OpenCLaw与Ollama结合：本地部署大模型Agent服务的完整实操指南

我们先把标题拆开看：OpenCLaw是一个轻量级应用服务器（准确说是一个能编排agent的运行时），Ollama是把大模型跑在本地的模型运行时。这两个东西凑一起，你就能在自己电脑上部署一套完整的大模型应用服务——模型不出内网，agent按需调用，数据和推理链路全部本地闭环。

这篇文章把两件事串起来讲：第一步，把Ollama装好，让本地能跑起大模型；第二步，把OpenCLaw部署起来，通过它来调用Ollama里的模型，实现轻量级应用服务。整个链路适合三类人：一是想给团队内部搭一套私有化AI服务的运维或后端工程师，二是在研究agent编排、需要本地模型做后端的开发者，三是单纯被云端API价格和隐私折腾够了、想自己折腾一套本地大模型应用的玩家。

我会把安装、配置、联调过程中最容易踩的坑都标出来，尤其是Windows下PowerShell安装OpenCLaw时的目录问题、Ollama模型下载太慢的解决办法，以及OpenCLaw的exec-approvals审批机制该怎么理解。这些坑我基本都踩过一遍，写出来省得你再趟一遍。

1. 整体设计思路拆解：为什么是OpenCLaw + Ollama这套组合

1.1 先搞明白OpenCLaw在这套架构里的位置

很多人在网上搜到OpenCLaw，看名字以为是个普通Web服务器，其实不是。OpenCLaw本质上是一个Agent运行时服务器，它负责的事情是：加载agent配置、调用大模型、执行工具调用（比如读写文件、执行命令行、访问API），然后通过一个HTTP接口把能力暴露出去。

换成人话——它就是个帮你干活的总管，Ollama是它的“大脑”。

对比一下传统部署方式就清楚了：

这个架构最核心的设计思路是“模型与逻辑分离”。大模型纯粹通过Ollama的API提供服务，不关心上层业务逻辑；OpenCLaw负责调度和管理，不关心推理细节。哪怕你后面想换成其他模型（比如从qwen切换到deepseek），只需要改配置，不用动任何agent逻辑。

1.2 为什么选Ollama而不是直接跑Python推理

相比直接用transformers或者vLLM跑模型，Ollama的优势非常明显：

• 模型仓库化：拉取、升级、删除模型就是几条命令，不用自己管理权重文件
• 内存管理成熟：Ollama会自动做模型换入换出，低内存机器也能跑大模型
• OpenAI兼容接口：暴露的API基本兼容OpenAI格式，上面接什么程序都不别扭

我最开始是在一台只有16GB内存的笔记本上跑qwen3:8b，Ollama默认会在模型空闲一定时间后把权重从内存释放，这点比自己写推理脚本省心得多。

1.3 这套组合的适用边界

不要以为OpenCLaw + Ollama能替代Kubernetes那套微服务架构，它们是两个层面的东西。

OpenCLaw适合的是轻量级场景：个人开发机、团队内部工具、边缘设备上的智能服务。它的轻量体现在几个地方：安装简单（Windows下一个命令就装好）、配置集中在几个文件里、资源占用小（看门狗进程也就几十MB内存）。

但代价是：没有内置的负载均衡、没有多节点集群、高并发能力有限。如果你要支撑生产环境的超大访问量，还是得考虑用Docker Compose或K8s做集群部署。不过对于中小团队内部工具来说，这个组合的性价比已经非常高了。

2. Ollama本地化部署实操：安装、配置与模型准备

2.1 Windows和Linux环境下的安装差异

Ollama官方提供了Windows安装包，直接去官网下载安装就行。这里注意一件事：Windows版Ollama默认装的路径可能不是你想要的，如果想把模型文件和程序装到D盘，需要提前设置环境变量。

