老Mac焕发新生：用OpenClaw搭建本地AI代理的完整实战指南

1. 为什么是“OpenClaw + 老Mac”而不是云端AI

1.1 老Mac跑本地AI，难在哪里

先交代背景。我手上这台Mac是2019款13英寸MacBook Pro，16GB内存，Intel Core i5四核，平时已经吃灰很久了。不是它不好用，而是新款M系列芯片出来后，这台机器的存在感实在太低：跑开发环境有点肉，看视频又大材小用，卖二手又不值钱。直到我开始折腾本地AI，才发现这种“性能过时但还能开机”的老设备，反而有它独特的价值。

本地AI这件事，很多人一听就想到“显卡要4090”“显存要24G”“没个几万块玩不动”。放在Windows平台上确实如此，但Mac的优势在于统一内存架构：CPU和GPU共享内存，即使没有独立显卡，你也可以把模型直接加载到内存里跑。对老Mac来说，最大的限制不是CPU算力，而是内存容量。16GB内存跑7B量级的量化模型是可行的，8GB内存则更适合3B到4B的小模型。只要肯在模型大小和量化精度上做取舍，老Mac完全可以承担起本地AI的日常使用。

但这里有个新问题：只是把模型跑起来不够，怎么让它干活？这时候就需要一个“AI代理助手”来把模型能力转换成实际动作。OpenClaw正好就是这个角色。

1.2 OpenClaw到底是什么角色

OpenClaw是一个开源的AI代理框架，你可以把它理解成“能把大模型接到真实环境里干活的中间层”。普通聊天工具是“你问一句、它答一句”，OpenClaw不太一样：你给它一个目标，它会自己拆解任务、调用终端命令、读写文件、访问网络接口，然后在关键节点停下来问你“这个命令是否可以执行”，确认后再继续。它不是一个模型，而是一个带权限管理和执行能力的“数字执行助理”。

我最早关注到OpenClaw，是因为它天然支持本地模型后端。相比那些只能绑定固定云端API的闭源Agent工具，OpenClaw可以接入Ollama、LM Studio，甚至NVIDIA NIM这类本地推理服务。这意味着你不需要把对话记录和任务内容发到外部服务器，整个链路都留在自己机器上。对重视数据隐私、或者想折腾离线自动化的人来说，这点非常关键。

另外，OpenClaw的配置思路和很多开源项目类似：初始化之后生成一个配置文件目录（我这边是 ~/.openclaw/），里面维护模型接入信息、技能插件和命令审批白名单。上手成本不高，但可玩性很强。老Mac本身性能有限，跑重负载的云端模型不现实，但把OpenClaw这种极轻量的代理框架架在本地小模型上，恰好是一套低配但完整的AI自动化方案。

1.3 什么样的用户适合这套组合

如果你属于下面任意一类，这个“老Mac跑OpenClaw”的组合就很值：

• 手头有吃灰的老Mac，正好想让它重新发挥点价值；
• 关注数据隐私，不想把任务内容、代码或笔记发给外部API；
• 想入门AI代理，但不想一上来就买云端服务或者租GPU服务器；
• 喜欢折腾命令行，愿意花一个下午把环境从零搭起来。

当然，这套方案也有不适合的场景：比如你要用大模型生成高质量长文、做复杂推理，本地小模型的表现确实不如云端大模型；再比如你追求“零配置开箱即用”，那直接装个带界面的大模型聊天工具更省事。OpenClaw的定位是“能干活的AI代理”，不是“最聪明的AI聊天框”，两者不能混淆。

2. 实操之前，先把老Mac这台“老伙计”摸清楚

2.1 检查硬件和系统：三条命令搞定

在动手装任何东西之前，先花三分钟确认你手上的机器到底是什么配置。不要凭印象，跑几条命令最靠谱：

bash复制system_profiler SPHardwareDataType

这条命令会列出芯片型号、内存大小、系统固件版本等关键信息。如果是Intel Mac，注意看“Processor Name”和“Memory”；如果是Apple Silicon，会显示“Chip”和“Memory”。

bash复制sw_vers

查看macOS大版本号。OpenClaw和Ollama对系统版本都有最低要求，太老的系统会导致安装失败。我个人建议至少在macOS 12 Monterey以上，越新越好。

bash复制df -h /

看根目录剩余空间。模型文件动辄4到8GB，加上OpenClaw本身的依赖和Python虚拟环境，至少预留20GB比较稳妥。

我遇到的真实情况是：2019款Intel MacBook Pro，16GB内存，512GB硬盘，系统是macOS 13 Ventura。这个配置在当年不算差，但放到现在跑本地AI，属于“能用但必须精打细算”的类型。

