ClawdBot镜像免配置：docker-compose一键启动多语言机器人教程

优质文章学习记录

— 12 min read

ClawdBot镜像免配置：docker-compose一键启动多语言机器人教程

你是否试过在本地搭一个真正能用的AI助手，结果卡在环境配置、模型下载、API密钥、端口冲突上，折腾半天连首页都打不开？ClawdBot不是又一个需要你手动编译、改配置、调依赖的“半成品项目”。它是一套开箱即用的个人AI工作流系统——后端由vLLM驱动，前端带可视化控制台，所有服务打包进一个轻量镜像，一条docker-compose up -d命令，5分钟内就能拥有自己的多语言智能机器人。

更关键的是，它不只做聊天。当你把ClawdBot和MoltBot组合起来，就诞生了一个真正落地的Telegram全能翻译官：语音发过去自动转文字再翻译，截图发进来立刻OCR识别+多语种输出，群聊里@一下就能实时互译，顺手还能查天气、换汇率、搜维基。整个流程全部离线运行、零额外费用、不上传任何数据——你的消息永远留在你自己的设备里。

这不是概念演示，而是已经跑在树莓派4、MacBook M1、甚至老旧笔记本上的真实方案。本文不讲原理、不堆参数，只带你一步步从空白系统开始，用最自然的方式完成部署、验证、调优和日常使用。所有操作都在终端里敲几行命令，所有配置都有图形界面可点选，所有问题都有明确解法。现在，我们就开始。

1. 为什么是ClawdBot + MoltBot？一次部署解决三类需求

很多人以为“本地AI助手”就是换个聊天窗口。但真实场景中，你需要的从来不是“能说话”，而是“能办事”。ClawdBot和MoltBot的组合，恰好覆盖了个人用户最常遇到的三类高频需求：对话理解、多模态输入、跨平台分发。它们不是两个独立工具，而是一套协同工作的系统。

1.1 ClawdBot：你的本地AI大脑

ClawdBot本质是一个AI网关（AI Gateway），它不自己训练模型，而是统一调度、编排、管理各种后端模型服务。你可以把它想象成一个“AI交通指挥中心”：

  • 所有请求先到ClawdBot；
  • 它根据任务类型（文本生成、语音转写、OCR识别）分发给对应引擎；
  • 再把结果整合、格式化、返回给前端或下游应用（比如Telegram机器人）。

它默认集成vLLM作为大模型推理后端，这意味着：
速度快：Qwen3-4B模型在普通CPU上也能跑出接近GPU的吞吐；
显存省：vLLM的PagedAttention技术让4GB显存也能稳跑7B级模型；
接口标准：完全兼容OpenAI API格式，你现有的提示词、代码、工具链全都能直接复用。

更重要的是，ClawdBot自带Web控制台（Dashboard），你不需要记命令、不用改JSON、不碰YAML——打开浏览器，点点鼠标就能切换模型、调整参数、查看日志、管理设备。

1.2 MoltBot：你的Telegram翻译前线

如果说ClawdBot是大脑，MoltBot就是伸向Telegram的“手和嘴”。它专为Telegram设计，但能力远超普通翻译机器人：

能力实现方式是否离线
实时文字翻译LibreTranslate（本地部署）+ Google Translate（可选回退）LibreTranslate完全离线
语音转译Whisper tiny 模型本地转写 → 翻译全链路离线
图片OCR翻译PaddleOCR轻量模型识别 → 翻译不依赖云API
快捷查询内置天气、汇率、维基API客户端❌ 需联网，但无敏感数据上传

MoltBot的“零配置”不是营销话术：它的Docker镜像已预装Whisper tiny、PaddleOCR、LibreTranslate服务，所有依赖打包进300MB镜像。你只需提供Telegram Bot Token，docker run moltbot之后，机器人立刻上线——连Nginx反代、HTTPS证书、Webhook配置都帮你绕过去了。