Linux下安装反而更简单：

bash复制curl -fsSL https://ollama.com/install.sh | sh

装完之后先验证一下：

bash复制ollama --version

看到版本号说明装好了。接着启动服务（Linux下服务默认是自动启动的）：

bash复制systemctl status ollama

这里有个细节：如果你是在内网环境没有外网，安装脚本可能跑不通，那就得去GitHub下载离线安装包了。

2.2 解决Ollama模型下载太慢的问题

这个是反复被人问的问题之一，我直接摆结论：Ollama默认从官方Registry拉模型，国内链路慢，解决办法是走镜像源。

以配置国内镜像源为例，Linux下编辑环境变量文件：

bash复制sudo mkdir -p /etc/systemd/system/ollama.service.d
sudo tee /etc/systemd/system/ollama.service.d/override.conf << EOF
[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_MODELS=/data/ollama/models"
EOF

Windows下把模型目录改到D盘的步骤：

1. 打开“系统属性” -> “环境变量”
2. 新建系统变量 OLLAMA_MODELS 值为 D:\ollama\models
3. 重启Ollama服务

下载慢还有一个隐藏原因：ollama在拉取manifest文件后需要下载多个layer层，每个layer单独从registry拉取，如果网络抖动会反复重试。遇到这种情况，建议先手动下载模型文件再本地导入，这是另外一个话题，后面会详细说。

2.3 模型选择与下载

Ollama模型仓库里有大量模型，关键看你的硬件条件：

拉取模型：

bash复制ollama pull qwen3:8b

这里再强调一下镜像源问题，如果国内拉取太慢，配置好上面的环境变量后，再去社区找可用的国内镜像源地址，这个方案实测有效。我试过最夸张的情况：直连基本不动，换镜像源后千兆宽带下几分钟就能拉完一个8B模型。

2.4 离线安装模型的补充方案

有时候公司内网完全隔离外网，这时候就得手动导入模型。前提是你在能联网的机器上准备好模型文件。

Ollama支持从GGUF文件直接导入：

bash复制ollama create mymodel -f Modelfile

Modelfile示例如下：

code复制FROM ./qwen3-8b-q4_k_m.gguf

这个方案其实很实用——很多团队在内部做模型选型时，会先用能上网的机器把各种模型文件准备齐，再走离线导入流程分发到内网机器。模型文件在HuggingFace上都能找到，搜GGUF格式即可。

3. OpenCLaw部署与配置：从安装到接入Ollama

3.1 Windows下安装OpenCLaw的几个关键细节

官方推荐Windows下用PowerShell安装：

powershell复制irm https://raw.githubusercontent.com/openclaw/openclaw/main/install.ps1 | iex

这里就要提到热词里大家一直在问的问题：PowerShell安装OpenCLaw能指定目录吗？

实测是可以的。install.ps1支持通过环境变量指定安装路径：

powershell复制$env:OPENCLAW_HOME = "D:\openclaw"
irm https://raw.githubusercontent.com/openclaw/openclaw/main/install.ps1 | iex

安装完成后，OpenCLaw的工作目录默认在 ~/.openclaw/ 下（Windows就是C:\Users\你的用户名\.openclaw\）。如果你想指定workspace目录，在配置文件里调整就行。

Linux下安装更直接：

bash复制curl -fsSL https://raw.githubusercontent.com/openclaw/openclaw/main/install.sh | bash

装完之后验证：

bash复制openclaw --version

3.2 OpenCLaw 2.0核心配置文件逐一拆解

OpenCLaw 2.0的配置集中在config.toml里。第一次初始化时它会生成默认配置，我建议你先跑一遍初始化流程再手动改。

登录认证配置，多用户可以共用一套：

toml复制[server]
host = "0.0.0.0"
port = 8080

[security]
secret = "设置一个高强度的secret"

接下来是关键的Agent路由配置。OpenCLaw允许配置访问Ollama的方式，这个也是标题里“接入Ollama”的关键点。OpenCLaw原生支持OpenAI兼容接口，而Ollama恰好提供了这个兼容层，所以你在配置里填Ollama的地址即可：

toml复制[providers.ollama]
base_url = "http://127.0.0.1:11434/v1"
api_key = "ollama"  # Ollama的OpenAI兼容接口不需要真实key，随便填一个就行

配置好之后，agent层面再指定默认模型：

toml复制[agent.default]
model = "qwen3:8b"
provider = "ollama"

