最近后台一直有人问Openclaw社区里都叫它“小龙虾”怎么在Windows上本地跑起来尤其是那些没用过Linux、没碰过命令行的纯小白。我当初第一次接触这玩意儿也卡在环境上卡了整整两天WSL装了又卸、卸了又装最后才把整套流程理顺。这次干脆把整个部署过程按“纯小白能直接抄作业”的标准重新走了一遍从Win11系统准备、WSL2安装、显卡GPU加速到Ollama本地大模型、Openclaw本体配置、飞书Channel接入一步一步全给你拆开讲。先说清楚Openclaw是什么、能做什么。它本质上是一个面向个人开发者的开源AI Agent框架核心思路是“用一把大钳子把各种工具和平台夹到一起”本地大模型负责思考和生成内容Openclaw负责调用工具、对接IM软件比如飞书、处理自动化流程。你可以把它理解成一个跑在自己电脑上的私人AI助理不发云端、数据不出本机。整套东西本地部署最大的好处是省钱、隐私安全、还可以完全自定义模型。这篇教程适合完全零基础、第一次接触WSL的Windows用户我会把所有命令、参数、踩坑点都写清楚照着操作基本不会翻车。1. 先把“小龙虾”串起来Openclaw是啥为什么非要用WSL1.1 Openclaw到底解决什么问题很多朋友第一次听到“Openclaw”这个名字会愣一下我头一回看这单词也满脸问号。其实它特别形象claw就是“爪子、钳子”openclaw直译就是“张开钳子”。中文社区给它起了个更接地气的绰号叫“小龙虾”意思是这东西像小龙虾一样能用两个大钳子把不同的工具、平台、模型紧紧夹在一起干活。具体落到使用场景上Openclaw主要解决三件事。第一把本地部署的大模型比如通过Ollama跑起来的Qwen、DeepSeek等变成一个“有手有脚”的Agent而不只是一个只能聊天的对话框。第二把Agent接入各种Channel可以理解成“渠道”或“入口”比如飞书群、终端、网页等让AI能直接在你的日常办公环境里帮你干活。第三通过工具调用机制让AI能执行实际动作比如查询资料、汇总信息、定时提醒、跨平台转发内容等。你可以把它想象成给本地大模型装了一副“四肢”让它不再局限于文字问答。1.2 为什么Windows上部署首选WSL2而不是双系统或虚拟机既然Openclaw依赖Linux环境那Windows用户就有三个选择装双系统、用虚拟机、用WSL2。双系统性能最好但切换麻烦而且小白在分区时容易把硬盘搞崩虚拟机比如VMware、VirtualBox又轻量但性能损耗大GPU直通更是折腾而WSL2Windows Subsystem for LinuxWindows自带的Linux子系统几乎是目前Windows上跑Linux工具的最优解。WSL2本质上是一个轻量级虚拟机但它和Windows的集成度极高可以直接在Windows Terminal里启动Ubuntu文件系统互通还能直接调用Windows上的GPU进行AI加速。用一句话总结就是“既有虚拟机的安全隔离又有原生Linux的启动速度和文件访问便利”。我自己实测下来在WSL2里跑模型推理和纯Linux环境的差距非常小日常开发完全感知不到区别。另外我想多说一句WSL2不只是为了跑Openclaw才能用。装好之后你还能在Windows里直接使用Linux生态里那一大堆工具比如用binwalk做固件分析、跑Python爬虫脚本、编译Linux项目等。很多人刚开始只为了装一个软件折腾半天其实搭好WSL2等于给电脑多配了一套完整的Linux开发环境后续受益无穷。2. 开工前的环境排雷Win11需要提前做好的几件事2.1 检查系统版本和虚拟化支持WSL2对Win11几乎是“原生友好”的但前提是系统版本不能太老。建议先按Win R输入winver回车确认系统版本在Windows 11 22H2以上如果版本太低可以先通过系统更新升级到最新版这步别偷懒。另外我的建议是顺便检查一下BIOS里的虚拟化开关也就是Intel VT-x或AMD SVM确保处于开启状态。怎么快速确认虚拟化是否开启打开任务管理器切到“性能”标签页看右下角“虚拟化”一栏。如果显示“已启用”那就可以跳过BIOS设置如果显示“已禁用”需要重启电脑进BIOS找“Intel Virtualization Technology”之类的选项打开。这一步看着基础但网上大量“WSL安装失败”的求助其实都卡在虚拟化没开。2.2 磁盘空间规划与目录准备本地部署AI最大的隐形门槛其实是硬盘空间。一个Openclaw项目本体可能只占几百MB但装完依赖库、Python环境、再拉一个大模型文件20GB瞬间就没了。以常见的7B参数模型为例量化后的文件大约4~5GB带GPU加速的PyTorch相关库和CUDA工具加起来3~5GB再加上系统开销我建议至少给WSL分配40GB以上的空间条件允许直接预留60GB。