萝卜鱼丸烧先把话放这里：一台 2015 年的 Intel MacBook Pro，完全可以跑本地 AI。我说的不是让它开个网页版聊天窗口，而是把 OpenClaw 这种能自己动手操作电脑的智能体框架，和 Ollama 里的本地模型接起来，让它真的帮你查文件、写脚本、执行命令。这套环境搭完之后，你的老 Mac 就是一台不联网也能干活的 AI 工作站。“老 Mac 跑本地 AI”这件事，真正卡住大部分人的不是硬件，而是环境搭建。
如果你手里正好有一台吃灰的旧 Mac，平时对隐私敏感，或者不希望每次问点东西都要把数据传到云端，这套玩法很值得试。你也不需要是专业程序员，我尽量把每步命令、每个配置文件都写清楚，只要会复制粘贴，一个下午基本能跑通。下面我就按自己实际折腾的顺序，把每一步怎么走、为什么这么走、踩了哪些坑都讲清楚。
1. 老 Mac 跑本地 AI：先说清楚这套组合拳怎么打
1.1 老 Mac 的“老”到底限制在哪
很多人一听“老 Mac 跑 AI”就觉得不现实，其实是被几个点吓住了。以我手上这台 2015 款 13 寸 MacBook Pro 为例，它的短板非常典型：Intel i5 双核处理器、16GB 内存、512GB SSD，系统停在 macOS Monterey。这类机器没有 Apple Silicon 上的神经引擎，也没有统一内存架构，跑大模型只能硬吃 CPU 和内存带宽。
限制最明显的三个地方：
- CPU 推理慢。Intel 老芯片没有 NPU，跑模型全靠 CPU 硬算。7B 参数量以上的模型基本别想流畅，3B 及以下的量化模型还能接受。
- 内存小，装不下大家伙。一个 7B 模型即使量化也要 4GB 左右权重，加载后还要占上下文缓存，8GB 内存的机器很容易被拖死，16GB 相对安全。
- 系统版本旧。老机器往往停在 Catalina 或 Monterey，很多新版软件（比如新版 Node.js、新版 Homebrew 包）会出现 “This version of Mac OS is not supported on this platform” 这种报错。
那是不是就没救了？不是。老 Mac 的瓶颈主要在“模型规模”和“推理速度”，不在架构。OpenClaw 本身只是个 Node.js 应用，Ollama 也只是本地模型运行时，这两个工具对硬件要求并不高，真正吃配置的是模型。所以只要把模型选小一点、量化做好，老机器完全能跑。
1.2 为什么是 OpenClaw + Ollama，而不是别的组合
先解释一下这两个东西分别是什么。
OpenClaw 是一个开源的 AI 智能体框架，它可以理解自然语言，然后调用终端、浏览器、文件系统等工具替你干活。你可以把它理解成一个“AI 代理助手”，它不只是和你聊天，而是真的能操作电脑。它支持接各种模型，包括云端 Claude、GPT 系列，也支持接本地模型。
Ollama 则是目前最省心的本地模型运行器。一条命令就能拉起一个开源大模型，而且提供一个 OpenAI 兼容的 HTTP 接口。你不需要手动去配 PyTorch 环境、不需要管 CUDA/Metal 加速、不需要处理 TensorFlow 那一堆依赖，几乎就是把“模型运行”这件事黑盒化了。
为什么不用别的组合？我实际比较过几个方案：
- 直接装 PyTorch 然后拉模型权重跑：技术上可行，但老 Mac 上手动配置 Python 环境、PyTorch、Tokenizer、量化库，很容易把系统搞乱。我曾经为了让一个模型跑起来折腾了一天多，最后发现还是 Ollama 这种封装好的工具香。
- LM Studio：它有图形界面，对新手友好，但自动化能力和命令行接口不如 Ollama，OpenClaw 这种 agent 框架对接起来没那么顺手。
- llama.cpp：性能好，但需要自己编译、自己管理模型，适合想折腾底层的人，不适合“我要尽快用起来”的场景。
所以最终我选了 OpenClaw + Ollama：一个负责“动手干活”，一个负责“跑本地模型”。而且 Ollama 的接口是 OpenAI 兼容的，OpenClaw 接起来几乎没有障碍。两者搭配，你在本地就能得到一个不用付费、不用联网、数据完全在自己电脑上的 AI 助手。
1.3 我的推荐配置和整体流程
如果你也想照着做，建议先对照一下自己的机器：
| 项目 | 最低要求 | 推荐配置 |
|---|---|---|
| 芯片 | Intel Core i5（2013 年后） | i5 双核以上，新款 Apple Silicon 更好 |
| 内存 | 8GB | 16GB |
| 磁盘 | 剩余 15GB | 剩余 30GB 以上，SSD 优先 |
| 系统 | macOS Catalina（10.15） | macOS Monterey（12）以上 |
