxxxx
在浏览器打开即可进入控制台。
11、运行界面
十五、最后一句
如果你也对 Agent、数字员工、AI 自动执行系统感兴趣，我非常建议你：
不要只看概念，亲手跑一遍。
因为只有你真的把它跑起来，才会理解：
AI 和“帮你干活的系统”之间，到底差了哪一步。
💬 如果本文对你有帮助，欢迎点赞 + 收藏 + 分享
📌 更多 AI 工程实践内容，欢迎关注「YoanAILab」