在动手之前看一下你的C盘剩余空间。如果C盘比较紧张建议先清理一下比如清理临时文件、转移微信聊天记录缓存。另外还有一个细节WSL默认会把虚拟磁盘文件存在C盘用户目录下这一步可能让C盘雪上加霜。如果你有其他大分区比如D盘可以把WSL整体迁移到D盘具体方法后面第3节会讲。如果你是那种“C盘常年飘红”的用户务必把这个前置工作做了不然跑到一半磁盘满了特别崩溃。2.3 终端工具准备安装Windows Terminal虽然Win11自带了Windows Terminal但有些精简版系统或老版本可能没有。我强烈建议把它装好后面所有命令都在这里操作。Windows Terminal的好处是支持多标签页、支持复制粘贴、支持自动换行还能配置主题比老式的cmd黑窗口舒服太多。装好之后我建议做一个小设置进入Windows Terminal设置把默认配置文件改为“PowerShell”默认终端应用程序改为“Windows Terminal”。这样以后每次打开终端都是清爽的界面而且后续进入WSL会话也是在这个窗口里完成。很多人卡在“不知道怎么在WSL里粘贴命令”其实就是右键点击就能粘贴或者按CtrlShiftV。2.4 可选但建议把系统更新策略捋一捋这个属于经验之谈。Win11的自动更新有时候会在你正在跑模型训练时突然重启辛辛苦苦跑了一天的任务直接中断。虽然标题里的热搜词“win11关闭自动更新”很火但我并不建议彻底关闭更新安全补丁还是要打的更推荐的是把自动更新改成“手动暂停并手动选择重启时间”。具体路径设置 - Windows更新 - 高级选项 - 暂停更新可以把更新最多暂停5周。等你把Openclaw环境折腾稳定了再找个空闲时间手动更新。还有个小技巧是关于右键菜单的。如果你跟我一样不习惯Win11的新右键菜单可以用一条命令恢复Win10样式reg add HKCU\Software\Classes\CLSID\{86ca1aa0-34aa-4e8b-a509-50c905bae2a2}\InprocServer32 /f然后重启资源管理器。这个和Openclaw没关系但属于我顺手分享的实用操作。3. WSL2完整安装与Ubuntu系统初始化保姆级3.1 一键安装WSL2wsl --install最省事的官方安装方式就是一条命令把WSL2和默认的Ubuntu发行版一起装好。以管理员身份打开PowerShell或Windows Terminal输入wsl --install这个命令会默认启用“适用于Linux的Windows子系统”和“虚拟机平台”两个Windows功能并自动下载安装WSL2内核和Ubuntu。安装过程中如果提示需要重启就先重启电脑再继续。重启之后首次打开Ubuntu终端会进入初始化流程。如果你担心默认安装的Ubuntu版本不对还可以指定版本wsl --install -d Ubuntu-22.04顺便提一句安装完成后建议确认一下默认WSL版本是2用wsl -l -v查看。如果显示的是Version 1执行wsl --set-version Ubuntu-22.04 2升级到WSL2。WSL2比WSL1强太多了文件系统性能和Docker兼容性都完全是两个级别。3.2 首次启动Ubuntu设置用户名和密码重启后你会在开始菜单里看到Ubuntu的图标或者通过Windows Terminal下拉菜单进入点开之后会进入一个类似终端的窗口提示设置UNIX用户名和密码。这里别傻乎乎用微软账户那套它是Linux系统内的独立账号随便起个简单的名字就行比如ubuntu或你的名字拼音密码输进去不会显示字符别以为是键盘坏了这是正常现象。设置完成之后就进入了Ubuntu的命令行环境你会看到类似yournameyourpc:~$的提示符。到这一步WSL2的基础环境就算跑起来了。我建议先更新一下系统软件源和软件包执行下面这几条命令sudo apt update sudo apt upgrade -y如果网络正常这个过程大概需要几分钟到十几分钟不等。更新完成后再安装一些后续用得上的基础工具比如git、curl、wget、vim、net-toolssudo apt install -y git curl wget vim net-tools3.3 软件源加速让下载速度起飞国内用户最怕的就是下载慢尤其是拉Python依赖包和模型文件的时候。这里有一个特别有效的小优化把Ubuntu默认的软件源换成国内镜像。因为我的目标读者是新手这种细节如果不写清楚很多人会卡在“apt update速度只有几KB/s”而以为电脑坏了。