整体流程其实就六步：装基础工具 → 装 Ollama → 拉取本地模型 → 安装 OpenClaw → 配置本地模型源 → 验证并实战。下面每一章我都会把对应的命令和配置文件写出来。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境准备：先把老 Mac 拾掇成能跑现代工具的样子
2.1 先查系统版本和磁盘，别上来就装
老 Mac 上折腾环境，第一步不是安装，而是先确认系统版本和剩余空间，不然装到一半各种诡异报错。打开终端，执行：
bash复制sw_vers
这个命令会显示产品名称、版本号和构建号。我建议 macOS 11 Big Sur 及以上可以直接按本文走；macOS 10.15 Catalina 也能跑，只是部分新版本 Node.js 装不上，需要选旧一点的版本；如果系统还停在 High Sierra 或更早，很多工具链会非常痛苦，大概率需要先想办法升级系统。
再看磁盘空间：
bash复制df -h /
老机器的内置盘本来就小，装完基础工具和模型之后，空间会非常紧张。我整理了一个大概的体积参考：
| 组件 | 占用空间 |
|---|---|
| Homebrew 及基础工具 | 约 2GB |
| Node.js 及 npm 全局包 | 约 500MB |
| Ollama 程序本体 | 约 1.5GB |
| qwen2.5:3b 模型文件 | 约 1.9GB |
| OpenClaw 及依赖 | 约 100MB |
总共加起来差不多 6GB 到 8GB，对一台 128GB 的老 Mac 来说已经不算少了。如果剩余空间连 10GB 都没有，建议先清理一下，或者干脆把 Ollama 的模型目录放到外置硬盘，这个后面会讲到。
2.2 用 Homebrew 把基础工具装齐
Homebrew 是 macOS 上最常见的包管理器，后面装 Git、Node.js、Ollama 我都会走它。安装命令：
bash复制/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
这里有一个国内用户的老问题：GitHub 连接慢，安装脚本可能卡住。我实际遇到的时候，是把 Homebrew 的下载源切换到了国内镜像再装的。具体做法是设置两个环境变量，让安装脚本从镜像站拉包：
bash复制export HOMEBREW_BREW_GIT_REMOTE="https://mirrors.tuna.tsinghua.edu.cn/git/homebrew/brew.git"
export HOMEBREW_CORE_GIT_REMOTE="https://mirrors.tuna.tsinghua.edu.cn/git/homebrew/homebrew-core.git"
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
安装完成后，Intel 芯片的 Mac 上 brew 会在 /usr/local/bin 下，Apple Silicon 则在 /opt/homebrew/bin。如果终端里输入 brew 提示命令找不到，手动加一下 PATH：
bash复制echo 'export PATH="/usr/local/bin:$PATH"' >> ~/.zprofile
source ~/.zprofile
接下来用 brew 安装基础工具：
bash复制brew install git node python@3.11
这里重点说一下 Node.js 的版本。OpenClaw 2.x 官方支持 Node.js 20 及以上，如果你装完后执行 node -v 发现版本太低，后面 OpenClaw 很可能直接报错。如果 brew 默认装的是最新版 Node，但因为系统太老报 “This version of Mac OS is not supported on this platform”，可以考虑装 Node 18 LTS 作为兼容方案：
bash复制brew install node@18
装完之后记得看一下 PATH 里 node 到底指向哪个版本，避免系统里同时存在多个 Node 然后互相打架。
2.3 安装 Ollama 并拉取本地模型
Ollama 的安装有两种方式，最简单的是直接下载官方 dmg 拖进 Applications，另一种是 brew 安装。我习惯用 brew，方便后续升级：
bash复制brew install ollama
启动 Ollama 服务端，正常情况它会监听 127.0.0.1:11434：
bash复制ollama serve