这样OpenCLaw就会把agent的推理请求转发给Ollama，所有对话、工具调用都是由本地模型来跑的。

3.3 workspace目录与exec-approvals的初始化

很多人第一次看到这行提示会懵：

code复制legacy exec approvals exist at /root/.openclaw/exec-approvals.json. run `openclaw migrate`

这实际上是OpenCLaw的权限审批机制。它的逻辑是：agent在执行命令、调用工具之前，需要经过审批。默认情况下，你可以预先批准一部分规则匹配的命令，避免每次执行都被打断。

这个文件在.openclaw/目录下，新版OpenCLaw会提示你迁移到新的格式。直接执行：

bash复制openclaw migrate

就会把老的审批记录迁移到新版配置里。如果你不想被审批机制折腾，可以在配置里设置：

toml复制[agent]
auto_approve = true

但生产环境我不建议这么做，agent执行命令前有一道人工审批环节，能挡掉不少操作事故。

Windows下workspace默认在C:\Users\用户名\.openclaw\workspace。如果你希望OpenCLaw只操作某个目录，可以设置sandbox目录：

toml复制[agent]
workspace = "D:\work\openclaw-space"

OpenCLaw的skill机制也值得提一句，它允许把一些重复操作封装成可复用的技能模板，跟agent配合起来很好用。不过默认配置下不需要额外启用，按需添加即可。

3.4 启动服务并验证整体链路

配置完成后，启动OpenCLaw：

bash复制openclaw serve

看到类似这样的日志输出说明服务起来了：

code复制INFO server listening on http://0.0.0.0:8080

然后验证一下OpenCLaw是否能正常访问Ollama。在终端里单独测一下Ollama的接口：

bash复制curl http://127.0.0.1:11434/v1/models

如果返回了模型列表，说明Ollama侧没问题。接着用OpenCLaw提供的CLI发起一次对话：

bash复制openclaw chat --model qwen3:8b --message "你好，用一句话介绍你自己"

如果返回了模型回答，说明整条链路已经打通。这时候你在局域网内其他电脑上，通过http://服务器IP:8080就能访问到这个本地化的AI服务了。

4. 常见问题与排查技巧

4.1 问题速查表

我把实际部署中最高频的几个问题整理成一张表，方便你对照排查：

4.2 我对Windows安装OpenCLaw的补充经验

Windows下安装OpenCLaw整体顺利，但有几个坑值得单独说。

第一，PowerShell执行策略可能拦截安装脚本，上面表里已经写了解决办法。第二，安装完成后不要直接切换到其他终端去跑openclaw，我建议新开一个PowerShell窗口，确保环境变量生效。第三，Windows Defender可能把OpenCLaw的某些插件文件当可疑程序处理，需要手动加白名单。

另外补充一个我自己的操作习惯：在Windows上，我会额外用--workspace指定一个非系统盘的工作目录。因为agent跑起来之后会创建很多临时文件、日志，放在C盘容易越滚越大，放到数据盘上清理和维护都方便。

4.3 Ollama服务与OpenCLaw的启动顺序

严格来说，OpenCLaw会在调用模型时动态连接Ollama，所以不要求你先启动Ollama再启动OpenCLaw。但我建议固定顺序：先Ollama，后OpenCLaw。

原因很简单——Ollama首次加载模型需要时间，如果你先启动OpenCLaw，然后立刻测试对话，前几次请求可能因为模型还没加载完而报超时，容易误判为配置问题。先启动Ollama并用curl确认模型可用，再启动OpenCLaw，整个验证链路会顺畅很多。

4.4 Ollama国内镜像源的排查心得

我在2.2节提到了镜像源，这里再补充一些实际经验。镜像源不是越多越好，很多镜像源时效性很短，过期之后反而拖慢下载速度。我的做法是：

1. 先在官方registry拉一次，观察下载速度，如果速率长期低于100KB/s就不要等了
2. 切换到可用的镜像源，拉取时观察日志
3. 拉取完成后立刻把代理或镜像配置备注记录一下，防止下次重装找不到

还有一个细节：Ollama的下载缓存目录默认在/root/.ollama/models或Windows的C:\Users\用户名\.ollama\models。如果你换了镜像源之后还是慢，检查一下是不是旧缓存文件太多占满了磁盘，或者内存不足导致下载进程被系统降速。