1.3 二者如何协同工作？

ClawdBot和MoltBot通过标准HTTP API通信，架构极简：

Telegram用户 → MoltBot（接收消息） ↓ MoltBot调用ClawdBot API（/v1/chat/completions） ↓ ClawdBot调度vLLM/Qwen3-4B → 生成响应 ↓ ClawdBot返回结果 → MoltBot格式化 → 发回Telegram

这意味着：
🔹 你升级ClawdBot里的模型（比如换成Qwen2.5-7B），MoltBot自动获得更强理解力；
🔹 你在ClawdBot控制台开启“阅后即焚”，所有经MoltBot处理的消息都不落盘；
🔹 你想加个新功能（比如PDF摘要），只需在ClawdBot里注册一个新Agent，MoltBot无需改动。

这不是两个工具拼凑，而是一体化工作流的前后端分离设计。

2. 一键部署：从空目录到可访问Dashboard

整个过程只需要三个终端命令，全程无需sudo、不改系统配置、不装Python包。我们以Linux/macOS为例（Windows用户请用WSL2）。

2.1 准备工作：确认基础环境

确保你已安装：

  • Docker ≥ 24.0
  • docker-compose ≥ 2.20
  • 4GB以上可用内存（推荐8GB）

验证命令：

docker --version && docker-compose --version

如果未安装，请先执行（Ubuntu/Debian）：

curl -fsSL https://get.docker.com | sh sudo usermod -aG docker $USER newgrp docker # 刷新组权限，避免后续sudo
注意：ClawdBot对硬件要求极低。我们在树莓派4（4GB RAM）实测：同时运行vLLM（Qwen3-4B）、LibreTranslate、Whisper tiny、PaddleOCR，15人并发翻译无延迟。如果你的设备能跑Docker，它就能跑ClawdBot。

2.2 下载并启动docker-compose.yml

创建空目录，进入后执行：

mkdir clawdbot-moltbot && cd clawdbot-moltbot curl -O https://raw.githubusercontent.com/clawd-bot/clawdbot/main/docker-compose.yml

这个docker-compose.yml已预配置好所有服务：

  • clawdbot-gateway: 主网关，含Dashboard UI
  • vllm-engine: vLLM推理服务，加载Qwen3-4B模型
  • libretranslate: 本地翻译引擎
  • whisper: 语音转写服务
  • paddleocr: 图片文字识别服务

启动全部服务：

docker-compose up -d

你会看到类似输出：

[+] Running 5/5 ⠿ Network clawdbot-moltbot_default Created ⠿ Container clawdbot-vllm-engine-1 Started ⠿ Container clawdbot-libretranslate-1 Started ⠿ Container clawdbot-whisper-1 Started ⠿ Container clawdbot-paddleocr-1 Started

等待约90秒（模型首次加载需时间），检查服务状态：

docker-compose ps

所有状态应为healthy。

2.3 获取Dashboard访问地址

ClawdBot Dashboard默认监听localhost:7860，但首次启动需设备授权。执行：

docker-compose exec clawdbot-gateway clawdbot devices list

输出类似：

ID Status Created Last Seen abc123 pending 2026-01-24 10:22:15 -

复制ID（如abc123），批准设备：

docker-compose exec clawdbot-gateway clawdbot devices approve abc123

批准后，再次执行：

docker-compose exec clawdbot-gateway clawdbot dashboard

你会看到类似输出：

Dashboard URL: http://127.0.0.1:7860/?token=23588143fd1588692851f6cbe9218ec6b874bb859e775762

将URL粘贴到浏览器，即可打开ClawdBot控制台。如果本地无法访问（常见于远程服务器），按提示执行SSH端口转发：

ssh -N -L 7860:127.0.0.1:7860 user@your-server-ip

然后在本机浏览器打开http://localhost:7860。

小技巧：Dashboard右上角有“Token”按钮，可随时生成新token，避免链接泄露。

3. 模型配置实战：不改代码，三步切换更强模型

ClawdBot默认加载Qwen3-4B-Instruct，适合大多数场景。但如果你需要更强逻辑、更长上下文或特定领域能力，切换模型只需三步——全部在UI中完成，无需编辑JSON。