也可以直接拉模型并进入交互式对话，如果本地没有对应模型，Ollama 会自动下载：
bash复制ollama run qwen2.5:3b
我实测下来，老 Mac 上比较合适的模型就几个，见下表：
| 模型 | 参数量 | 量化后体积 | 特点 |
|---|---|---|---|
| qwen2.5:3b | 3B | 约 1.9GB | 中文能力强，工具调用较好，首选 |
| llama3.2:3b | 3B | 约 2.0GB | 英文能力强，中文一般 |
| gemma2:2b | 2B | 约 1.6GB | 体积最小，老机器最流畅 |
| qwen2.5:7b | 7B | 约 4.7GB | 效果更好，但老 Mac 会明显吃力 |
我用的是 qwen2.5:3b，它在中文场景下表现比同尺寸其他模型好，而且带指令跟随和工具调用能力，对 OpenClaw 这种需要“干活”的场景很重要。
拉完模型后可以顺手验证一下 Ollama 的 API 是否正常：
bash复制curl http://127.0.0.1:11434/v1/models
如果返回一个 JSON 列表，说明 Ollama 的 OpenAI 兼容接口已经就绪，后面 OpenClaw 接的就是这个地址。
3. 安装 OpenClaw：所谓“一键”其实有三道门
3.1 选择 Node.js 版而不是 Docker 版
OpenClaw 官方提供两种主要安装方式，一种是基于 Node.js 的原生版本，一种是 Docker 版本。我强烈建议在老 Mac 上优先用 Node.js 版。
原因很实际：Docker Desktop 在 Intel 老 Mac 上又重又慢，光一个虚拟机就要吃掉好几 GB 内存，而且老机器跑 Docker 虚拟化性能非常差。我试过一次，OpenClaw 容器还没启动，Docker Desktop 自己先占了 3GB 内存，风扇直接起飞。OpenClaw 本身是个 Node.js 应用，完全没必要为了它再套一层容器。
当然，如果你日常就在用 Docker，也可以试：
bash复制docker run -d --name openclaw -v ~/.openclaw:/root/.openclaw -p 3000:3000 openclaw/openclaw:latest
但本文后面的操作都基于 Node.js 版本，这也是我在老 Mac 上实际跑通的路径。
3.2 安装命令与首次启动
Node.js 版安装很简单，官方推荐用 npm 全局安装：
bash复制npm install -g @openclaw/openclaw
如果你在官网看到其他安装方式，比如 curl 脚本，也可以。安装完先确认一下：
bash复制openclaw --version
如果提示 command not found，说明 npm 的全局 bin 目录没在 PATH 里。先看看 npm 全局目录：
bash复制npm config get prefix
比如输出是 /usr/local，那就把 /usr/local/bin 加进 PATH；如果输出是某个用户目录，比如 ~/.npm-global，就加对应的 bin 目录。
首次启动直接运行：
bash复制openclaw
第一次启动的时候，它会自动创建配置目录 ~/.openclaw/，然后问你用哪个模型供应商。这一步是重点，因为它默认会让你选 Claude、GPT 这类云端服务商，我们本地部署要走的是“OpenAI-compatible”或者自定义 provider，指向 Ollama。如果你在引导界面里没看到这个选项，也不要慌，后面可以直接改配置文件。
启动之后，OpenClaw 会进入一个交互式命令行界面。你输入自然语言，它理解之后会选择调用工具或者直接回答。这时候你会发现它还没有接上本地模型，所以我在下一章专门讲怎么把 Ollama 接进来。
3.3 看懂 ~/.openclaw 里的安全确认机制
很多第一次用 OpenClaw 的人会忽略 ~/.openclaw 这个目录，等到它弹出各种确认提示时一脸懵。实际上这个目录里放了两类关键文件：配置文件和命令授权记录。
其中 exec-approvals.json 特别重要。OpenClaw 作为一个能执行命令的智能体，出于安全考虑，任何不在白名单里的命令，它都会先询问你是否允许执行。你选择了“允许”，这条命令就会写进 exec-approvals.json，下次再遇到同样命令就不会重复问。
我第一次遇到这个文件时还闹了一个乌龙。升级 OpenClaw 之后启动，终端里提示：
text复制legacy exec approvals exist at /root/.openclaw/exec-approvals.json ...
