夜雨聆风最近这段时间，我一直在折腾一件事：让本地跑的大模型，不只是聊天工具，而是一个能 24 小时帮我干活的 AI 助手。
前面几篇文章，我带大家装了 Ollama、配了 Open WebUI、跑了 Qwen3.5。但说实话，到这一步还只是「本地有个 ChatGPT」的水平——你问它才答，不问就闲着。
今天这篇，我要把它升级成真正的 Agent：能定时执行任务、能主动推送消息、能自动化处理工作流，而且所有数据都留在本地。
用到的核心组合：Ollama + OpenClaw。
为什么需要 Agent 框架？
先说一个真实场景。我每天要做这些事：
早上看一眼 GitHub Trending，了解 AI 圈有什么新项目 检查邮箱有没有重要邮件 下午整理工作笔记 晚上把当天的日报推送到飞书群
这些事情，每件都不复杂，但加在一起每天要花掉我 30-40 分钟。
如果大模型只能坐在那等我提问，那这些事还是得我自己干。但如果它能主动执行，像一个全天候在线的助手——到点了自己去查、查完了自己推送给我——那就完全不一样了。
这就是 Agent 框架要解决的问题：把大模型从"被动问答"变成"主动执行"。
OpenClaw 是什么？
OpenClaw 是一个开源的 AI 助手框架，2026 年在 GitHub 上增长非常快，目前是 AI Agent 领域最活跃的项目之一。
它的核心思路很简单：给大模型装上手脚。 具体来说：
消息接入：可以连接飞书、微信、Discord、Telegram 等聊天工具 工具调用：大模型可以读写文件、执行 Shell 命令、搜索网页、操作浏览器 定时任务：内置 Cron 调度，让 AI 按时间表自动执行任务 心跳机制：AI 会定期「醒来」检查是否有需要处理的事情 记忆系统：跨会话保持记忆，今天做的事明天还记得
最关键的是，它原生支持 Ollama，意味着你可以完全用本地模型来驱动这整套系统，数据一个字节都不出你的电脑。
实操：从零搭建本地 AI 助手
第一步：确保 Ollama 已安装并运行
如果你跟着前几篇文章操作过，应该已经装好了。确认一下：
ollama list你应该能看到已下载的模型列表。我推荐用 Qwen3.5:9b 或 Qwen3.5:27b（如果你显存够的话），因为 OpenClaw 需要模型有较强的工具调用能力，太小的模型容易「犯糊涂」。
第二步：安装 OpenClaw
OpenClaw 基于 Node.js，安装很简单：
npm install -g openclaw安装完成后，初始化配置：
openclaw init这一步会引导你完成基础配置，包括选择模型提供商。我们选 Ollama。
第三步：配置本地模型
编辑 OpenClaw 的配置文件（通常在 ~/.openclaw/openclaw.json），关键部分参数设置：
models:default:provider:ollamamodel:qwen3.5:9bgateway:heartbeat:enabled:trueintervalMs:1800000# 每 30 分钟心跳一次这里有几个要点：
模型选择：至少用 9B 参数的模型，4B 及以下在工具调用时经常出错 心跳间隔：30 分钟比较合适，太频繁会占用资源，太长又不够及时 上下文窗口：确保模型支持至少 32K token，OpenClaw 的工具调用会消耗大量上下文
第四步：接入消息渠道
以飞书为例，你需要创建一个飞书应用，获取 App ID 和 App Secret，然后在配置中添加：
channels:feishu:appId:your_app_idappSecret:your_app_secret配置完成后，你就可以在飞书里直接跟本地 AI 对话了。发一条消息，OpenClaw 会把它转给本地的 Ollama，Ollama 生成回复后通过 OpenClaw 发回飞书。
整个链路：飞书 → OpenClaw → Ollama（本地） → OpenClaw → 飞书，数据全程在你的网络内。
第五步：配置定时任务（核心玩法）
这才是最好玩的部分。OpenClaw 内置了 Cron 调度系统，你可以让 AI 定时执行任务。
比如，每天早上 8 点自动搜索 GitHub Trending 并推送到飞书：
cron:-name:"每日 GitHub 热门"schedule:"0 8 * * *"task:"搜索今天 GitHub Trending 的 AI 相关项目，挑选最有价值的 3 个，用中文简要介绍，推送到飞书群"再比如，每天下午 6 点自动整理当天的工作笔记：
-name:"日报整理"schedule:"0 18 * * *"task:"读取今天的工作记录，整理成结构化的日报，保存到 memory 目录"我目前配了 5 个定时任务，覆盖了信息收集、笔记整理、内容生成等场景。每天大概能帮我省下 30-40 分钟的重复性工作。
第六步：利用心跳机制做智能巡检
除了定时任务，OpenClaw 还有一个「心跳」机制。你可以在 HEARTBEAT.md 文件里写上检查清单，AI 会每隔一段时间自动检查：
# HEARTBEAT.md- 检查是否有未读的重要邮件- 检查日历，提前 2 小时提醒即将到来的会议- 检查磁盘空间是否低于 10%这就像给 AI 装了一个「巡逻模式」——它会定期醒来看看有没有需要处理的事，有就处理，没有就继续休眠。
实际体验：本地模型跑 Agent 够用吗？
说实话，本地模型跑 Agent 和云端 API（比如 Claude、GPT）还是有差距的，主要体现在：
优势：
完全免费，没有 API 费用 数据隐私有保障，特别适合处理敏感信息 离线也能工作，不受网络影响 响应速度取决于你的硬件，好显卡甚至比云端更快
劣势：
工具调用的准确率不如顶级闭源模型 复杂多步骤任务容易出错 需要较好的硬件（建议至少 16GB 显存）
我的实际使用策略是混合模式：日常简单任务用本地模型（省钱），复杂任务切换到云端 API（求稳）。OpenClaw 支持多模型配置，你可以给不同的任务指定不同的模型：
models:default:provider:ollamamodel:qwen3.5:9bcomplex:provider:anthropicmodel:claude-opus-4-6硬件参考
如果你之前看过我那篇「CPU 也能跑」的文章，这里要说的是：Agent 场景对模型能力要求更高，纯 CPU 跑 Agent 体验会比较差。建议至少有 16GB 显存的独立显卡。
总结：谁适合这套方案？
对数据隐私有要求的人：所有数据本地处理，不经过任何第三方 想省 API 费用的开发者：用本地模型替代付费 API 喜欢折腾的技术爱好者：整个搭建过程就是一种乐趣 有重复性工作要自动化的人：定时任务 + 心跳机制能覆盖很多场景
如果你之前跟着系列文章装好了 Ollama 和 Open WebUI，那加上 OpenClaw 大概只需要 15 分钟。从「本地聊天」到「24 小时 AI 助手」的升级，性价比非常高。