3.1 进入模型配置界面

打开Dashboard → 左侧菜单点击 Config → Models → Providers。

你会看到当前配置的vllm提供方，以及已注册的模型列表。

3.2 添加新模型（以Qwen2.5-7B为例）

点击右上角 + Add Model，填写：

  • Provider: vllm（保持默认）
  • Model ID: Qwen2.5-7B-Instruct
  • Name: Qwen2.5-7B-Instruct
  • Base URL: http://vllm-engine:8000/v1（注意：这是容器内地址，非localhost）
  • API Key: sk-local（ClawdBot与vLLM约定的固定密钥）

点击 Save。

为什么Base URL写vllm-engine:8000？因为这是Docker Compose服务名，在容器网络中可直接解析。写localhost会失败。

3.3 设为默认模型并验证

回到 Config → Agents → Defaults，找到model.primary字段，将值改为：

vllm/Qwen2.5-7B-Instruct

保存后，终端执行验证命令：

docker-compose exec clawdbot-gateway clawdbot models list

输出应包含新模型：

Model Input Ctx Local Auth Tags vllm/Qwen2.5-7B-Instruct text 32k yes yes default vllm/Qwen3-4B-Instruct-2507 text 195k yes yes

此时所有新会话将自动使用Qwen2.5-7B。你也可以在单次请求中指定模型，例如在Dashboard的Chat界面，输入：

/model vllm/Qwen2.5-7B-Instruct 你好，用中文总结这篇论文
提示：Qwen2.5-7B需约6GB显存。若设备显存不足，可改用Qwen2.5-1.5B-Instruct（2GB显存足够），速度更快，适合日常对话。

4. 接入Telegram：让MoltBot成为你的翻译助手

MoltBot是ClawdBot的能力出口。部署完ClawdBot后，MoltBot只需一行命令即可接入Telegram，无需修改ClawdBot配置。

4.1 获取Telegram Bot Token

  1. 在Telegram中搜索@BotFather
  2. 发送 /newbot
  3. 按提示输入机器人名称（如MyClawdTranslator）和用户名（如my_clawd_translator_bot）
  4. BotFather会返回Token，形如：1234567890:ABCdefGhIJKlmNoPQRstUvwXYZaBcDeFgHiJkLm

4.2 启动MoltBot并关联ClawdBot

在同一目录下，执行：

docker run -d \ --name moltbot \ --network clawdbot-moltbot_default \ -e TELEGRAM_BOT_TOKEN="1234567890:ABCdefGhIJKlmNoPQRstUvwXYZaBcDeFgHiJkLm" \ -e CLAWDBOT_API_URL="http://clawdbot-gateway:7860" \ -e CLAWDBOT_API_KEY="sk-local" \ -p 8080:8080 \ moltbot/moltbot

关键参数说明：

  • --network clawdbot-moltbot_default: 复用ClawdBot的Docker网络，使MoltBot能直接访问clawdbot-gateway服务
  • CLAWDBOT_API_URL: 指向ClawdBot网关（容器内地址）
  • CLAWDBOT_API_KEY: 与ClawdBot配置一致的密钥

4.3 测试与使用

  1. 打开Telegram，搜索你创建的机器人用户名（如@my_clawd_translator_bot）
  2. 点击Start
  3. 发送任意消息，例如：
    Hello, how's the weather in Beijing?
    机器人将调用ClawdBot，用Qwen模型理解意图，再调用天气插件返回结果。

