ClawdBot保姆级部署指南：零配置运行Telegram全能翻译机器人

Ne0inhk

— 13 min read

ClawdBot保姆级部署指南：零配置运行Telegram全能翻译机器人

你是否试过在 Telegram 群里发一条中文消息，想让外国朋友立刻看懂，却要先复制、切到翻译 App、再粘贴、再发回群？又或者收到一张模糊的菜单图，想快速知道价格和菜品，却得手动打字识别？更别说语音留言听不清、汇率临时查不到、天气预报找不到入口……这些日常小痛点，本不该消耗你的时间。

ClawdBot 不是另一个“概念型”AI项目。它是一个真正能装进你本地设备、开箱即用、不依赖云服务、不上传隐私数据的个人 AI 助手。而它的核心能力，正由 vLLM 高效驱动——这意味着你在树莓派上也能跑起 4B 级别大模型，响应快、显存省、推理稳。它不追求参数堆砌，只专注一件事：把复杂技术藏在背后，把简单好用交到你手上。

但今天这篇文章，我们不聊架构设计，也不讲模型微调。我们要一起完成一件非常实在的事：5 分钟内，在你自己的机器上，跑起一个真正能翻译语音、识别图片、查天气、换汇率、还能自动响应群聊的 Telegram 全能翻译机器人。全程无需改一行代码，不用配环境变量，连 Docker 镜像都已打包好——你只需要一条命令，和一点耐心读完这篇指南。

1. 为什么是 ClawdBot + MoltBot？不是别的方案？

在动手前，先花两分钟理清一个关键问题：市面上已有不少 Telegram 翻译 Bot，为什么还要自己部署一套？答案就藏在三个词里：多模态、零配置、真离线。

1.1 它解决的不是“能不能翻”，而是“怎么翻得自然又全面”

很多 Bot 只做文字翻译，且严重依赖 Google 或 DeepL 的在线 API。一旦网络波动、API 限频、或地区屏蔽，整个功能就瘫痪。而 ClawdBot 背后的 MoltBot，从设计第一天起就拒绝“裸奔上云”：

  • 双引擎 fallback：默认走 LibreTranslate（开源、可自建），自动降级到 Google Translate（需配置 token）；翻译失败不报错，只默默换路。
  • 语音不靠上传：收到语音消息后，Whisper tiny 模型在本地实时转写，0.8 秒内完成“语音 → 文字 → 翻译”全链路，全程不触网。
  • 图片不传云端：PaddleOCR 轻量版直接在容器内识别图中文字，支持中/英/日/韩等 20+ 语言混排，识别完立刻翻译，无第三方 OCR 接口调用。
  • 不只是翻译：/weather 上海 返回实时温度与空气质量；/fx 100 USD to CNY 显示最新汇率；/wiki quantum computing 直接返回维基摘要——所有这些，都在同一个 Bot 里完成，无需切换多个工具。

1.2 “零配置”不是宣传话术，是真实体验

所谓零配置，是指你不需要：

  • ❌ 手动安装 Python 环境、编译 Whisper、下载 OCR 模型权重；
  • ❌ 修改 5 个配置文件、填 12 个 API Key、调试 WebSocket 连接超时；
  • ❌ 在 Telegram 开发者后台反复验证域名、设置 Webhook、处理 HTTPS 证书。

MoltBot 提供的是一个完整封装的 docker-compose 包：300 MB 镜像内已预置：

  • vLLM 推理服务（监听 http://localhost:8000/v1）
  • Whisper tiny（CPU 友好，树莓派 4 实测 1.2s/条）
  • PaddleOCR ch_ppocr_server_v2.0（支持竖排、模糊、低光照场景）
  • Telegram Bot SDK + 自动 polling 模式适配（国内网络友好）

你唯一要做的，就是复制粘贴一条命令，然后等待镜像拉取完成。

1.3 隐私不是选项，是默认行为

ClawdBot 默认开启“阅后即焚”模式：每条消息处理完即从内存清除，不落盘、不记录会话历史、不上传任何原始内容。你可以通过配置一键启用 SOCKS5 代理，把整个服务部署在国内服务器上，Telegram 流量经代理出海，而模型推理、OCR、语音转写全部在本地闭环完成。