先备份原始源列表sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak然后用vim或者用你喜欢的编辑器编辑/etc/apt/sources.list把里面的archive.ubuntu.com和security.ubuntu.com替换成国内镜像地址比如腾讯、阿里或华为的镜像源。以阿里云镜像为例把URL前缀替换为mirrors.aliyun.com即可。注意Ubuntu不同版本对应的源不同22.04版本对应的是jammy24.04版本对应的是noble替换时别搞混。改完后再次执行sudo apt update你会发现速度有了质的飞跃。这一步虽然看着啰嗦但实际操作里特别重要属于那种“写进教程里会被老手感谢不写会被新手骂”的细节。3.4 如果在线安装失败WSL离线安装Ubuntu有些同学在wsl --install时可能会遇到网络问题或应用商店下载失败这时候就需要用离线包安装Ubuntu。这里推荐一个稳健的方法手动下载Ubuntu的WSL离线安装包通常是.appx或.msixbundle格式然后通过PowerShell执行Add-AppxPackage命令安装。简单说流程就是先从微软官方或Ubuntu官方渠道下载对应发行版的WSL离线包放到一个你记得住的目录比如D盘downloads文件夹然后打开PowerShell进入该目录执行Add-AppxPackage .\Ubuntu_2204.1.7.0_x64.appx装完之后开始菜单里就会出现Ubuntu应用之后再按3.2节的方式初始化即可。如果你后边想把WSL从C盘迁移到D盘可以用wsl --export导出、wsl --import导入的方式。具体命令是wsl --shutdown wsl --export Ubuntu-22.04 D:\wsl\ubuntu.tar wsl --unregister Ubuntu-22.04 wsl --import Ubuntu-22.04 D:\wsl\ubuntu\ D:\wsl\ubuntu.tar --version 2第一次导入后默认用户可能变成root需要你进入系统后自己调整默认用户。这里我建议小白先别折腾迁移等所有功能都跑通了再迁移也不迟免得环境出问题难排查。4. 让显卡真正干活WSL里的CUDA、PyTorch与GPU加速4.1 为什么在WSL里也要配GPU如果你准备跑的是7B甚至13B的大模型纯CPU推理的速度会让人怀疑人生。我之前试过用一张不带独显的笔记本跑Qwen2.5-7B一个简单的问题可能需要几十秒甚至几分钟才回复完全不是“对话”的体验。而一旦把GPU用上生成速度能提升好几倍。所以只要你的电脑有NVIDIA独立显卡或者支持DirectML的AMD卡强烈建议在WSL2里把GPU加速配好。WSL2对CUDA的支持已经非常成熟原理是Windows侧的显卡驱动直接透传给WSL2里的Linux内核所以在WSL里不需要单独装显卡驱动只需要在Linux侧安装CUDA工具包和对应的深度学习框架比如PyTorch即可。这也是WSL2相比传统虚拟机的巨大优势。4.2 确认驱动、安装CUDA工具包首先在Windows侧确保NVIDIA驱动已经更新到较新版本。打开命令行执行nvidia-smi如果能看到显卡信息和驱动版本说明驱动正常。然后在WSL2的Ubuntu终端里同样执行nvidia-smi如果也能看到显卡信息说明透传已经生效。这一步如果看不到显卡信息先返回去检查Windows功能里的“虚拟机平台”是否开启、WSL版本是否为2。接下来安装CUDA工具包。推荐用NVIDIA官方提供的WSL-Ubuntu仓库方式安装这样以后更新也方便。也可以直接下载cuda-toolkit的runfile或者用conda安装指定版本。为了方便小白我最推荐的是直接安装NVIDIA提供的cuda-toolkit命令参考如下wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update sudo apt install -y cuda-toolkit这里提醒一下安装包比较大可能需要下载几个GB务必保证磁盘和网络充裕。安装完成后配置环境变量在~/.bashrc末尾追加export PATH/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH然后执行source ~/.bashrc运行nvcc --version确认版本。如果你只需要跑PyTorch模型其实CUDA完整工具包并不是必须的PyTorch会自带CUDA runtime。