刚开始我还以为是自己配置坏了，后来才明白这只是在说“检测到了旧版本留下的命令授权记录”，问我是否需要继续使用。如果你也看到类似提示，不用急着删文件，先看一下内容确认没有可疑命令，然后按提示选择继续或迁移就好。如果里面混了一些你已经不信任的命令，直接编辑这个 JSON 文件，把对应条目删掉，下次执行时它会重新询问。
4. 把本地模型接进来：让 OpenClaw 真正“长”在老 Mac 上
4.1 配置本地模型源
OpenClaw 默认会去找云端模型供应商，我们需要告诉它“别去云端了，本地就有一个 OpenAI 兼容接口”。在 ~/.openclaw/ 下找到配置文件，通常是 openclaw.json 或者 settings.json，根据你的版本不同略有差别。找到之后，把模型供应商配置改成类似这样：
json复制{
"provider": "openai-compatible",
"baseUrl": "http://127.0.0.1:11434/v1",
"model": "qwen2.5:3b",
"apiKey": "ollama"
}
字段名可能会因为 OpenClaw 版本不同有一点变化，但核心思路是一致的：让 OpenClaw 把 Ollama 的 /v1 接口当作一个 OpenAI 兼容服务，模型名填你在 Ollama 里拉取的名字，API Key 随便填一个占位符就行，本地服务不做鉴权。
如果你走的是环境变量路线，可以这样设置：
bash复制export OPENCLAW_NIM_BASE_URL="http://127.0.0.1:11434/v1"
export OPENCLAW_MODEL="qwen2.5:3b"
export OPENCLAW_PROVIDER="openai-compatible"
我把这些环境变量写进了 ~/.zshrc，这样每次打开终端不用重复设置。这里“NIM”是 OpenClaw 对模型接口的称呼，看到相关配置项别觉得陌生，它指的就是模型来源。
4.2 验证链路：从提问到工具调用
配置改完之后，重启 OpenClaw，再确认 Ollama 正在运行：
bash复制ollama serve
然后在 OpenClaw 的交互界面输入一个最简单的测试：
text复制你好，请用一句话说明你已经准备好。
如果能正常返回中文回答，说明 OpenClaw 和 Ollama 之间已经打通了。但这只证明了“聊天”链路，还没证明“干活”链路。接下来测试工具调用能力：
text复制帮我列出当前目录下的所有文件。
这句话正常情况下会触发 OpenClaw 调用 shell 工具，执行类似 ls -la 的命令，然后问你允许还是拒绝。选 yes 之后，它会把命令输出整理成一段话回复你。
我第一次测试时，qwen2.5:3b 并没有直接返回工具调用，而是老老实实说了一段“我作为 AI 无法直接查看你电脑上的文件”。后来我把提示词改得更明确：
text复制请使用终端工具，输入 ls -la 这个命令，然后把结果告诉我。
结果它立刻调用了工具。这说明本地小模型对“隐式意图”的理解还比较弱，你需要把任务描述得足够清晰。
4.3 本地小模型不支持 function calling 怎么办
这是老 Mac 本地部署最容易碰壁的地方，甚至比安装失败更劝退。OpenClaw 要“动手”，依赖模型具备工具调用能力，也就是模型在输出时会返回一段结构化的函数调用指令，而不是普通文本。本地 3B 模型虽然近年来进步很大，但跟 Claude、GPT-4 这类云端大模型比，工具调用的稳定性和格式合规性还是有差距。
我踩过的坑主要有三种：
- 模型直接回复一段话，而不是调用工具。解决办法是把任务描述得更直白，主动提到“用终端”“运行命令”这些词。
- 模型返回了工具调用意图，但 JSON 格式不对，OpenClaw 解析失败，在界面上表现为“模型响应异常”。这种情况我一般会换一个模型试试，qwen 系列整体要比同尺寸的 LLaMA 稳一些。