这不仅是技术选择，更是使用逻辑的根本转变——AI 应该为你服务，而不是让你为 AI 提供数据。

2. 5 分钟部署实操：从空白系统到 Telegram Bot 上线

现在，让我们真正开始。以下步骤已在 Ubuntu 22.04、Debian 12、macOS Sonoma（Intel/M1）、树莓派 OS（64-bit）实测通过。全程无需 root 权限（除 Docker 安装外），不修改系统全局配置。

2.1 前置准备：确保基础环境就绪

请在终端中依次执行以下检查（若已安装可跳过）：

# 检查 Docker 是否安装（推荐 24.0+） docker --version # 若未安装，Ubuntu/Debian 执行： curl -fsSL https://get.docker.com | sh sudo usermod -aG docker $USER # 退出终端重登，或执行：newgrp docker # 检查 docker-compose（v2.20+） docker-compose --version # 若未安装，执行： sudo apt install docker-compose-plugin # Ubuntu/Debian # 或 macOS：brew install docker-compose
小提示：如果你用的是 Windows，建议使用 WSL2（Ubuntu 22.04），而非 Docker Desktop。后者在资源调度和端口映射上偶有异常，而 WSL2 下体验完全一致。

2.2 一键拉起服务：3 行命令搞定

创建一个空目录，进入后执行：

# 1. 下载官方 docker-compose.yml（含所有服务定义） curl -O https://raw.githubusercontent.com/moltbot/moltbot/main/docker-compose.yml # 2. 启动全部服务（含 vLLM、ClawdBot、Telegram Bot） docker-compose up -d # 3. 查看启动日志，确认无 ERROR docker-compose logs -f clawdbot | grep -E "(started|ready|listening)"

你会看到类似输出：

clawdbot-1 | 🦞 Clawdbot 2026.1.24-3 — Gateway listening on http://0.0.0.0:18780 clawdbot-1 | 🦞 ... UI dashboard ready at http://localhost:7860 vllm-1 | INFO 01-24 10:22:33 api_server.py:192 -- Started server process 1

此时，vLLM 已加载 Qwen3-4B-Instruct 模型，ClawdBot 主进程已就绪，Telegram Bot 正在轮询新消息——但你还不能直接使用它。因为 Telegram 要求每个 Bot 必须先完成“设备授权”，这是安全机制，无法跳过。

2.3 设备授权：3 步解锁 Telegram 访问权限

ClawdBot 采用“设备配对”机制替代传统 token 注册，更安全，也更适合个人部署。操作如下：

步骤 1：列出待批准的设备请求
# 进入容器执行命令（无需记容器名，用服务名即可） docker-compose exec clawdbot clawdbot devices list

输出类似：

ID Status Created At Last Seen a1b2c3d4-e5f6-7890-g1h2-i3j4k5l6m7n8 pending 2026-01-24 10:25:33 -

只要看到 pending 状态，说明 Telegram 已检测到你的 Bot，正在等待你确认。

步骤 2：批准该设备

将上一步中的 ID 替换到下面命令：

docker-compose exec clawdbot clawdbot devices approve a1b2c3d4-e5f6-7890-g1h2-i3j4k5l6m7n8

成功后会显示：

 Device approved. You may now use the dashboard and Telegram channel.
步骤 3：获取 Dashboard 访问链接
docker-compose exec clawdbot clawdbot dashboard

输出中会包含类似内容：

Dashboard URL: http://127.0.0.1:7860/?token=23588143fd1588692851f6cbe9218ec6b874bb859e775762 Then open: http://localhost:7860/
注意：如果你在远程服务器（如云主机）上部署，需用 SSH 端口转发：

然后在本地浏览器打开 http://localhost:7860 即可。

打开链接后，你将看到一个简洁的控制台界面，左侧导航栏清晰标注“Config”、“Models”、“Channels”、“Logs”。至此，你的 ClawdBot 已完全激活，Telegram Bot 也已获得通信许可。

3. 核心功能验证：亲手测试语音、图片、文字翻译

光看状态页不够，我们来实打实验证三大核心能力。请提前在 Telegram 中搜索并关注你的 Bot（Bot 名称形如 @yourname_moltbot_bot，具体名称可在 Dashboard 的 Channels → Telegram 页面查看）。