但安装完整工具包的好处是后续可以编译自定义CUDA扩展、跑更多底层工具一劳永逸。4.3 用Miniconda管理Python环境并安装PyTorch我强烈建议在WSL里装一个Miniconda来管理Python环境和依赖而不要直接用系统自带的Python。原因很简单本地AI项目依赖又多又乱今天装这个框架、明天装那个库一旦版本冲突整个系统Python环境就废了。Miniconda可以让你为每个项目创建独立环境互相不干扰这在Openclaw和PyTorch共存时尤其重要。安装Miniconda的步骤很简单wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh一路按回车和yes装完后重启终端或者执行source ~/.bashrc然后创建一个干净的环境conda create -n openclaw python3.11 -y conda activate openclaw注意Python版本不要随便选最新的很多依赖还没适配Python 3.123.11是兼容性最稳的。接着安装PyTorch这里用官方命令CUDA版本根据自己显卡驱动选比如CUDA 12.x就选cu121或cu124pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124装完后跑一个简单测试看CUDA是否可用python -c import torch; print(torch.cuda.is_available())如果输出True恭喜你GPU加速已经通了。这一步是很多人容易卡住的地方最常见的错误是PyTorch版本和CUDA版本不匹配报错信息五花八门。我的经验是先确认Windows侧nvidia-smi里显示的CUDA Version比如显示12.4那就在PyTorch官网挑对应的cu124版本基本不会错。5. 本地大模型先跑通Ollama安装与模型选择5.1 Ollama是什么为什么Openclaw配它最省心部署本地大模型的方式有很多可以直接用transformers写脚本加载模型也可以使用vLLM这种专业推理框架但对于小白来说我强烈推荐先上Ollama。Ollama是一个开源的本地模型运行时把“下载模型、启动服务、提供API”这几件事全部封装好了一条命令就能把模型跑起来。Openclaw对接Ollama非常方便因为Ollama会暴露一个标准的HTTP APIOpenclaw只需要往这个API发请求就能获取模型的回复完全不用自己操心模型加载细节。而且Ollama原生支持多种量化格式可以在显存有限的情况下尽量流畅运行大模型。我自己现在的主力方案就是“Openclaw Ollama Qwen系列模型”稳定省心。5.2 安装Ollama并拉取模型在WSL的Ubuntu终端里安装Ollama官方一行命令搞定curl -fsSL https://ollama.com/install.sh | sh不过国内网络有时下载慢如果卡住可以尝试设置代理或直接用镜像脚本也可以选择从ModelScope魔塔社区下载模型后导入Ollama后面我会提。安装完成后先启动服务ollama serve看到Listening on 127.0.0.1:11434就说明服务起来了。然后新开一个终端标签页拉取模型。以qwen2.5为例ollama pull qwen2.5:7b这里我想多说几句模型选择。如果你显存VRAM在8GB左右推荐qwen2.5:7b或deepseek-r1:7b这类7B参数量级模型如果显存只有4GB可以试试更小的qwen2.5:3b如果是16GB以上显存直接上qwen2.5:14b甚至32b体验会好很多。下载完成后测试一下ollama run qwen2.5:7b 你好请介绍一下你自己能正常回复就说明本地大模型已经跑通了。另外从热词里我看到有人想部署minimax h3这个模型属于MiniMax的开源模型通过Ollama或ModelScope同样可以跑但参数量和资源要求会更高我建议先把基础的7B模型跑顺了再考虑。5.3 显存不够怎么办量化模型、CPU模式和魔塔社区很多人的电脑并没有高端独立显卡可能连8GB显存都没有。这时候优先使用量化模型比如Ollama里的qwen2.5:7b-q4_K_M这种量化版本把模型体积压缩到4GB左右显存要求大幅降低。如果还是跑不动Ollama支持纯CPU模式速度慢但起码能跑适合体验流程。另外国内用户下载模型经常会遇到网络问题这里强烈推荐从ModelScope魔塔社区下载它是国内模型社区下载速度快、稳定。下载下来的模型如果Ollama不支持直接加载可以用Ollama的Modelfile导入机制或者直接用transformers配合Openclaw调用。