2.2 内存和磁盘空间，决定你能跑多大的模型

再强调一次：老Mac跑本地AI，内存是天花板。以Ollama支持的常见开源模型为例：

如果你只有8GB内存的老Mac，老老实实选3B模型，别硬上7B。体验上的差异是：7B模型在8GB机器上一加载，系统就开始疯狂用交换内存，鼠标都卡，更别说让AI代理执行多步任务了。16GB机器跑7B量化模型则是够用的，但要注意关闭浏览器里那些常驻标签页。

2.3 老Mac跑本地AI的真实性能预期

说句实话，别指望Intel老Mac跑出M系列芯片那种速度。同样一个7B Q4模型，在M1/M2上生成速度可能达到每秒20到30个token，在2019款Intel四核上大概只有每秒5到10个token。这个速度对于“你问我答”的聊天来说能接受，但对于OpenClaw这种需要多轮工具调用的代理场景，每轮都要等模型输出，整体任务的耗时会被拉长。

不过，OpenClaw的很多操作并不依赖模型推理，比如文件读写、命令执行、脚本编排，这些瞬间就能完成。真正耗时的只有模型生成文本的环节。所以实际体验并没有想象中那么差，只要把任务拆得足够细，每步输出控制在几百个token以内，老Mac跑起来还是流畅的。

3. 一键搭建的整体思路：从依赖到模型一次搞定

3.1 为什么一定要写成一键脚本

OpenClaw环境的搭建过程，说复杂不算复杂，但步骤确实不少：要先装命令行工具，再装包管理器，然后是Node.js、Python、Ollama、模型下载，最后才是OpenClaw本身的安装和配置。任何一个环节报错，排查起来都挺费时间。我第一次手工搭的时候，光“Node版本不兼容”这个问题就折腾了一个多小时。

所以我做了一件事：把整个流程写成一个Shell脚本。脚本的好处不只是省事，更重要的是可以重复执行：跑一半失败了，修一下再跑，已经装好的组件会自动跳过，不用从头再来。后面换新机器、重装系统，把脚本扔上去就能复现同款环境。这就是“一键搭建”的真正意义。

3.2 一键脚本的核心组件清单

这套脚本的核心组件包括以下六块：

• Command Line Tools for Xcode：macOS上编译和运行很多工具的基础环境；
• Homebrew：macOS的包管理器，用来装Git、Node.js等依赖；
• Git：从GitHub拉取OpenClaw源码或安装脚本时要用；
• Node.js：OpenClaw的CLI基于Node.js运行，建议装18以上版本；
• Ollama：本地模型推理引擎，负责加载和运行模型；
• OpenClaw：AI代理框架本身。

各组件的逻辑关系是：Homebrew负责装底层工具，Node.js给OpenClaw提供运行环境，Ollama负责把模型跑起来，OpenClaw在最上层调用Ollama的接口完成AI代理任务。这个分层很清晰，出问题时也容易定位到底是哪一层出了问题。

3.3 需要避免的环境坑

老Mac上最常见的坑有三个。第一是Node.js版本太老，直接导致OpenClaw安装失败，解决方法是用nvm安装指定版本，而不是用系统自带的node；第二是Homebrew安装时会自动更新仓库索引，速度很慢，脚本里要设置跳过自动更新；第三是macOS系统自带的Python版本可能与部分工具不兼容，因此我用Homebrew单独装一个Python 3.11，避免影响系统环境。

另外，我在脚本中加入了一个环境检测函数：先检查当前系统是否满足版本要求，不满足就给出明确提示并退出，避免用户跑了一半才发现系统不支持。这种“前置校验”思路，在我后面几次重装时帮了大忙。

