本地AI自由!OpenClaw + Ollama 全离线部署实战手册 (Windows版)

厌倦了云端AI的Token计费焦虑和隐私泄露风险?想拥有一位完全听命于你的本地AI助手?本文将手把手教你,无需深厚编程基础,只需跟随步骤执行命令,即可在个人电脑上搭建属于你的全功能AI Agent。

核心优势零费用:无需API Key,彻底告别按量付费。强隐私:数据全程本地处理,断网也能流畅使用。高自由:随心切换Qwen、GLM等顶尖开源模型。

️ 第一阶段:环境准备(地基搭建)

在开始之前,请以管理员身份打开 PowerShell (按下 Win + X 选择)。这是我们接下来的操作中心。

1. 安装 Node.js (v18+)

Node.js 是 OpenClaw 的运行环境,安装它时 npm 会自动就位。

  1. 访问 Node.js 官网,下载 LTS (长期支持) 版本的 Windows 安装包 (.msi)。
  2. 双击运行安装程序。关键步骤:在自定义安装界面,务必勾选 Add to PATH
  3. 一路 Next 完成安装。

验证:在 PowerShell 中输入以下命令,若显示版本号(如 v18.x.x),则成功。

node-vnpm-v

2. 安装 Git

Git 用于管理代码和扩展技能,是生态的重要组成部分。

  1. 访问 Git 官网 下载 Windows 版安装包。
  2. 运行安装程序,建议保持所有默认选项,特别是确保将 Git 添加到系统 PATH 中。

验证:在 PowerShell 中输入命令,若显示版本信息则成功。

git--version

️ 第二阶段:部署 Ollama (本地模型引擎)

Ollama 是你的本地模型管家,负责承载AI的“大脑”。

1. 安装与配置

  1. 访问 Ollama 官网 下载 Windows 版本并安装。
  2. 环境变量配置 (推荐):为了让模型响应更快,避免重复加载,建议设置模型常驻内存。
    • 按下 Win 键,搜索“环境变量”,点击「编辑系统环境变量」 -> 「环境变量」。
    • 在“系统变量”中点击「新建」:
      • 变量名OLLAMA_KEEP_ALIVE
      • 变量值24h

2. 下载核心模型 (解决“找不到模型”问题的关键)

很多用户报错 file does not exist 是因为模型标签过旧或拼写错误。请使用以下绝对可用的命令:

  1. 验证:下载完成后,看到 >>> 符号即代表模型已在本地运行。

备选方案 (国内镜像)
如果官网下载速度慢或失败,可以尝试国内开发者维护的镜像:

ollama run dengcao/qwen:8b-q4_0 

首选通用命令 (推荐)
直接运行以下命令,Ollama 会自动匹配并下载一个性能均衡的量化版通义千问模型(约5-6GB)。

ollama run qwen:8b-instruct-q4_K_M 
解释q4_K_M 是目前兼容性最好的量化格式,在8GB显存的设备上也能流畅运行,完美替代了你之前遇到问题的 q4_0

第三阶段:部署 OpenClaw (AI Agent 核心)

OpenClaw 是AI的大脑,它将利用 Ollama 提供的模型能力,执行复杂的任务自动化。

1. 安装 OpenClaw

在 PowerShell 中执行以下命令进行全局安装:

npminstall-g openclaw 

若安装速度慢,可先切换国内源:npm config set registry https://registry.npmmirror.com

验证

openclaw --version 

2. 初始化与配置

  1. 初始化向导
openclaw onboard 
  1. 在交互式向导中,除模型配置外可一路回车。当询问是否配置模型时,选择 Skip for now (稍后手动配置)。
  2. 手动对接 Ollama
    依次执行以下三行命令,告诉 OpenClaw 如何连接本地的 Ollama。注意:第三行的模型名必须与 ollama list 中显示的完全一致。
openclaw config set models.providers.ollama.apiKey "ollama-local" openclaw config set models.providers.ollama.baseUrl "http://localhost:11434/v1" openclaw config set models.default "ollama/qwen:8b-instruct-q4_K_M" 
  1. 重启生效
openclaw restart openclaw gateway start 

第四阶段:启动与验证 (见证奇迹)

1. 获取访问令牌

在 PowerShell 中执行,生成并复制你的登录令牌:

openclaw token generate 

2. 打开 Web 控制台

  1. 打开浏览器,访问:http://localhost:18789/
  2. 粘贴刚才复制的令牌,点击登录。

3. 开始对话

在输入框中输入:“你好,本地助手!”,如果收到流畅回复,恭喜你,部署成功!现在你可以断开网络测试,它依然能工作。


️ 附录:常见问题与避坑指南

问题现象解决方案
拒绝访问 / 权限不足请务必右键点击 PowerShell,选择 “以管理员身份运行” 后再执行命令。
node 不是内部命令Node.js 安装时未配置环境变量。请重装 Node.js,并勾选 Add to PATH
拉取模型速度极慢使用国内镜像命令 ollama run dengcao/qwen:8b-q4_0,或开启代理工具。
模型上下文太小请务必使用 q4_K_M 等量化版本,它们通常已包含足够的上下文窗口(约32K)。