考虑到这是小白教程我建议直接用Ollama官方支持的模型名先避免自定义导入的坑。等整个链路跑通后再研究怎么对接魔塔下载的模型也不迟。6. Openclaw本体安装与Channel配置6.1 获取源码并安装依赖终于来到主角这里。Openclaw的安装方式在项目README里写得比较清楚我这里以最通用的源码安装方式为例。先在WSL的Ubuntu终端里进入你要放项目的目录比如~/projects然后从官方仓库clone代码cd ~ git clone https://github.com/openclaw/openclaw.git cd openclaw当然具体仓库地址要以官方文档最新信息为准我这里只是演示流程。clone完成后创建一个Python虚拟环境如果你没用conda也可以用venvpython -m venv venv source venv/bin/activate pip install -r requirements.txt依赖安装这一步经常会出现各种版本报错最常见的是pydantic、fastapi这类库的版本冲突。我建议按照README里列出的版本逐个安装不要用pip install -r requirements.txt遇到报错就不知所措。如果安装过程中某个包编译失败比如pydantic-core先确认Python版本是3.11还不行就升级pip和setuptools再试。我个人经验是pip install --upgrade pip setuptools wheel这个组合命令能解决一半的编译报错。6.2 配置核心参数把Ollama模型接入AgentOpenclaw默认会读取一个配置文件一般是config.yaml或.env你可以在这里指定模型、Channel、Agent参数等。核心配置我大概拆成几块。第一块是模型接入告诉Openclaw用哪个Ollama模型。以Ollama为例配置里一般会有类似这样的字段model: provider: ollama name: qwen2.5:7b base_url: http://127.0.0.1:11434 temperature: 0.7 max_tokens: 2048如果你用的是OpenAI兼容API也可以把provider改成openai然后填对应的base_url和api_key。很多开源模型都提供OpenAI兼容接口Openclaw这个设计的好处是让人不用绑定某个特定平台想换模型只改配置就行。第二块是Agent的参数比如要不要启用工具调用、最长回复长度、上下文窗口大小等。这里的max_tokens特别关键因为如果设得太小Agent在做长任务时输出会被截断设得太大显存占用又会飙升。我的建议是先设2048跑几天观察情况再调整。6.3 选择Channel把Agent接到终端或飞书Openclaw的Channel机制是它最灵活的地方简单理解就是“AI从哪个入口接收消息、把回复发到哪里”。官方支持的Channel有终端、飞书、Discord、Telegram等。对于小白来说最开始建议先用终端Channel直接在命令行里和Agent对话省去所有平台配置。终端模式一般不需要额外配置只要在配置文件里把channel指定为terminal然后启动Openclaw就能在命令行里聊天。跑通之后再尝试接入飞书。飞书Channel的配置需要在飞书开放平台创建一个应用拿到App ID和App Secret然后填写到配置里。这块步骤比较繁琐网上也容易搜到教程我只提醒几个关键点飞书应用要开通机器人能力需要配置事件订阅的请求地址一般指向Openclaw提供的回调地址权限范围里要勾选“接收消息”相关权限。把这些配置项填对Openclaw就能在飞书群里回复你。6.4 飞书输出被截断的修正方法从热词里看到有不少人遇到了“Openclaw在飞书输出容易被截断”的问题这个我太有发言权了当初排查了好久。主要原因有三个一是Agent生成的回复长度超过了飞书单条消息的长度上限飞书单条文本消息一般是限制在几千字以内二是max_tokens设置太大生成的回复超过飞书接口的接收限制三是Openclaw发送长文本时没有自动分片。对应解决方案也很直接。首选方案是在配置文件里把max_tokens调小一点比如2048或1024保证单次生成内容长度可控第二种方案是给Openclaw开启“分片发送”功能也就是把长回复自动拆成多条消息发送效果像微信里那种长条消息被分段如果以上方案都不行就让Agent在回复时先做总结用命令词约束它“只输出要点、控制在500字以内”。