ClawdBot 免配置环境：Docker 镜像内置 Whisper tiny+PaddleOCR 开箱即用
在本地搭建能听懂语音、看懂图片的 AI 助手，常面临 Python 依赖安装、模型编译及配置调试等挑战。ClawdBot 旨在解决此问题，提供真正意义上的「开箱即用」个人 AI 网关——所有多模态能力已预置、所有模型已优化、所有服务已对齐。
1. 为什么是 ClawdBot？
1.1 解决环境配置难题
市面上很多 Telegram 翻译机器人重度依赖云端 API 或要求手动部署大模型。ClawdBot 反其道而行之：
- 模型内置：Whisper tiny（语音转文字）、PaddleOCR（中英文混合 OCR）已静态编译进镜像，无需额外下载；
- 服务内聚：vLLM 后端 + 多模态预处理 + Telegram 通道 + Web 控制台，全部由单个容器统一调度；
- 零环境假设：不检查 CUDA 版本、不验证 Python 路径、不校验 FFmpeg 是否全局可用——它只认 Docker。
1.2 轻量生产环境
项目实测显示，在 4GB 内存、双核 ARM Cortex-A72 的树莓派 4B 上，模拟 15 个 Telegram 客户端持续发送语音消息，同时夹杂图片 OCR 请求和 /weather 查询，结果如下：
| 指标 | 实测值 | 说明 |
|---|---|---|
| 语音转写平均延迟 | 0.72 s | Whisper tiny 在 CPU 模式下完成音频切片 + 推理 + 文本返回 |
| 图片 OCR 识别耗时 | 0.89 s | 1024×768 JPG 图，含中英文混合文字区域 |
| 翻译响应 P95 延迟 | 0.83 s | LibreTranslate 本地实例 + Google Translate fallback 双引擎 |
| 内存常驻占用 | 1.1 GB | 启动后稳定在 1.0–1.2GB，无内存泄漏 |
| CPU 峰值使用率 | 82% | 单核满载，另一核空闲，负载均衡合理 |
2. 开箱即用：5 分钟完成部署与验证
2.1 一行命令启动
ClawdBot 提供标准 Docker 镜像，兼容 x86_64 与 ARM64 架构。执行以下命令：
docker run -d \
--name clawdbot \
-p 7860:7860 \
-p 18780:18780 \
-v ~/.clawdbot:/app/workspace \
-e TZ=Asia/Shanghai \
--restart=unless-stopped \
moltbot/moltbot:2026.1.24
该命令后台运行容器并映射 Web 控制台端口 7860 和内部网关端口 18780，将宿主机目录挂载为工作区以持久化配置与日志。
启动后，用 docker logs -f clawdbot 查看初始化日志。看到核心组件就绪提示即可。
2.2 访问 Web 控制台
ClawdBot 采用设备码认证机制。首次访问需手动批准设备请求：
- 打开浏览器，输入
http://localhost:7860，页面显示'Waiting for device approval...'。 - 执行批准命令（替换 ID 为你实际看到的值）：
docker exec -it clawdbot clawdbot devices approve d7a2f9c1 - 刷新页面，控制台加载。你将看到 Dashboard、Config、Models、Channels、Logs 导航栏。
2.3 验证多模态能力
控制台首页的'Quick Test'区域提供即点即用测试：
- 🎤 语音测试：录音后自动完成 Whisper 转写及天气查询。
- 🖼 图片测试：上传含中英文文字的截图，调用 PaddleOCR 识别并翻译。
- 文本翻译：键入句子选择目标语言，快速返回翻译结果。
3. 模型与能力深度解析
3.1 Whisper tiny 优化
ClawdBot 对 Whisper tiny 做了三项关键优化：
- FP16 量化：模型权重从 FP32 压缩至 INT8，体积减少 76%，推理内存占用下降 41%；
- 音频预处理下沉：流程用 Rust 重写，嵌入 C++ 扩展，端到端耗时从 320ms 降至 110ms；
- 静音段智能跳过：自动检测语音前后 200ms 静音，避免无效推理。
3.2 PaddleOCR 轻量模型
集成 PaddleOCR v2.7 的轻量组合，专为边缘设备优化：
- 检测模型仅 1.2MB，支持 1024×768 以内任意尺寸输入；
- 识别模型支持中、英、日、韩等 10 种语言混排；
- 内置'模糊文字增强模块'，提升轻微脱焦、反光文字识别准确率。
3.3 多模态流水线
处理链路设计如下：
Telegram 消息 → [网关路由] ├─ 语音消息 → FFmpeg 解码 → Whisper tiny → 文本 → 翻译引擎 → 回复
├─ 图片消息 → OpenCV 缩放 → PaddleOCR → 文本 → 翻译引擎 → 回复
└─ 文本消息 → 直接路由 → 翻译引擎 / 命令解析器
关键设计包括统一上下文管理、异步非阻塞 IO 及缓存友好结构。
4. 安全与隐私
4.1 默认不落盘
- 消息即用即弃：原始 JSON 立即从内存释放；
- 中间产物不保存：音频 WAV 临时文件、图片 PNG 缓存均在函数作用域内完成；
- 日志脱敏：消息内容、用户 ID、token 字段被覆盖；
- 阅后即焚开关：会话状态在回复发送完毕后强制清除。
4.2 代理与合规
- SOCKS5/HTTP 代理透传：配置
proxy参数，出站请求自动走代理； - 双翻译引擎 fallback：优先调用本地 LibreTranslate，失败才走 Google；
- 纯离线模式支持：关闭外部 API，仅保留 Whisper+OCR+ 本地翻译。
5. 进阶实践
5.1 替换模型
修改 /app/clawdbot.json 中 models 段，下载模型到宿主机并重启容器即可切换，无需重新构建镜像。
5.2 扩展功能
在 ~/.clawdbot/plugins/ 下新建 .py 文件即可添加自定义命令。例如增加 /stock 查实时股价：
# ~/.clawdbot/plugins/stock.py
from clawdbot.plugin import CommandPlugin
class StockPlugin(CommandPlugin):
def __init__(self):
super().__init__("/stock", "查询股票实时价格（示例）")
def handle(self, message, args):
if not args:
return "请提供股票代码，如 `/stock AAPL`"
# 此处调用本地 yfinance 或自建行情 API
return f"{args[0]} 当前价格：$182.34（NASDAQ，延时 15 秒）"
plugin = StockPlugin()
6. 总结
ClawdBot 代表了一种新的 AI 应用范式：
- 能力原子化：每个模块可独立升级、替换、关闭；
- 部署极简化：Docker 镜像即产品，无环境依赖；
- 隐私契约化：所有设计围绕'数据不出设备'展开；
- 扩展平民化：JSON 配置、Python 插件、Web UI，让非工程师也能定制 AI 能力。