** 进阶提示**:
部署完成后,你可以在控制台安装“文件处理”、“浏览器控制”等插件,让你的本地AI助手帮你自动整理下载文件夹、查询资料,真正解放生产力!

Read more

SmolVLA实操手册:基于lerobot/smolvla_base的机器人动作预测全流程

SmolVLA实操手册:基于lerobot/smolvla_base的机器人动作预测全流程 想让机器人听懂你的话,看懂周围环境,然后自己动起来吗?听起来像是科幻电影里的场景,但现在,一个叫SmolVLA的模型就能帮你实现。它就像一个给机器人装上的“大脑”,让机器人能看、能听、能思考,最后还能执行动作。 你可能觉得这种技术一定很复杂,需要昂贵的硬件和深奥的编程。但SmolVLA恰恰相反,它被设计得小巧高效,专门为了让机器人技术变得更亲民、更容易上手。今天,我们就来手把手教你,如何从零开始,玩转这个基于lerobot/smolvla_base模型的机器人动作预测系统。 1. 从零开始:快速部署你的机器人“大脑” 别被“模型部署”这个词吓到,整个过程比你想象的要简单得多。我们假设你已经在一个支持Python和GPU的环境里(比如一台有NVIDIA显卡的电脑或云服务器),接下来只需要几步。 1.1 环境准备:打好基础 首先,确保你的电脑环境已经就绪。SmolVLA需要一些基本的Python库来运行。打开你的终端或命令行工具,我们一步步来。 最核心的是安装LeRobot框架,这是

智能家居物联网平台

智能家居物联网平台

智能家居物联网平台 基于微服务+微信小程序实现的物联网平台,目前处于软件实现阶段:模拟了智能灯和温湿度感应器的使用状态,后续打算基于STM32制作硬件并接入,接入硬件后会将微信小程序改成Android版本 Gitee地址:仓库链接 技术栈 后端 * JDK:21 * Spring Boot:3.2.5 * Spring Cloud:2023.0.1 * Spring Cloud Alibaba:2023.0.1.0 * Spring Data JPA * Nacos:2.5.2 * MQTT * WebSocket 数据库 * MySQL:8.0 * Redis:6.2.x * Influxdb:2.8.

开源:AI+无人机巡检系统项目调研

主流开源AI无人机巡检项目调研 本部分系统梳理了当前主流的开源无人机巡检相关项目,涵盖飞控系统、地面站软件、AI视觉识别、数据处理等多个技术栈,为商业化产品开发提供技术选型参考。 一、飞控与地面站开源项目 1.1 PX4 Autopilot 项目地址:github.com/PX4/PX4-Autopilot 开源协议:BSD 3-Clause 项目简介:由Dronecode基金会(Linux基金会旗下)维护的专业级开源自动驾驶仪软件,是全球最广泛使用的无人机飞控系统之一。支持多旋翼、固定翼、垂直起降等多种机型,广泛应用于工业无人机和科研领域。 核心能力:飞行控制、任务规划、传感器融合、MAVLink通信协议、硬件抽象层、模块化架构 1.2 ArduPilot 项目地址:github.com/ArduPilot/ardupilot 开源协议:GPLv3 项目简介:历史最悠久的开源自动驾驶仪项目,社区活跃度极高。

一文说清FPGA如何实现高速数字信号处理

FPGA如何“硬刚”高速数字信号处理?从电路思维讲透设计本质 你有没有遇到过这样的场景: 一个实时频谱监测系统,要求每秒处理2.5亿个采样点,CPU跑得风扇狂转却依然延迟爆表; 或者在5G基站中,需要对上百路信号同时做滤波、变频和FFT——传统处理器根本扛不住这数据洪流。 这时候,工程师往往会说出那句经典台词:“这个任务,得用FPGA来搞。” 但问题是: 为什么是FPGA?它凭什么能“硬刚”这么猛的数字信号处理(DSP)任务? 今天我们就抛开那些教科书式的罗列与套话,从真实工程视角出发,把FPGA实现高速DSP这件事,掰开了揉碎了讲清楚。不堆术语,不画大饼,只说你能听懂、能上手、能优化的硬核逻辑。 一、别再拿CPU那一套想问题:FPGA的本质是“把算法变成电路” 我们先来问一个关键问题: 同样是执行 y = a * x + b 这个表达式,CPU 和 FPGA 到底有什么不同? * CPU :取指令