- 模型能够调用工具，但执行完命令后的结果总结很敷衍。这属于模型能力天花板，很难靠配置解决，只能接受。
如果你的模型怎么调都不支持工具调用，还有一个兜底方案：不启用工具，把 OpenClaw 当一个带上下文记忆的本地聊天助手用。但这等于浪费了 OpenClaw 最核心的价值，建议还是优先选 qwen2.5:3b 这种国产模型，它们在 function calling 方面训练得比较充分。
5. 实战演示：让 OpenClaw 帮我处理三类真实任务
5.1 文件整理：一次典型的“自然语言指挥电脑”
我第一个实际任务是把下载目录里的 PNG 截图全部移动到桌面备份文件夹。在 OpenClaw 里输入：
text复制请把 ~/Downloads 目录下所有 .png 文件移动到 ~/Desktop/图片备份 目录，如果目标目录不存在，先创建它。
OpenClaw 会把这个任务拆成几步：先列出 Downloads 目录下的文件确认有哪些 .png，然后检查桌面是否已有“图片备份”目录，没有就创建，最后执行移动。因为它每执行一步都可能触发权限确认，我一直在看着它操作。整个过程大概一分多钟，模型虽然每一步反应慢一点，但动作是对的。
运行完之后它还会用一句中文总结：“已移动 5 个文件到目标目录。”这个体验已经很接近云端 agent 的效果了，只是速度慢一些。
5.2 让它写一个脚本并运行
第二个场景是实际工作里常用的：让 AI 写脚本，然后在本地直接执行。我输入：
text复制请帮我写一个 Python 脚本，统计当前目录下所有 .md 文件的行数总和，并直接运行它。
OpenClaw 先是调用了工具读取当前目录，然后调用了一个代码编辑器工具生成了脚本。第一遍生成的脚本有编码问题，把文件名的中文部分读成了乱码，我反馈了一句“统计结果中文件名显示乱码”，它修正后重新运行成功。
这里有个很重要的心得：老 Mac 上跑本地模型，AI 写代码的能力没有云端模型那么强，第一遍很可能有 bug。不要指望一次完美，把它当成一个“需要你 review 的初级程序员”，给它指出问题，让它改，这个交互模式比反复重写 prompt 更高效。
5.3 让它在终端里“接力”执行命令
第三种场景是处理一些需要连续跑好几条命令的零散工作。比如把几个 markdown 笔记合并成一个文件：
text复制在当前目录下，将 a.md、b.md、c.md 三个文件合并成一个 merged.md，文件末尾加一个空行分隔。
OpenClaw 会拼接命令并执行。老 Mac 上模型每一步推理都要花时间，但命令执行本身是秒级的，整体速度取决于命令数量而不是命令复杂度。
这类任务恰恰是 OpenClaw 最值得用的地方。它不是简单帮你查个资料，而是把“理解需求 → 拆解步骤 → 执行操作 → 反馈结果”这条链路完整跑完，而且所有操作都发生在你自己电脑上，数据不出本机。
5.4 安全边界：能干活也要系好安全带
OpenClaw 能力越强，越要小心。智能体能帮你移动文件，就也能帮你删除文件。我的安全准则有这么几条：
- 绝不授权它执行 sudo 命令。OpenClaw 通过 shell 工具执行命令时没有任何系统级防护，一旦你输入了密码，它就等于拿到了整个系统的管理权限。
- 破坏性命令一律先看再点。如果你看到
rm -rf、diskutil erase这类命令出现在确认提示里，先想想这个命令会不会造成不可逆后果。我在实际使用中基本不允许它执行rm，遇到需要清理临时文件的场景，我宁可自己手动敲。 - 不要把 API Key 硬编码进公开配置。虽然本地模型不联网，但你的配置目录里如果留了云端服务的密钥，一旦配置文件被同步到网盘或 Git 仓库就有泄露风险。
记住：OpenClaw 只是一个执行者，你的判断力才是最后一道防线。
6. 老 Mac 专属性能调优与实际体验报告
6.1 参数计算：为什么老 Mac 只能跑小模型
先做一道简单的算术，你就能明白老 Mac 的瓶颈在哪里。