4. 核心实操：OpenClaw环境搭建全过程

4.1 环境准备：Command Line Tools与Homebrew

第一步，安装Command Line Tools。在终端里执行：

bash复制xcode-select --install

系统会弹窗询问是否安装，点击“安装”等待完成。很多人会在这步卡住，因为安装速度取决于网络状况，而且没有进度条。耐心等，不要中途关闭终端。如果执行后提示“already installed”，说明之前已经装过了，跳过即可。

第二步，安装Homebrew。为了加快速度，我建议设置国内镜像源（如果你在海外网络环境则无需处理），然后执行官方安装命令。不过要提醒一句：千万不要在root账户下直接运行Homebrew安装脚本，否则后续文件权限问题会让你头疼到怀疑人生。普通用户执行即可。

装完后验证：

bash复制brew --version

如果输出了版本号，说明基础环境OK。注意，如果你用的是Apple Silicon老Mac（M1/M2），Homebrew的安装路径是 /opt/homebrew，Intel Mac则是 /usr/local，后者和系统自带文件混在一起，更要小心权限问题。

4.2 安装Ollama并下载本地模型

Ollama是目前在Mac上跑本地模型最省心的方式，安装命令是：

bash复制brew install ollama

装完以后，需要把Ollama服务启动起来。如果你希望它一直在后台运行，可以用：

bash复制brew services start ollama

或者临时启动一次：

bash复制ollama serve

接下来下载模型。OpenClaw对模型的接口兼容性要求不高，只要Ollama能跑，OpenClaw就能通过HTTP接口调用。我选的是Qwen 2.5的7B指令版量化模型，命令如下：

bash复制ollama pull qwen2.5:7b

这一步会下载大概4.7GB的文件，取决于网络速度。如果你想更快验证流程，可以先用更小的模型，比如：

bash复制ollama pull llama3.2:3b

下载完成后，先手动跑一次测试，确认模型能正常回复：

bash复制ollama run qwen2.5:7b

输入一句“你好”，看到正常回复后按 /bye 退出。

4.3 安装并初始化OpenClaw

OpenClaw的安装方式取决于你拉取到的版本。我这边用的是npm方式：

bash复制npm install -g openclaw

这里有一个重要前提：Node.js版本必须足够新。我强烈建议用nvm管理Node版本，先安装nvm，再安装Node 20 LTS：

bash复制curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.zshrc
nvm install 20
nvm use 20

装完OpenClaw后，执行初始化命令：

bash复制openclaw init

初始化过程会引导你选择模型后端。这里要选“自定义/本地模型”或“Ollama”，不同小版本界面略有差异，但核心选项是一致的。初始化完成后，会在用户目录下生成 ~/.openclaw/ 文件夹，里面包含配置文件、日志目录和执行审批记录。

如果初始化时没有看到Ollama选项，也不要慌，后面可以直接改配置文件接入。

4.4 配置OpenClaw接入本地模型

OpenClaw的配置文件是JSON格式，我这边核心内容如下：

json复制{
  "model": {
    "provider": "ollama",
    "baseUrl": "http://127.0.0.1:11434",
    "modelName": "qwen2.5:7b",
    "temperature": 0.3,
    "maxTokens": 2048,
    "requestTimeoutSeconds": 120
  },
  "execution": {
    "approvalMode": "suggest",
    "maxStepsPerTask": 20
  }
}

几个关键参数解释一下：

• baseUrl：Ollama的本地服务地址，不要改成localhost，直接用127.0.0.1更保险；
• temperature：控制模型输出的随机性，跑自动化任务建议保持在0.2到0.4之间，太高容易让代理“发挥过头”；
• maxTokens：单次生成的最大token数，老Mac内存有限，设置成2048可以避免长期占用大量内存；
• approvalMode：命令审批模式，suggest表示每次执行命令前都先问我；
• maxStepsPerTask：单个任务允许的最大执行步数，防止代理陷入死循环。

改完配置后重启OpenClaw，然后跑一个最简单的任务验证连通性：

bash复制openclaw run "告诉我当前系统的基本信息"