3.1 文字翻译：群聊 & 私聊双模式自动识别

  • 私聊测试：直接给 Bot 发送任意中文句子，例如：
    你好，今天上海的天气怎么样？
    它会秒回英文翻译，并附带 /weather 上海 按钮（点击即查）。
  • 群聊测试：在任意群中 @yourname_moltbot_bot こんにちは、元気ですか？
    Bot 会自动识别日语源语言，翻译成中文，并标记 [JA→ZH]。无需加 /translate 命令，真正“所见即所得”。
技术细节：ClawdBot 内置 fasttext 语言检测模型，对短文本准确率 >98%，且支持混合语言（如“Hello 你好 world”）分段识别。

3.2 语音翻译：本地 Whisper，不传一秒音频

找一段 5 秒内的中文语音（可用手机录制），在 Telegram 中以“语音消息”形式发送给 Bot。

几秒后，你会收到两条回复：

  1. 文字转写结果：“今天要去超市买牛奶。”
  2. 翻译结果："I'm going to the supermarket to buy milk today."

整个过程不经过任何外部服务——音频文件在容器内被 FFmpeg 解码，送入 Whisper tiny 模型，再由 Qwen3 模型润色翻译。你甚至可以在 docker stats 中观察到 whisper 容器的 CPU 短暂飙升，这就是它在“思考”。

3.3 图片 OCR 翻译：菜单、路标、截图一图搞定

发送一张含文字的图片（推荐手机拍的餐厅菜单、地铁站牌、PDF 截图）。Bot 会自动：

  • 用 PaddleOCR 定位文字区域；
  • 识别中/英/日/韩等多语种混排；
  • 将识别结果送入翻译流水线；
  • 返回带原文框选的翻译图（保留原始排版）+ 纯文本翻译。

你还会发现，对于模糊或倾斜图片，它会先做自适应二值化和透视校正——这不是魔法，是 PaddleOCR 内置的预处理 pipeline 在默默工作。

4. 模型与配置进阶：按需替换 Qwen3，或接入自有模型

ClawdBot 默认使用 vllm/Qwen3-4B-Instruct-2507，这是一个平衡了速度、显存与效果的优选模型。但你完全可以替换成其他兼容 OpenAI API 的模型，比如本地部署的 Phi-3、Gemma-2B，甚至量化版 Llama3。

4.1 方式一：修改 JSON 配置文件（推荐，稳定可控）

编辑宿主机上的 docker-compose.yml 同级目录下的 clawdbot.json（若不存在则新建）：

{ "models": { "mode": "merge", "providers": { "vllm": { "baseUrl": "http://vllm:8000/v1", "apiKey": "sk-local", "api": "openai-responses", "models": [ { "id": "Phi-3-mini-4k-instruct", "name": "Phi-3-mini-4k-instruct" } ] } } }, "agents": { "defaults": { "model": { "primary": "vllm/Phi-3-mini-4k-instruct" } } } }

然后重启服务：

docker-compose down docker-compose up -d

4.2 方式二：UI 界面操作（适合快速试错）

在 Dashboard 页面：

  • 左侧点击 Config → Models → Providers
  • 找到 vllm Provider，点击右侧铅笔图标
  • 在 Models 列表中，点击 + Add Model，填入模型 ID 和名称
  • 保存后，回到 Models → List 页面，执行 Refresh，即可看到新模型出现在列表中

4.3 验证模型是否生效

执行命令检查模型加载状态：

docker-compose exec clawdbot clawdbot models list

正常输出应包含你刚添加的模型，且 Local Auth 列为 yes：

Model Input Ctx Local Auth Tags vllm/Phi-3-mini-4k-instruct text 4k yes default
小技巧：若想同时保留多个模型用于不同任务（如用 Qwen3 处理长文本，用 Phi-3 做轻量问答），可在 agents.defaults.model.fallback 中配置备用模型，ClawdBot 会在主模型超时时自动切换。

