零成本部署openclaw：开源智能体接入微信飞书完整教程

如果你在2026年还觉得AI智能体是那种动辄几千块会员费才能玩转的玩意儿，那这篇教程就是来纠正这个印象的。我花了整整一个周末，用家里一台吃灰的旧电脑，把openclaw完整跑了起来，成功接上了微信和飞书，还让它替我写了三章悬疑小说开头。最关键的是，全程没花一分钱，连模型调用费用都是零。openclaw是一个开源智能体运行框架，你可以把它理解成一个拥有长期记忆、能调用工具、能接入聊天软件的数字助理，最大的特点是部署完全免费、模型可以走免费额度或本地模型，扩展性又足够强，官方生态里已经有大量现成skill可以白嫖。这篇喂饭级教程，我不只讲怎么装，还会把部署思路、模型选择、IM接入、skill编写、报错排查全部拆开讲，适合完全不懂代码的小白，也适合想拿它做二次开发的工程师参考。

1. 白嫖openclaw的三个前提：先把思路理顺再动手

1.1 先想清楚：你到底要拿openclaw干什么

很多人装这类框架失败，不是因为操作多难，而是根本没想清楚目标，一上来就跟着教程装一堆东西，最后连怎么算成功都不知道。我给你列几个最常见的用法，你对号入座：

• 个人助理型：让它帮你整理日程、查资料、写周报、回复简单消息
• 群聊机器人型：接入微信、飞书、钉钉群，7x24小时在线回答问题
• 写作搭子型：写小说、写文案、续写剧情，配合记忆功能保持前后文一致
• 知识库问答型：给它喂一批文档，让它基于文档内容回答问题
• API编排型：通过自定义skill，让agent调用你已有的接口，比如查天气、查订单、发通知

我自己的场景是“写作搭子+飞书群机器人”。一开始我也想做个人助理，但冷静下来后发现，助理类需求对稳定性要求很高，而写作类需求即便偶尔出错也无所谓，适合当第一个练手项目。我建议你也先选一个“出错损失小”的场景跑通，再逐步扩展。

1.2 零成本原理：哪些钱本来就不用花

“0元白嫖”不是噱头，而是这个项目本身的特性决定的。拆开看成本构成：

• openclaw本体：开源项目，代码仓库直接拉取，安装部署零费用
• 模型调用：有三种免费路径。一是国内大模型开放平台注册后赠送的免费token额度，二是各平台不定期推出的免费模型，三是用本地模型（比如通过Ollama跑开源模型）彻底不花网络调用费
• 服务器费用：如果你有现成的电脑、Mac mini、NAS，或者一台配置尚可的旧笔记本，完全不需要买云服务器。只有当你需要7x24小时公网访问时，才需要考虑云服务器，而很多云厂商对新用户有免费试用期
• 周边工具费用：Git、Node.js、Docker Desktop等全是免费开源软件，不存在必须付费的环节

顺便说一句，现在网上已经出现“openclaw一键部署工具终身会员特惠”之类的付费服务，定价从几十到几百都有，我实际看了下，就是把开源命令封装一下加上一个图形界面，收的是信息差费用。openclaw部署本身完全免费，买这种“终身会员”说白了就是交智商税。本文最后我会专门讲这个避坑点。

1.3 部署方式选型：四种路线怎么选

动手前要选部署路线。我测试了四种方式，直接给结论：

我个人建议：第一次玩，直接选第一种，在本机把全部流程跑通。如果你确定要长期使用，再花半天时间迁移到Docker或云服务器上。不要一上来就追求生产级部署，那是给自己增加不必要的挫败感。

2. 部署实操：从环境准备到启动成功的完整记录

2.1 环境准备：这步偷懒，后面全是坑

openclaw本质上是一个Node.js项目，运行环境是第一道门槛。很多安装失败都是因为Node.js环境没配好。我的建议版本是Node.js 18或20的LTS版本，太老或太新都可能出问题。在Windows上，到Node官网下载LTS安装包一路Next即可；macOS用户如果有Homebrew，直接执行 brew install node@20，然后记得把路径加进shell配置。

除了Node.js，Git也是必须的，Windows用户装Git时会自带Git Bash，后面很多命令用它执行会更顺手。如果你后续要跑本地模型，可以顺手把Python和Ollama装好，但不是必须的，没装也不影响openclaw本体运行。