正常情况下，OpenClaw会先调用模型生成思路，然后执行 system_profiler 之类的命令，在关键步骤前等我确认，最后汇总结果。

4.5 把整个流程封装成 install-openclaw.sh

手工跑通以后，我把上面所有步骤封装成了一个Shell脚本。下面是精简过的主干部分，你在自己机器上使用前，把变量按需调整即可：

bash复制#!/bin/bash
set -e

# 目标模型
MODEL_NAME="qwen2.5:7b"

echo "[1/6] 安装 Command Line Tools..."
xcode-select --install 2>/dev/null || true

echo "[2/6] 安装 Homebrew..."
if ! command -v brew &>/dev/null; then
  /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
fi
export PATH="/usr/local/bin:/opt/homebrew/bin:$PATH"

echo "[3/6] 安装 nvm 并切换 Node 20..."
if [ ! -d "$HOME/.nvm" ]; then
  curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
fi
export NVM_DIR="$HOME/.nvm"
[ -s "$NVM_DIR/nvm.sh" ] && . "$NVM_DIR/nvm.sh"
nvm install 20 || true
nvm use 20 || true

echo "[4/6] 安装 Ollama..."
if ! command -v ollama &>/dev/null; then
  brew install ollama
fi
brew services start ollama || true

echo "[5/6] 拉取本地模型 $MODEL_NAME ..."
ollama pull "$MODEL_NAME"

echo "[6/6] 安装 OpenClaw..."
npm install -g openclaw
openclaw init

echo "环境搭建完成，开始验证..."
openclaw run "你好，请回复：环境正常"

这个脚本我实际用了好几次，重点做了三件事：幂等处理（已经装过的组件自动跳过）、环境变量补全（避免找不到Homebrew或nvm）、错误中断（set -e保证任何一步失败就直接停下，方便排查）。如果你用的是zsh，记得把脚本里对 .bashrc 的引用改成 .zshrc，不然重启终端后nvm可能失效。

5. 跑起来以后怎么调：模型参数与性能优化

5.1 模型量化等级怎么选

老Mac上跑本地模型，量化等级直接决定模型占多大内存、生成速度多快。Ollama拉取的模型默认是Q4_K_M量化，这是性能和质量的平衡点。如果你内存特别紧张，可以找Q3或Q2量化版本，但输出质量明显下降，中文尤其明显；反过来，Q8量化版本能保留更多细节，但内存占用会高出近一倍。

以7B模型为例，Q4_K_M大约占4.5GB，Q8大概占7.5GB。16GB内存的机器跑Q4没问题，但跑Q8就容易吃紧。我的建议是：先用Q4跑通流程，确认OpenClaw能完成实际任务，再考虑要不要换更高精度的量化版本。不要一上来就追求最好的模型质量，先把链路跑通更重要。

5.2 上下文窗口与并发参数

OpenClaw在跑多步任务时，会把历史消息一起发给模型，因此上下文窗口占用会随着任务推进不断变大。在老Mac上这非常致命：一个20步的任务，如果每步都回传上下文，最后几轮生成速度会明显变慢。因此我建议把上下文长度限制在一个合理范围。

Ollama本身支持在运行时设置上下文窗口，可以通过环境变量控制：

bash复制OLLAMA_CONTEXT_LENGTH=4096 ollama serve

4096对OpenClaw的多步任务来说足够用，比默认的8192或16384节省不少内存。另外在OpenClaw配置中，也可以调低 maxTokens，避免单次输出过长导致内存峰值过高。

还有一个容易忽视的点：Ollama默认会并发处理请求，但在老Mac上并发等于灾难。建议通过环境变量限制并发数：

bash复制OLLAMA_NUM_PARALLEL=1

这样一次只处理一个请求，保证交互稳定。

5.3 实测表现与调优心得

在2019款Intel MacBook Pro上，Qwen 2.5 7B Q4量化模型的实际表现是这样的：简单问答的生成速度大约每秒8个token，多步任务中每步的响应时间在5到15秒之间。跑OpenClaw的“总结当前目录文件列表”这类任务，整个过程大概40秒，还算能接受。

调优中效果最明显的是这几项：

• 关闭所有非必要后台应用，尤其是浏览器和微信，能释放3到4GB内存；
• 把macOS的“自动切换GPU”功能关掉，避免任务负载高时系统自动降频；
• 用 htop 或活动监视器实时观察内存压力，一旦发现黄色或者红色，立刻缩小模型、减小上下文。