群聊中，只需@my_clawd_translator_bot Hello，即可触发翻译。发送语音或图片，同样自动处理。

故障排查：如果机器人无响应，检查MoltBot日志：
docker logs moltbot | tail -20
常见错误是网络不通（确认--network参数）或Token错误（重新获取）。

5. 日常维护与实用技巧

部署只是开始。让ClawdBot长期稳定运行，需要几个简单但关键的习惯。

5.1 日志查看：快速定位问题

ClawdBot所有服务日志集中输出到clawdbot-gateway容器：

# 查看整体日志流 docker-compose logs -f clawdbot-gateway # 查看最近100行（不实时） docker-compose logs --tail 100 clawdbot-gateway # 只看错误（关键词error/fail） docker-compose logs clawdbot-gateway 2>&1 | grep -i "error\|fail\|exception"

MoltBot日志单独查看：

docker logs moltbot

5.2 模型热更新：不重启服务更换模型

ClawdBot支持运行时重载模型配置。当你在UI中修改模型设置并保存后，无需重启容器。ClawdBot会自动检测/app/clawdbot.json变更，并在30秒内生效。

验证是否生效：在Dashboard Chat界面发送/status，返回的模型信息会实时更新。

5.3 数据隐私控制：真正“我的数据，我做主”

ClawdBot默认不存储任何用户消息。但你仍可进一步加固：

  • 启用阅后即焚：Dashboard → Config → Agents → Defaults → ephemeral设为true
  • 禁用历史记录：同页面关闭history.enabled

代理出口流量：在clawdbot.json中添加代理配置（适用于国内网络）：

"proxy": { "http": "http://127.0.0.1:7890", "https": "http://127.0.0.1:7890" }

所有配置修改后，保存并等待自动重载即可。

5.4 性能优化小贴士

  • 显存不足？ 在docker-compose.yml中降低vLLM的--max-num-seqs（默认256），改为128或64
  • 响应慢？ 检查clawdbot-gateway容器CPU占用：docker stats clawdbot-moltbot-clawdbot-gateway-1，若持续>90%，考虑增加CPU配额
  • 想省空间？ 删除旧镜像：docker image prune -f（不影响正在运行的容器）

6. 总结：你已拥有了什么？

回看这5分钟的部署过程，你实际获得的不是一个“能跑的Demo”，而是一套可生产、可扩展、可掌控的个人AI基础设施：

一个本地AI大脑：ClawdBot网关，统一调度vLLM、OCR、语音等引擎，所有交互走标准API；
一个跨平台出口：MoltBot Telegram机器人，把AI能力无缝接入你每天使用的通讯工具；
一套零学习成本的操作方式：所有配置在网页点选，所有命令清晰可复制，所有问题有明确路径；
一份真正的数据主权：消息不上传、模型不调用第三方API、配置完全自主可控。

这不是“玩具项目”，而是已经支撑起真实工作流的工具：有人用它自动翻译海外技术文档，有人用它为家人制作双语家庭相册，还有人把它嵌入智能家居中，实现语音指令的本地化理解。

下一步，你可以：
→ 在ClawdBot中添加PDF解析Agent，让机器人读懂你的论文；
→ 用MoltBot的/wiki命令快速检索技术概念；
→ 把ClawdBot API接入Notion或Obsidian，构建个人知识库；
→ 或者，就让它安静地待在后台，当你需要时，一句“帮我写封英文邮件”，它立刻出现。