以 qwen2.5:3b 为例，“3B”表示模型有 30 亿个参数。如果每个参数用 FP16 半精度存储，那就是 30 亿 × 2 字节 ≈ 6GB。这个体积对 8GB 内存的机器来说太重了，所以 Ollama 默认下载的版本是经过量化的，比如 Q4_K_M 量化后体积约 1.9GB。
模型加载进内存后，除了权重本身，还要留空间给 KV Cache 和上下文窗口。我的体验是 qwen2.5:3b 在 16GB 内存的机器上运行，Ollama 大概占用 3GB 到 4GB 内存，整体还能接受；如果是 8GB 内存，就非常紧张。
推理速度也是同理。Transformer 模型每生成一个 token，理论上都要把模型权重过一遍内存，所以内存带宽基本决定了速度上限。老款 Intel Mac 的内存带宽大约在 20GB/s 到 30GB/s，一个 1.9GB 的模型理论上每秒钟最多能把权重完整读取十来次，对应 token 生成速度大概在 10 token/s 左右；但实际还要算上 CPU 计算损耗、上下文处理、工具调用等开销，我的实测结果是 3 到 6 token/s。Apple Silicon 的统一内存带宽动辄 100GB/s 以上，所以同模型能跑 20 甚至 40 token/s，差距就是这么拉开的。
6.2 磁盘与内存优化：老 Mac 的保命三招
第一招，把模型目录挪到外置硬盘。老 Mac 内置盘通常只有 128GB 或 256GB，几个模型就能塞满。Ollama 支持通过环境变量指定模型目录：
bash复制export OLLAMA_MODELS="/Volumes/你的外置盘/ollama-models"
设置之后重启 ollama serve，新拉的模型都会装到外置盘。实测下来，外置 SSD 和内置 SSD 的推理速度差距不大，但机械硬盘必须慎重，会明显拖慢模型加载和读取。
第二招，限制 Ollama 的并发。老 Mac 本身资源紧张，如果 Ollama 同时加载多个模型，内存直接爆掉。在启动 ollama serve 之前设置：
bash复制export OLLAMA_NUM_PARALLEL=1
export OLLAMA_MAX_LOADED_MODELS=1
这样 Ollama 同一时间只处理一个请求、只加载一个模型，体验稳定很多。
第三招，注意散热。老 Mac 满载跑模型，风扇会一直高转速，机身发烫。我在测试时发现，如果机器过热，CPU 会降频，推理速度反而更慢。我用的解决办法是垫高机身、开散热底座，并且减少同时运行的浏览器标签页。
6.3 实测体感：哪些任务能交给它，哪些不行
拿我这台 2015 款 13 寸 MacBook Pro 来总结一下体验：
- 文件整理、简单脚本生成、命令执行这些任务，它能胜任，但需要你耐心等。一个涉及两三步的命令任务，从输入到完成大概要二十秒到一分钟。
- 中文问答体验尚可，qwen2.5:3b 的回复质量在 3B 级别里算不错的，但不要指望它写长文、做复杂的逻辑推理。
- 它绝对不适合做大规模的代码重构、长文本总结、多轮复杂对话。这些任务对上下文长度和模型能力要求太高，本地小模型会明显露怯。
我的态度从一开始的“这东西能不能用”，逐渐变成了“它到底适合干什么”。老 Mac 跑本地 AI，价值不在“跑多大模型”，而在于“有一台完全可控、不用联网、不用排队、不用担心数据泄露的 AI 工作站”。
7. 常见问题与排错实录
7.1 command not found 和 PATH 问题
这是新手最容易卡住的地方。npm install -g 装完 OpenClaw 后，终端提示找不到命令，通常就是 npm 的全局 bin 目录不在 PATH 里。先执行：
bash复制npm config get prefix
看输出结果，然后把它对应的 bin 目录加进 ~/.zshrc：
bash复制export PATH="/usr/local/bin:$PATH"
source ~/.zshrc
如果前缀是 ~/.npm-global，就写：