另外一个tip：如果OpenClaw在任务过程中卡住不动，很多时候不是模型挂了，而是命令审批在等你确认。因为OpenClaw默认不会在终端里打出明显的提示符，老Mac屏幕又小，很容易忽略。建议把 approvalMode 设置成 always 或者在自己的终端主题里把待确认状态高亮一下。

6. 老Mac上最容易踩的坑：问题排查实录

6.1 安装阶段的典型报错

报错一：node: command not found 或 command failed: npm install -g openclaw

原因基本都是Node.js没装或版本太老。先执行 node -v 确认版本，如果低于18，建议直接装nvm再装Node 20。不要用Homebrew强行升级系统自带Node，容易把系统依赖搞坏。

报错二：operation not permitted

多半是权限问题。检查你是否用了sudo执行命令。OpenClaw和Homebrew都不推荐用sudo安装，因为你本地跑AI代理，后面所有文件和命令都应该是当前用户权限。如果之前用了sudo导致文件归属混乱，可以执行：

bash复制sudo chown -R $(whoami) ~/.openclaw

把配置目录归属权改回来。

报错三：legacy exec approvals exist at ~/.openclaw/exec-approvals.json

这个提示我见过好几次，通常是OpenClaw升级后，旧版审批文件格式不兼容。处理方法很简单：先把旧文件备份，再让OpenClaw自动生成新的审批格式：

bash复制mv ~/.openclaw/exec-approvals.json ~/.openclaw/exec-approvals.json.bak
openclaw init

重新初始化后，之前记忆的执行权限会清空，需要重新审批一次。

6.2 启动与连接阶段问题

openclaw run 执行后报 ECONNREFUSED 127.0.0.1:11434，说明OpenClaw连不上Ollama。先确认Ollama是否在运行：

bash复制ollama list

如果提示could not connect，就手动跑 ollama serve 看有没有报错。常见原因是端口被其他程序占用，或者Ollama服务没起来。确认无误后，再检查OpenClaw配置里的 baseUrl 是否写对。

启动时报 model not found，说明配置的模型名和实际下载的不一致。用 ollama list 查看实际模型名称，比如你拉的时候叫 qwen2.5:7b，配置里就写 qwen2.5:7b，不要写成 qwen2.5-7b 之类。

6.3 系统层面干扰与安全提示

老Mac如果装过各种优化工具、清理软件，有时会弹出类似“未打开party.ape.helper，因其包含恶意软件”的提示。这通常是某些工具卸载不干净，把helper进程留在了系统里。遇到这类提示不要慌张，也不要随便从网上下载“修复工具”，正确做法是打开“系统设置-通用-登录项与扩展”，检查有没有可疑的后台进程，把它移除。同时检查“隐私与安全性”里的“允许从以下位置下载的App”，把未知来源选项调整为正常状态。

这种问题虽然不影响OpenClaw本身，但会让你的终端环境变得不稳定。我见过有人的Shell启动脚本被清理软件改过，导致nvm一直加不进去。排查时可以用一条命令检查你的Shell配置文件是否被改动：

bash复制vim ~/.zshrc

如果发现里面有不认识的内容，先备份再删掉。

6.4 常见问题速查表

7. 写在最后：老设备的新价值

折腾完这套OpenClaw环境，我最深的感受是：老Mac没你想的那么没用，本地AI也没你想的那么高门槛。关键是把预期放对位置——它不是用来替代云端大模型的，而是在你身边的、可控的、能实际干活的助手。

我现在每天用它做不少小事：整理临时目录里的文件、批量重命名、爬取网页正文转成Markdown、根据会议记录自动生成待办事项。这些任务都不需要多强的语言能力，但胜在数据全程不出本机，而且OpenClaw的命令审批机制让我对每一个操作都有掌控感。

最后分享一个小技巧：OpenClaw的配置目录不要一开始就乱动，先跑通一两个简单任务，熟悉它的日志输出和审批流程，再逐步增加技能插件。老Mac资源有限，不要一上来就堆一堆插件，每一个常驻技能都会占用额外内存。把这个环境当成一个可以随时重来的试验场，跑坏了就重新初始化，反而能让你更快摸清AI代理的运行逻辑。

如果你手头也有台吃灰的老Mac，不妨照着这篇文章搭一次。折腾的过程本身就是收获。