这里有个真实案例：我一开始用的是Node.js 22，安装过程中没有报错，但启动openclaw时始终提示 oneclaw node runtime not found，排查了很久才发现是版本兼容性问题。换回Node.js 20 LTS后一切正常。所以如果你遇到类似报错，先检查Node版本，不要盲目去改配置文件。

还有一个细节容易忽略：Windows上如果你装了多个Node版本，或者曾经用nvm切换过版本，PATH里残留的旧路径会让openclaw找不到正确的运行时。安装完成后，建议在命令行里执行 node -v 和 npm -v，确认输出的版本是你期望的那个，再继续。

2.2 拉取项目并安装：不同的openclaw版本命令略有差异

openclaw的安装命令会随版本迭代发生变化，这是开源项目的常态。我这里给你一个通用流程，实际操作时以你拉取到的仓库README为准。基本步骤是：

bash复制git clone <openclaw项目仓库地址>
cd openclaw
# 方式一：直接安装依赖
npm install
# 方式二：很多版本提供一键安装脚本
./install.sh

安装过程中需要编译部分原生依赖，所以首次安装会比较慢，也可能需要安装Visual Studio Build Tools或Xcode Command Line Tools。如果你在Windows上遇到“node-gyp”相关错误，通常就是缺编译工具链，去微软官网装个Build Tools就能解决。

安装完成后，会在你的用户目录下生成一个 .openclaw 文件夹，里面存放配置、日志、数据等。项目本体和用户数据分离这个设计很好，升级版本时不会丢失你的记忆和配置。

2.3 用Docker部署：Mac mini和NAS玩家的首选

如果你打算用Mac mini或NAS来跑，Docker方式更干净。以Mac mini为例，先装好Docker Desktop，然后写一个简单的docker-compose配置文件：

yaml复制version: '3'
services:
  openclaw:
    image: openclaw/openclaw:latest
    container_name: openclaw
    ports:
      - "3000:3000"
    volumes:
      - ./openclaw-data:/root/.openclaw
    restart: unless-stopped

关键点在于 volumes 这一行，它把容器里的配置目录挂载到了宿主机，这样即使容器重建，数据也还在。我见过不少人部署Docker版openclaw后，一更新容器配置全没了，就是因为没挂载数据卷。

在 docker-compose.yml 所在目录执行 docker compose up -d，然后查看日志 docker logs -f openclaw，看到类似“service started”的日志就说明容器起来了。之后访问 http://localhost:3000 就能打开Web控制台。

如果你用的是飞牛NAS这类设备，Docker思路一样，只是需要在NAS的Docker管理界面里手动填写镜像名、端口映射和数据卷路径。端口冲突是NAS上最常见的报错，比如群晖自带的一些服务占用80端口，建议映射端口时避开常见端口。

2.4 初始化与启动：配置文件的几个关键字段

安装完成后，命令行执行 openclaw init 进行初始化，它会引导你填写配置。启动命令是 openclaw start。第一次启动会让你选择要接入的渠道（channel）和模型服务商，这一步看似简单，但很多人会在这里卡住。

默认的配置文件通常是 ~/.openclaw/config.json 或 .yaml，核心字段包括：

• model：主模型配置，包含服务商（provider）、API Key、模型名
• channels：要接入的IM渠道，比如wechat、feishu、dingtalk
• memory：长期记忆开关和向量库配置
• skills：启用的技能列表
• port：Web控制台监听端口

还有一个很容易被忽视的字段是“工作目录”。openclaw默认会设置一个workspace目录，用来存放它生成的文件、阅读的文档。如果你之后遇到“读取不了文档”的问题，十有八九是这个目录权限或路径没设对。建议把workdir设为一个独立的英文路径，比如 D:\openclaw-workspace，不要用带空格或中文的路径。

初始化完成后先不要急着接微信，先用命令行模式测试一下对话。执行 openclaw chat，输入一句“你好”，如果它能正常回复，说明核心链路已经通了。这一步非常重要，它把问题隔离在“框架本身”和“后续扩展”之间，减少排查范围。

3. 模型接入与免费额度配置：运行成本为0的关键

3.1 主模型选择：申请key、填对模型名的正确姿势

openclaw本身没有模型能力，它需要调用大模型的API。零成本的关键就是选对服务商。目前国内主流的大模型开放平台，普遍对新用户有免费token赠送，比如注册送额度、实名认证再送额度这类的政策，足够你折腾一两个月。常见的可选服务商有DeepSeek、通义千问、智谱、Kimi等，选择逻辑很简单：哪家新用户福利好、哪家你有现成账号，就先试哪家。