bash复制export PATH="$HOME/.npm-global/bin:$PATH"
之后再执行 openclaw --version 就能找到了。
7.2 “This version of Mac OS is not supported on this platform”这类报错
这个报错我在老机器上反复遇到过，尤其是安装新版 Node.js 或新版 Homebrew 包的时候。原因是新版软件为了兼容性，把最低系统版本要求提高到了 macOS 12 或 13，而你系统还停留在更早版本。
解决办法有两条路：能升级系统就升级到老机器支持的最新版本；升不了就安装旧版软件。比如 Node.js 就装 Node 18，Homebrew 包尽量找兼容旧系统的版本。不要硬装新版，硬装大概率会带到一堆依赖错误。
7.3 ~/.openclaw/exec-approvals.json 相关提示怎么处理
升级 OpenClaw 后启动，如果提示 legacy exec approvals exist at ...，这只是在告诉你“发现旧版本留下的命令授权记录”。我建议先打开文件看看有没有多余的、可疑的命令条目：
bash复制cat ~/.openclaw/exec-approvals.json
确认内容没问题，就按提示继续使用；如果某些条目不想保留，直接删掉对应项目，下次遇到相关命令会重新询问。这个文件是智能体的信任白名单，它存在本身是好事，至少说明每一步危险操作都在你的控制之下。
7.4 macOS 提示“party.ape.helper”等组件包含恶意软件怎么办
这里要单独提一下。我在折腾过程中下载过一个第三方工具包，系统直接弹出提示：“未打开‘party.ape.helper’，因其包含恶意软件。此操作未对 Mac 造成危害。”我第一反应是去网上搜这个组件名，发现它经常寄生在破解软件、非官方安装包里。
如果遇到这种情况，别急着关闭提示，也不要手动绕过 Gatekeeper 强行打开。先看这个文件是从哪来的，如果是自己刚下载的安装包，直接拖进废纸篓；如果不知道什么时候进来的，去 ~/Library/LaunchAgents 和 /Library/LaunchAgents 里搜索对应的文件名，把可疑项目删掉并重启。用官方渠道下载的 OpenClaw 和 Ollama 不会触发这种警告，凡是触发恶意软件提示的，基本都可以判定为来源不可靠。
7.5 模型下载失败或 Ollama 端口被占用
国内网络环境拉取 Ollama 模型库偶尔会失败，常见表现是 pull 进度卡住或者直接超时。我遇到这种问题时，第一反应是确认 Ollama 服务还在运行：
bash复制lsof -i :11434
如果端口被占用，可能是之前启动的进程崩了，杀掉重启：
bash复制kill $(lsof -t -i :11434)
ollama serve
如果重新拉取仍然失败，可以设置模型下载镜像源。不同镜像站的配置方式不同，但基本思路都是通过环境变量把 OLLAMA 的下载地址指到国内可访问的镜像，然后重启 Ollama。另外二次拉取时建议先删除未下载完的残留模型目录，避免缓存损坏导致的重复失败。
最后再分享一个实际使用中的小技巧
我在折腾完这套环境之后，最大的感受是：OpenClaw 这类智能体框架，和本地小模型其实是互相成就的组合。云端大模型虽然聪明，但我舍不得把本地文件、隐私数据喂给它；本地小模型虽然笨一点，但胜在免费、离线、可控。而 OpenClaw 把“本地 AI”从聊天窗口变成了真正能干活的工具，这个价值对我来说非常大。
最后给一个很实际的小技巧：和老 Mac 上的本地模型对话时，任务描述越具体，成功率越高。不要只说“整理一下文件”，要说“把桌面上的所有 .png 文件移动到 /Users/你的用户名/Desktop/backup 文件夹”。本地小模型对模糊指令的理解能力有限，你把上下文补得越完整，它就越少出现“答非所问、不调用工具”的情况。我自己用下来，这个习惯比换模型、调参数都更能提升实际体验。