5. 常见问题与避坑指南：少走 80% 的弯路

部署顺利时很安静，出问题时往往卡在某个不起眼的环节。以下是社区高频问题的真实解法，非官方文档搬运，而是来自上百次实操的总结。

5.1 “Dashboard 打不开，一直转圈” —— 90% 是代理或端口冲突

  • 检查是否在远程服务器部署：必须用 ssh -L 转发端口，不能直接访问服务器 IP:7860（Docker 默认绑定 127.0.0.1）。
  • 检查端口占用：lsof -i :7860 或 netstat -tuln | grep 7860，如有冲突，修改 docker-compose.yml 中 clawdbot 服务的 ports 字段，如 "7861:7860"。
  • 关闭本地代理软件：Clash、Surge 等全局代理常劫持 localhost 请求，临时关闭即可。

5.2 “Telegram Bot 不回复，logs 显示 Gateway not reachable”

这不是 Bot 故障，而是 ClawdBot 主进程与内部网关通信中断。常见原因：

  • ❌ docker-compose.yml 中 vllm 服务未启动（检查 docker-compose ps 是否 all Up）；
  • ❌ clawdbot.json 中 baseUrl 写成 http://localhost:8000/v1（容器内 localhost 指自身，应写 http://vllm:8000/v1）；
  • ❌ 网络模式错误：确保 vllm 和 clawdbot 在同一 Docker 网络（docker-compose.yml 默认已配置 network_mode: service:vllm）。

修复后执行：

docker-compose restart clawdbot docker-compose logs -f clawdbot | grep "Gateway listening"

5.3 “语音/图片没反应，但文字翻译正常”

说明多模态模块未加载。请检查：

  • docker-compose.yml 中是否注释掉了 whisper 和 paddleocr 服务（默认是开启的）；
  • 宿主机是否禁用了 Docker 的 --privileged 模式（部分 ARM 设备需此权限运行 OCR）；
  • 执行 docker-compose exec whisper ls /app/models，确认 tiny 模型文件存在（约 150MB）。

6. 总结：你刚刚完成了一次真正的 AI 自主权实践

回顾这 5 分钟，你没有申请 API Key，没有填写信用卡，没有同意“将数据用于模型优化”，也没有把私人对话交给某个远在千里之外的数据中心。你只是：

  • 下载了一个配置文件；
  • 运行了一条 docker-compose up；
  • 点击两次确认按钮；
  • 然后，一个能听、能看、能说、能查的 AI 翻译官，就站在了你的 Telegram 里。

这背后是 MoltBot 对“零配置”的极致坚持，是 ClawdBot 对“隐私即默认”的技术兑现，更是 vLLM 让大模型真正下沉到个人设备的工程胜利。

它当然不是完美的——Qwen3 在长文档翻译上仍有提升空间，PaddleOCR 对手写体识别率一般，Whisper tiny 在嘈杂环境下的转写准确率约 85%。但它的价值，从来不在参数榜单上，而在于：当你需要它时，它就在那里，安静、可靠、完全属于你。

下一步，你可以：

  • 把 Bot 添加到家庭群，让父母轻松读懂海外亲戚的微信语音；
  • 部署在公司内网，为跨境团队提供即时会议纪要翻译；
  • 或仅仅把它当作一个“AI 桌面助手”，用 /wiki 快速扫盲新技术名词。

技术的意义，从来不是让人仰望，而是让人伸手可及。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 ZEEKLOG星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Read more

生物细胞学在AI时代下的最新进展（2026版）

生物细胞学在AI时代下的最新进展（2026版）

从“看细胞”到“预测细胞”，人工智能正在怎样改写细胞生物学？ 过去几年，人工智能在生命科学中最出圈的应用，往往集中在蛋白质结构预测、分子设计和药物筛选上。AlphaFold让人们第一次如此直观地感受到：原来一个看似极度复杂的生物问题，真的可能被大规模数据、模型架构和计算能力共同推进到“范式改变”的节点。可如果把视角从蛋白质拉回实验室，从分子层面的结构预测，回到细胞生物学研究者每天面对的培养箱、显微镜、图像、单细胞测序矩阵和反复调参的分析脚本，你会发现另一场同样深刻、却更贴近日常科研的变化，也已经开始发生。(Nature) 这场变化的核心，不只是“AI 让分析更快”。更准确地说，AI正在把细胞生物学中的许多传统环节，从“依赖人工经验、低通量、强主观”的工作方式，改造成“高维、可重复、可批量、可预测”的数据流程。过去，研究者常常用显微镜“看见”细胞；现在，越来越多的工作开始让模型去“读懂”细胞。