申请到API Key之后，在配置里填写。这里有一个最大坑点：模型名必须和你选的服务商完全一致。比如DeepSeek的对话模型，官方接口的模型标识可能是 deepseek-chat，如果你在配置里只写 deepseek，运行时会直接报 unknown model: deepseek。这个报错我在搜索引擎的记录里见过很多人问，最后基本全是模型名填错。建议去服务商的开发文档找到“模型列表”那一页，把模型标识原样复制粘贴。

配置格式大致长这样：

json复制{
  "model": {
    "provider": "deepseek",
    "apiKey": "sk-你的key",
    "model": "deepseek-chat"
  }
}

填完之后，命令行执行 openclaw test-model，如果有这个命令就直接测试，没有的话可以在 openclaw chat 里发一句消息验证。注意，API Key属于敏感信息，不要把它提交到公开仓库或截图发群里。配置文件夹权限尽量收紧。

3.2 免费额度的省钱玩法：白嫖党必须要懂的策略

免费token看着很多，但真跑起来消耗也快。我实测过，如果只是日常对话，几千条消息没问题。但如果让它跑长篇小说、反复读取大文档，token消耗会成倍上涨。这里分享几个省钱技巧：

• 把长文档拆成小段处理，文档检索式读取比整篇塞进上下文省得多
• 高频简单任务（比如自动回复、关键词提取）用便宜的小模型，复杂任务（写小说、代码生成）才用强模型
• 在配置里开启上下文截断或压缩，旧对话自动折叠
• 偶尔检查服务商后台的用量统计，发现异常消耗及时排查

这些细节加在一起，能让你的0元使用周期尽可能拉长。很多人的免费额度几天就烧完，不是应用场景吃token，而是没有做任何成本控制。

3.3 本地模型部署：彻底不花API费用的路线

如果你想彻底摆脱免费额度限制，可以走本地模型路线。用Ollama跑开源模型，比如qwen2.5系列、glm系列，然后让openclaw把本地模型作为推理后端。

具体操作：先安装Ollama，然后拉取模型：

bash复制ollama pull qwen2.5:7b
ollama serve

然后在openclaw配置里，把provider指向Ollama的本地接口：

json复制{
  "model": {
    "provider": "ollama",
    "baseUrl": "http://localhost:11434",
    "model": "qwen2.5:7b"
  }
}

这就是热词里“openclaw companion本地模型”的玩法。但我建议本地模型不要作为主力模型，因为7B甚至14B的模型，在复杂推理上明显不如云端大模型。更好的用法是：主模型用云端免费额度，本地模型作为辅助模型，比如给主模型过滤消息、做分类、提取关键信息，降低主模型的token消耗。

还有个思路是“混合架构”：日常群聊用本地小模型秒回，一旦识别到复杂任务，再自动切换云端大模型。openclaw的多模型配置支持这种玩法，后面会讲。

3.4 多模型配置与切换：不同场景用不同脑子

很多人以为openclaw只能绑定一个模型，其实它支持多模型配置，并且可以根据触发条件切换。这叫“模型路由”。我的配置里有三个模型：

在配置里为不同channel或不同skill绑定不同模型。比如在飞书群里，默认用本地模型秒回，因为群聊对速度敏感；在私聊窗口，用云端强模型保证回答质量；在写作skill里，指定用写作模型，保证文风稳定。

多模型切换还有一个隐藏价值：当某个API服务商临时故障或额度耗尽时，可以自动降级到备用模型，不至于整个agent瘫痪。切换模型时如果遇到 the agent run failed before producing a reply 这类错误，八成是当前模型服务商响应失败，检查API Key和额度即可。

4. 把openclaw拉进工作群：微信、飞书、钉钉接入实操

4.1 接入前的风险提示：个人账号要谨慎

把openclaw接入IM工具，是让它从“命令行玩具”变成“日常助理”的关键一步。但这里我要先泼一盆冷水：个人微信账号接入机器人，有被平台风控的风险，轻则限制登录，重则封号。我自己测试用的是专门注册的小号，大号坚决不碰。