5. 扩展场景与下一步玩法

5.1 把OpenCLaw接入到团队内部工具链

部署完OpenCLaw + Ollama后，这套服务可以接很多业务场景。比如团队内部的知识库问答——把文档丢进workspace，让agent基于本地模型做检索和问答；再比如自动化运维脚本执行——通过OpenCLaw暴露的HTTP API，写一个简单的Web界面，让同事通过网页发起命令执行。

OpenCLaw 2.0的API是RESTful风格的，调用起来非常直接：

bash复制curl -X POST http://127.0.0.1:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer 你的secret" \
  -d '{
    "model": "qwen3:8b",
    "messages": [{"role": "user", "content": "帮我列出当前目录的文件"}]
  }'

注意，这里的API格式和OpenAI也是兼容的，意味着现有对接过OpenAI服务的代码不用大改就能切到本地模型上。

5.2 从单一模型到多模型切换

配置了Ollama之后，你可以在里面同时存多个模型。OpenCLaw配置里可以通过不同的agent定义来绑定不同模型。比如：

• 日常对话agent用qwen3:8b
• 代码生成agent用deepseek-coder
• 轻量分类agent用qwen3:0.6b

这样一套服务可以同时服务不同场景，不用来回拉模型。qwen3-embedding-0.6b这种小模型特别适合嵌入场景，做语义检索的时候效果很稳，而且速度快、占用小。

5.3 大模型联网能力与工具调用

之前有人在热搜里问本地化大模型怎么联网——这个问题的标准答案就是通过agent层解决。

在OpenCLaw里，加一个联网能力其实是在agent配置里加skill或tool：

toml复制[[agent.tools]]
name = "web_search"
config = { engine = "bing", max_results = 5 }

配置好之后，模型本身不“联网”，但OpenCLaw会在模型需要时调用web_search工具，搜索然后把结果喂给模型。这种方式比让模型直接联网更可控、也更安全——你可以审计它搜了什么、拿了什么内容。

我做测试的时候最常用的一种套路是：让agent先搜索关键词，再结合Ollama模型做信息整理，最后输出一份结构化报告。整个流程全自动化，效果比单纯问模型靠谱得多，因为搜索出来的内容是实时的，模型不会被训练数据的时间截断限制住。

5.4 后续还可以怎么玩

如果你对这套组合的稳定性要求更高，可以考虑把OpenCLaw和Ollama放进Docker容器里跑，用docker-compose统一管理，日志、资源隔离、迁移都会省心很多。我个人的建议是：先在本机把整套链路跑通，再容器化，不要一上来就上容器——因为初期配置改得很频繁，容器反而不方便热调试。

另外，我强烈建议你在config.toml里把日志级别调成debug，跑一遍完整流程观察日志输出。这不只是为了排查问题，更重要的是能让你直观理解agent从接收指令到调用模型、再到执行工具的完整调用链。理解了这条链路，后续做任何功能扩展都会轻松很多。

最后再分享一个实操小技巧

聊了这么多，最后说一个我实际操作中觉得特比有用的细节：Ollama和OpenCLaw的联调阶段，不要急着写业务代码，先把API链路验证干净。

具体做法很简单：装完Ollama拉好模型后，先用curl把所有API都摸一遍——模型列表、对话补全、embedding接口；然后启动OpenCLaw，再curl它的接口。两层都通了，再去写agent逻辑，这样出问题时你一眼就能判断是模型层的问题还是agent层的问题，不用来回猜。

我第一次部署的时候就是没做这步，OpenCLaw界面里模型一直不响应，我以为是OpenCLaw配置错了，折腾了大半天，最后才发现是Ollama服务崩了，进程没起来。先验证底层API，这个习惯帮我后面省了无数时间。

这套OpenCLaw + Ollama的轻量级本地化部署方案，最舒服的地方在于它把“AI能力”和“AI调度”拆开了，每一层都能独立替换和升级。模型不行就换模型，agent逻辑不行就改agent逻辑，互不干扰。如果你是第一次搭建本地大模型应用服务，跟着这篇文章一步一步来，顺利的话半小时内就能跑起来一个可用的服务。