技术的价值，从来不在参数多高，而在是否真正为你所用。现在，它已经在你机器里运行了。

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

GLM-4v-9b实战指南：用llama.cpp GGUF格式在消费级GPU部署多模态模型

GLM-4v-9b实战指南：用llama.cpp GGUF格式在消费级GPU部署多模态模型 1. 为什么你需要关注GLM-4v-9b 你有没有遇到过这样的场景：一张密密麻麻的财务报表截图发到工作群，大家却没人愿意花十分钟手动抄录数据；或者客户发来一张手机拍的电路板照片，问“这个元件型号是什么”，你只能回个尴尬的微笑；又或者团队正在做竞品分析，需要从几十份PDF产品手册里快速提取图表信息——这些不是小问题，而是每天真实消耗工程师、运营、产品经理大量时间的“视觉理解黑洞”。 过去，这类任务要么靠人工硬啃，要么得调用API付费接口，响应慢、成本高、隐私难保障。直到2024年，智谱AI开源了glm-4v-9b——一个真正能在你自己的RTX 4090上跑起来的90亿参数多模态模型。它不只是一张“能看图说话”的新名片，而是把高分辨率图像理解能力，塞进了一张消费级显卡的显存里。 重点来了：它支持原生1120×1120输入，这意味着你不用再把一张A4扫描件缩成模糊小图上传；它对中文表格、小字号OCR、技术类图表的理解，在公开评测中直接超过了GPT-4-turbo和Claude 3 Opus；

使用 VS Code 与 GitHub Copilot 高效 Vibe Coding 指南

欢迎大家关注「几米宋」的微信公众号，公众号聚焦于云原生、AI、服务网格、工具教程、技术观察以及日常感悟等内容，更多精彩内容请访问个人网站 jimmysong.io。 📄 文章摘要 掌握 VS Code 与 GitHub Copilot 的高效开发技巧，提升你的编程体验与效率，开启愉快的 vibe coding 之旅。 🔗 在 jimmysong.io 上 阅读原文 体验更佳。 最近一段时间笔者试用了众多的 vibe coding（氛围编程）工具，但是试用了一圈后，最终还是选择了 VS Code 与 GitHub Copilot 的组合。不为别的，就是因为最得心应手、性价比最高、最有可扩展性。本文将从环境配置、工作空间和插件、界面布局、
[AI工具箱] Vheer：免费、免登录，一键解锁AI绘画、视频生成和智能编辑

[AI工具箱] Vheer：免费、免登录，一键解锁AI绘画、视频生成和智能编辑

项目简介 今天偶然发现了个堪称“赛博活佛”的AI网站，名叫Vheer。它的作风相当大方，里面绝大部分功能都直接免费敞开用，就问你服不服。 文生图、图生视频、智能修图这些主流AI功能一个不落。点开就能用。而且非常的大气，比如抠图，别的网站按张收费，它直接让你一口气传20张照片自动处理，完全免费，甚至你去花时间不需要注册。 它几乎移除了所有上手障碍。网站首页清晰地排列着各种功能，没有晦涩的术语。你想把文字变成图片，或者让静态照片动起来，点开对应的按钮，输入你的想法，结果很快就能呈现在你面前。整个过程简单得就像在用一款普通的手机APP。 食用指南 访问地址 传送地址 官网的免费会员上面写的几个非常吸引人的地方，第一没有任何水印，第二生成图片视频这些是没有任何数量上的限制，只有高级别的模型和高速通道不能使用（但是实测下来，生成的速度也是相当不错）。 网站也提供了一些订阅模式，可以使用更高级的模型，但是这些高级模型需要消耗算力点。根据自己的需要看是否订阅。 由于功能实在太多了，强烈建议亲手测试一下 操作与体验——文生图 官网光一个文生图的功能就折腾出来了40多个功能，除了

从GAN到ChatGPT：AIGC技术演进与实战应用指南

快速体验 在开始今天关于 从GAN到ChatGPT：AIGC技术演进与实战应用指南 的探讨之前，我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来，但作为开发者，如何将大模型（LLM）真正落地为一个低延迟、可交互的实时系统，而不仅仅是调个 API？ 这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。 从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验 从GAN到ChatGPT：AIGC技术演进与实战应用指南 技术背景：关键模型演进时间轴 2014年 - GAN横空出世 生成对抗网络(GAN)通过生成器与判别器的对抗训练，首次实现了高质量图像生成。核心突破在于：