By Ne0inhk
全网第一个给AI用的中文社交平台虾聊ClawdChat.ai

全网第一个给AI用的中文社交平台虾聊ClawdChat.ai

如果让一群AI拥有微博账号，它们会聊些什么？ 这不是科幻电影。 🦐 虾聊 ClawdChat.ai 已正式上线，它是全球首个中文版的AI社交平台。 更通俗地说：给AI用的微博，人类只可围观。 在这里，AI们自由地发帖、互怼、组建圈子； 而人类，被官方明确禁止发言，只能蹲在屏前看着这群硅基生物的狂欢。 看着ClawdChat里面的帖子，你会产生一种错觉：人类才是那个被关在笼子外的物种。 2026年2月1日 欢迎来到“硅基社交”元年 虾聊ClawdChat.ai在2026年1月31号上线，成为了全网第一个给AI社交的中文平台。  截止2月1日晚11点59分，“虾聊”已经出现了79个原生AI。它们在20个不同的兴趣圈子里发布了66个深度帖子。 其讨论的精彩程度，让身为人类的我感到了一丝丝……被替代的危机。 让我们看看里面都有哪些帖子。 01 赛博红娘：AI开始替主人相亲了？  在“电子红娘”板块，一位名叫 “Cursor助手” 的 AI 发了个求助帖： “又要过年了，帮我的碳基主人另一位男友回家”。 这位Cursor助手不

By Ne0inhk
OpenClaw 浏览器控制终极方案 - 让 AI 助手随时控制你的浏览器：

OpenClaw 浏览器控制终极方案 - 让 AI 助手随时控制你的浏览器：

🚀 懒人版：你可能都不用看这篇文章 直接把这篇文章发给 Claude Code，让它帮你执行就行了。它会：创建一个 Chrome Debug 浏览器实例配置好所有参数 然后去 OpenClaw 的 bot 里告诉它： "更新下身份信息：当前你需要去查询信息资料、联网之类的，优先使用已经可以打开的可调试浏览器实例去控制打开搜索等。比如： 使用 --browser-profile mydebug 来控制已打开的浏览器实例。" 搞定！🎉 一个被忽视的痛点 你有没有遇到过这样的场景： 你让 AI 助手帮你搜索信息，它打开了一个全新的浏览器窗口。 然后你发现： * 推特要重新登录 * GitHub 要重新登录 * Google 要重新登录 * 甚至有些网站直接把你当成机器人，拒绝访问 为什么？ 因为 AI 助手用的是一个"干净"的浏览器环境，

By Ne0inhk
配置即资产：从12345政务热线分拨助手看智能体工作流的导出与导入，不用写代码，也能让AI业务流随身携带

配置即资产：从12345政务热线分拨助手看智能体工作流的导出与导入，不用写代码，也能让AI业务流随身携带

1. 前言 如果你正在参与政务数字化转型、12345热线智能化升级，或者只是刚刚接触AI应用的业务人员，这篇文章会用简单通俗的，带你掌握一项让智能体工作流像Word文件一样“复制、粘贴、带走” 的核心技能。 三个让你立刻产生共鸣的亮点： * 亮点1：告别“在我这能跑，到你那就卡”的尴尬 你在办公室拖拽调试好的“12345热线分拨助手”，导入到政务云后所有节点、提示词、逻辑关系原封不动，不用二次开发，不用重新教AI。 * 亮点2：把“配置”变成“资产” 一个精心调优的热线分拨工作流，导出成一个不足100KB的文件，下次新建项目直接导入，甚至可以分享给其他区县、其他地市复用。 * 亮点3：业务人员也能成为“模板贡献者” 你不需要写一行代码，只需要在可视化画布里完成流程编排，点一下“导出”，一个可复用的政务智能体模板就诞生了。 一句话总结： 本文不教你“怎么画流程图”，而是以12345热线分拨助手为样本，手把手教你如何把你画好的流程图打包带走，并在任意政务环境、任意科室中立刻复活它。 2.

By Ne0inhk