更稳妥的方案是接飞书、钉钉这些对机器人友好得多的办公平台，它们本身就有完整的机器人开放接口。如果你只是自己用，飞书随便建个企业就能创建机器人；如果你要放到团队里用，直接走企业应用的流程即可。特别是热词里提到的“openclaw接入飞书”“openclaw接入钉钉”，说明这是很多人非常关心的功能，但实际配置难度其实比微信低很多。

4.2 微信接入：扫码登录与掉线问题

openclaw接入微信的主流方式是基于个人微信协议的模拟登录。在主配置里把channel设为wechat，然后启动openclaw，控制台会输出一个二维码，用手机微信扫码确认即可。整个过程和网页版微信扫码登录差不多。

这里有几个需要注意的点：

• 微信登录状态不是永久的，掉线后openclaw会在日志里提示，需要重新扫码
• 不要频繁切换设备登录，容易触发风控
• 如果同时用手机和openclaw登录同一个微信，有被踢下线的风险
• 建议在配置里把微信机器人自动回复的间隔调大一点，避免被识别为营销机器人

微信接入跑通后，你可以直接在微信里发消息给文件传输助手或聊天对象，openclaw会自动回复。群聊里@它也能触发回复，但默认只处理@消息或指定前缀的消息。

4.3 飞书接入：企业自建应用全流程

飞书接入的流程比微信规范得多。第一步，去飞书开放平台创建一个企业自建应用，拿到App ID和App Secret。第二步，给应用添加“机器人”能力。第三步，在“事件订阅”里配置回调地址，把openclaw暴露的webhook地址填进去。第四步，在openclaw配置里填写飞书应用的三件套：App ID、App Secret、事件订阅的Verification Token。

回调地址的格式取决于你的部署方式：

• 本机部署且没有公网IP：用内网穿透工具把本地端口映射成公网地址，然后把公网地址填到飞书后台
• 云服务器部署：直接填 http://你的域名或IP:端口/webhook/feishu
• Docker部署：同理，端口映射到宿主机后再填地址

飞书后台的事件订阅地址要求必须是公网能访问的HTTPS地址。如果配置了回调但飞书后台一直提示“请求失败”，先用浏览器直接访问一下这个地址，看能不能通，再检查openclaw日志。另外，如果后面换了端口或域名，记得同时改飞书后台和openclaw配置里的地址，两边不一致就会出现“消息能发但机器人不回复”的诡异现象。

钉钉的接入逻辑和飞书类似：创建企业内部应用、获取AppKey和AppSecret、配置机器人、把openclaw的webhook地址填到钉钉后台。区别在于钉钉主动回调用的是“Stream模式”，配置上略有不同。如果你只是想先体验一下，我更推荐飞书，因为它的机器人沙箱环境更轻量，也不需要企业认证。

5. 进阶玩法：Skill编写、写小说、长期记忆

5.1 Skill编写入门：让agent学会调用你的API

热词里有“openclaw 如何编写skill接入api”“openclaw skill”，这确实是openclaw最核心的扩展能力。Skill机制简单说就是：给agent准备一批工具函数，让它根据用户指令自动决定调用哪个。比如你有一个查天气的API，写一个skill，agent在对话里听到“北京天气怎么样”，就会自动调用这个API并组织回答。

一个skill通常由两部分组成：

• 描述文件（比如skill.yaml）：告诉agent这个skill是干什么的、有哪些参数、什么时候该调用
• 实现脚本（比如index.js或index.ts）：真正执行逻辑，最终返回结果给agent

以一个查天气skill为例，描述文件大概长这样：

yaml复制name: weather
description: 查询指定城市的实时天气
parameters:
  - name: city
    type: string
    required: true
    description: 城市名称，比如北京、上海

实现脚本：

js复制async function run(params) {
  const city = params.city
  const res = await fetch(`https://api.example.com/weather?city=${encodeURIComponent(city)}`)
  const data = await res.json()
  return `当前${city}天气：${data.weather}，气温${data.temperature}摄氏度`
}

module.exports = { run }

把这两个文件放到openclaw的 skills/weather 目录下，在配置文件里把这个skill加入启用列表，然后重启服务。有经验的朋友会告诉你：skill描述文件写得越清楚，agent判断“什么时候调用、调哪个”越准确，很多skill“失灵”不是代码写错，而是描述写得模棱两可。

编写skill时，尽量保持越短越好、功能单一。一个复杂任务拆成多个skill，比一个大而全的skill更稳定。比如“写小说”这个任务，可以拆成“设定生成”“大纲生成”“章节续写”三个skill，这样agent每一步都是轻量调用，体验会流畅很多。