一个小技巧是在系统提示词System Prompt里写清楚“回答请尽量简洁超过800字请先给结论再给细节”这比调代码参数见效更快。7. 常见报错排查从“玄学”到“科学”7.1 WSL2环境校验失败could not safely verify the WSL2 environment这个报错是Openclaw启动时对WSL2环境做安全校验时出现的通常意味着Windows侧或WSL2侧的环境变量或版本信息不一致。我遇到过一次原因是Windows功能里“虚拟机平台”没有完全开启WSL2实际运行在兼容模式下。排查思路如下先确认WSL2正常工作wsl -l -v如果版本是1执行wsl --set-version Ubuntu-22.04 2进行升级。然后确认Windows功能都开了dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart执行完重启电脑。还有一种情况是WSL内核版本过低在管理员PowerShell里执行wsl --update更新内核。如果校验还是失败可以试试在Openclaw的配置文件里关掉环境校验但我个人不建议这么做不安全还是把WSL环境修好更稳妥。7.2 WSL版本过旧提示如果你在启动Openclaw或执行wsl命令时看到类似“Your version of Windows Subsystem for Linux is too old”的提示说明本地WSL内核太旧。解决方法是打开管理员权限的PowerShell或Windows Terminal执行wsl --update如果执行失败可能是Windows的更新服务被禁用或者需要先安装“适用于x64计算机的WSL2 Linux内核更新包”。从微软官网下载对应更新包双击安装然后再跑wsl --version确认版本号。这里我强调一下2023年之后的WSL版本号都是类似2.0.x如果版本号还是1.x直接更新到最新版很多诡异报错会自行消失。7.3 显存OOM和Python依赖冲突运行模型时最常见的报错就是CUDA out of memory简单说就是显存不够了。解决办法有这几种换更小的量化模型比如qwen2.5:7b-q4_K_M换成qwen2.5:3b减少上下文长度或max_tokens关闭同时运行的多个模型实例确保只有一个服务在调用GPU实在不行用Ollama的OLLAMA_MAX_LOADED_MODELS1环境变量限制并发加载数量。Python依赖冲突这块我前面重复了很多次核心要点就是“用conda环境隔离”。如果你已经踩了依赖混乱的坑最快的方法是重建环境conda deactivate后重新conda create -n openclaw python3.11然后按README要求逐个安装依赖。视觉上虽然多花几分钟但比手动降级、升级上百个包高效得多。7.4 日常调试技巧用VSCode连WSL告别盲人摸象最后分享一个能显著提升幸福感的小技巧。在WSL命令行里看报错信息对于小白来说真的像看天书。我的建议是直接用VSCode连接WSL这样既能看代码、改配置又能直接打开终端执行命令报错信息旁边还有语法高亮和智能提示排查问题效率高好几倍。具体操作在Windows侧安装VSCode扩展里搜“WSL”安装微软官方的WSL扩展。然后打开VSCode按CtrlShiftP输入“WSL: Connect to WSL”选择连接VSCode就会自动以WSL环境打开窗口。之后你在VSCode底部终端里执行的命令就是在Ubuntu里执行可以直接source venv/bin/activate跑Openclaw。这个方式的好处是代码和命令行在一个窗口配置改完直接重启进程不用来回切换。另外如果你是那种“Linux命令不熟粘代码都手抖”的纯小白我建议把教程里的命令分批次执行每执行一条就看一眼输出有没有报错。那些sudo开头的命令会要求输入密码输入时不显示字符是正常的输完直接回车就行。遇到权限报错就看看是不是忘了在命令前面加sudo。最后分享一点个人实操体会整套流程跑通之后我最大的感受是“本地部署AI真的没有想象中那么高不可攀”。只要把环境拆成一个个小步骤每一步都有明确的验证方法比如nvidia-smi看GPU、torch.cuda.is_available()看PyTorch、ollama run看模型出问题基本能定位到具体环节。我建议你也照着这个思路来不要一口气把所有东西都装完才测试那样一旦出错根本不知道是哪里出了问题。还有一个小提醒跑Openclaw的时候记得保持Ollama服务在跑不然Agent会一直报连接错误。先把终端Channel跑通再折腾飞书、网页这些花活稳扎稳打你的“小龙虾”很快就能在家里电脑上张牙舞爪干活了。