5.2 用openclaw写小说：从人设到伏笔

“openclaw 写小说”能成为热词，说明很多人关心这件事。我实际测试下来，openclaw写小说不算惊艳，但配合记忆功能后，体验确实比纯网页对话强很多，因为它不会忘记前文。

写小说第一步是角色设定。在配置里给agent设定一个人设，或者通过聊天窗口告诉它“你是一个擅长写悬疑小说的作家，喜欢冷峻简短的文风”。然后给它一段世界设定，比如时间、地点、核心冲突。openclaw的上下文机制会把最近几轮对话作为记忆，所以每写一章之前，把最新剧情简单复述一遍，效果更好。

如果你希望它连载几十章，就必须依赖Active Memory（长期记忆）了。默认对话记忆是有限的，超过长度旧内容会被截断。开启长期记忆后，agent会把关键信息写入向量库，之后随时可以检索。举例来说，我让它写一个主角叫“林默”的侦探故事，在第3章埋了一个“旧怀表”的伏笔，到第12章我问它“林默的怀表有什么线索”，它能准确回答出来，这个体验真的接近一个靠谱的写作搭子。

写小说的另一个实用技巧：写一个“小说设定维护”skill，每次续写前自动读取设定文件，把角色关系、时间线、关键物品注入上下文。这样即使上下文窗口被刷新，核心设定也不会丢。

5.3 Active Memory长期记忆：让它越用越懂你

热词里有“openclaw active memory高阶指南：构建具备长期工作记忆的智能体”，这个功能值得单独讲。简单说，Active Memory让agent的记忆从“临时聊天记录”升级为“可检索的长期数据库”。

开启方式一般是在配置里启用memory模块，并指定一个向量数据库。openclaw默认支持轻量的本地向量存储，不需要额外部署，也支持接入更专业的向量库。开启后，每次对话中agent会把重要的信息抽取出来写入记忆库，后续对话中实时检索相关记忆注入上下文。

但这个功能不是越强越好。我实测发现，如果不做限制，agent会把大量无关信息都写入记忆库，导致检索时噪音很大，回答反而变慢甚至变傻。我的建议是：

• 根据自己的场景设置记忆写入条件，比如只记忆“用户明确要求记住的内容”
• 定期清理过期记忆，重要信息可以手工编辑记忆库
• 不要指望agent自动判断哪些是重要信息，在对话里明确告诉它“请记住：我的名字是xxx”效果最好

Active Memory配Skill是绝佳组合：用一个“记忆检索”skill来主动查询历史信息，既能精确控制记忆的读取范围，又不依赖模型自身在上下文中“回忆”。

5.4 OEC-Turbo、harness hermes等烧脑概念的简单理解

热词里出现“openclaw配置nvidia nim”“oec-turbo部署openclaw”“openclaw harness hermes对比”。这些其实都是在不同后端或框架里跑openclaw的玩法。NVIDIA NIM是英伟达的AI推理服务，可以在本地容器里跑模型，配置好之后openclaw通过NIM接口调用，好处是推理速度快、数据不出服务器。OEC-Turbo从命名看应该是某个更轻量的推理引擎或部署方案，如果你手头有相关的硬件或加速卡，可以对照官方文档尝试，效果会比纯CPU推理快很多。

至于harness，这是智能体框架里“执行层”的概念，相当于openclaw的对话循环管理器。不同harness在上下文管理、工具调用策略上各有取舍，普通人不需要深究，直接用默认配置就行。这类话题更适合对智能体架构有深入了解的人继续探索，属于进阶中的进阶方向。

6. 常见报错排查速查表：踩坑实录与修复方案

6.1 安装与启动阶段的报错

我在搜索引擎里看到高频问题都集中在启动阶段。以下是几个典型报错和对应解法：

6.2 对话阶段最常见的“agent failed before producing a reply”

这个报错是讨论区里出现频率最高的，几乎每天都有人问。它本身是一个“兜底”错误，意思是agent在生成回复之前就挂了，真正的原因有很多：

• API Key无效或已过期
• 模型名填错，比如 unknown model: deepseek 就是模型标识不匹配
• 免费额度用完，服务商返回401或403
• 网络不通，请求超时
• 配置里的某个skill执行时报错，导致整体流程中断

排查方法很简单：先用命令行 openclaw chat 直接测试，如果复现报错，重点看日志靠近末尾的原始错误信息。大多数情况下是模型配置问题，回到配置文件一项项核对。不要一看到“agent failed”就重新部署，那是浪费时间。

6.3 文档读取失败：路径、权限和格式的三重检查

热词里有“openclaw读取不了文档”，这个问题通常有三层原因：

• 路径问题：文件不在workdir目录下，或者路径里有空格、中文导致解析异常。解决方法是把文件放到配置的workdir里，并用英文命名
• 权限问题：Linux/macOS下目录权限不足。用 chmod -R 755 <目录> 放开读权限即可
• 格式问题：openclaw不是所有文件都能读。PDF需要文本型PDF，扫描件要先去OCR；docx需要文本提取能力。最稳妥的是转成txt或markdown再喂给它

另外还有一种情况：文件太大，远超上下文窗口。这时候不要整个文件塞进去，用“分段读取+总结”的方式，让agent生成摘要，再把摘要作为记忆保存。这个技巧在处理几十页的资料时特别有用。

6.4 虚拟机部署跑不起来？多半是网络模式问题

有热词提到“vm虚拟机安装openclaw”“kali linux openclaw”，说明不少人在虚拟机和Kali里折腾。虚拟机部署本身没问题，但有一个致命坑：桥接网络模式下虚拟机的IP和宿主机不同，如果你在openclaw配置里绑定了错误的IP，Web控制台和IM回调都会通不了。

我的建议是：虚拟机的网络适配器用“桥接模式”并确保能和宿主机互通；配置里监听地址写 0.0.0.0 而不是 127.0.0.1，这样外部才能访问到。Kali用户要注意，Kali默认以root身份运行桌面会话，会导致文件权限和普通Linux不同，openclaw的数据目录如果设置不当，重启后可能被清空或者无法读取，部署前先规划好数据目录位置。

6.5 避坑提醒：0元白嫖版请远离付费“终身会员”

网上“openclaw一键部署工具终身会员特惠，成都艾上办公科技有限公司”这类推广信息，本质上是把开源工具包装成付费服务。openclaw部署过程即便对小白，跟着我上面的教程，半天内也能跑通。所谓“一键部署工具”只是省去了你输入三条命令的时间，却要收几十上百甚至几百元的费用，而且“终身会员”这类词本身就很可疑——一个开源自托管框架，本地运行完全不受任何平台会员体系控制，哪来的“会员”一说？

我更担心的是另一种风险：这类第三方付费工具可能会在你的服务器或电脑里植入未知代码，而你自己无法审查。毕竟它是在你本机跑东西，安全边界完全暴露。我还是建议从官方仓库拉取代码，安装依赖，自己掌控每一个环节。这个项目的核心价值就是“自己折腾、自己维护、自己拥有”，花钱买第三方封装反而背离了初衷。

7. 最后几个实用建议：根据我自己的实操经验

这篇教程写到这里，核心内容基本讲完了。我再补几句个人体会，希望对你有帮助。

第一，先跑通最小可用闭环，再谈功能扩展。我第一次部署时犯的错就是同时配了微信、飞书、钉钉三个通道，还开了Active Memory和三个模型，结果启动报错一大堆，根本分不清是哪里的问题。后来我推倒重来：先命令行聊天，再接入一个IM，最后才逐步加skill。两个小时内就全跑通了。

第二，日志是最好的老师。openclaw启动后终端窗口会持续输出运行日志，出了问题不要慌，先翻日志。日志里每一条报错对应一行明确信息，把日志复制到搜索引擎里，大部分都有现成答案。我处理过的这几十个问题，没有一个是在日志之外找到答案的。

第三，备份很重要。openclaw的配置、记忆、skill都是普通文件，定期把它备份到网盘或U盘即可。我因为改配置手滑删过一次 .openclaw 目录，差点丢掉全部记忆，还好提前备份，才没从头开始。养成“大改动前先备份”的习惯，能省很多麻烦。

最后一个建议：把openclaw当成一个慢慢养成的助手，而不是一次装好就完事的工具。它是一个开源框架，每天都在迭代，新版本的模型支持、新skill、新channel都可能让你的使用体验大幅提升。花点时间看看更新日志，隔几个月升一次级，你会发现它越来越顺手。希望这篇教程能让你少走点弯路，顺利在2026年玩出一个属于自己的AI助理。