跳到主要内容Clawdbot 整合 Qwen3-32B 本地部署及 18789 端口调试指南 | 极客日志PythonNode.jsAI大前端
Clawdbot 整合 Qwen3-32B 本地部署及 18789 端口调试指南
了如何在本地通过 Clawdbot 集成 Qwen3-32B 大模型。主要解决了 Clawdbot 无法直接调用 Ollama API 导致的跨域和协议不匹配问题。方案核心是构建一个轻量级 Python 代理脚本（监听 8080 端口）进行 OpenAI 格式与 Ollama 格式的转换，配合 Clawdbot 前端服务（监听 18789 端口）。文章涵盖了环境检查、Ollama 启动、代理脚本编写、配置文件修改、端口调试及日志分析等完整流程，并提供了开机自启和安全加固建议，帮助用户快速搭建私有大模型聊天平台。
DataScient1 浏览 Clawdbot 整合 Qwen3-32B 本地部署及 18789 端口调试指南
1. 为什么需要这个整合方案
你是不是也遇到过这样的问题：想用本地部署的大模型做聊天机器人，但发现直接调用 Ollama 的 API 在 Web 前端里跨域报错？或者 Clawdbot 配置完后一直连不上模型，控制台疯狂刷 404？又或者好不容易跑起来了，发个消息却卡在'正在思考'半天没反应？
这正是我们搭建这套环境时踩过的坑。Clawdbot 本身不直接对接 Ollama，它需要一个中间层来处理协议转换、请求转发和端口映射。而 18789 这个端口，就是整个链路里最关键的'通关密码'——它不是随便选的，而是 Clawdbot 默认监听的 Web 网关入口。
- 你在浏览器里访问
http://localhost:18789，看到的是 Clawdbot 的聊天界面
- Clawdbot 收到你的消息后，不自己去算答案，而是把请求转给内部代理
- 代理再把请求发到
http://localhost:8080（Ollama API 地址）
- Ollama 调用本地的 Qwen3-32B 模型生成回复，原路返回
整个过程对用户完全透明，你只管打字，剩下的交给这三层接力。
我们不用 Docker Compose 写一堆 yaml，也不搞 Kubernetes 集群，就用最轻量、最可控的方式——纯命令行 + 配置文件，每一步都能看见、能改、能查。
2. 环境准备与基础服务启动
2.1 确认系统前提条件
node --version
ollama list
curl -s http://localhost:11434/api/tags | jq '.models[] | select(.name | contains("qwen3"))'
python3 --version
如果 ollama list 没显示 qwen3:32B，先拉取模型：
注意：Qwen3-32B 是大模型，首次拉取可能需要 30 分钟以上，请确保磁盘空间充足（建议预留 25GB 以上）。不要用 qwen3:latest，必须明确指定 :32B 标签，否则可能加载错版本导致后续报错。
2.2 启动 Ollama 服务并验证 API
Ollama 默认监听 127.0.0.1:11434，但 Clawdbot 需要的是标准 HTTP API 格式。我们先手动测试一下原始接口是否通：
curl -X POST http://localhost:11434/api/chat \
-H "Content-Type: application/json" \
-d '{ "model": "qwen3:32B", "messages": [{"role": "user", "content": "你好"}], "stream": false }' | jq '.message.content'
如果返回'你好！很高兴见到你'，说明 Ollama 工作正常。如果报错 Connection refused，请检查 Ollama 服务是否真的在后台运行（ps aux | grep ollama）。
2.3 创建轻量代理层（关键步骤）
Clawdbot 不能直连 Ollama 的 11434 端口，因为它的前端代码硬编码了 /v1/chat/completions 路径，而 Ollama 用的是 /api/chat。我们需要一个'翻译官'。
我们不用 Nginx 或 Caddy 这种重型网关，写一个 50 行以内的 Python 代理脚本，保存为 proxy_8080.py：
import asyncio
import json
from aiohttp import web, ClientSession
OLLAMA_URL = "http://localhost:11434/api/chat"
TIMEOUT = 300
async def handle_chat(request):
try:
data = await request.json()
ollama_data = {
"model": data.get("model", "qwen3:32B"),
"messages": [{"role": m["role"], "content": m["content"]} for m in data.get("messages", [])],
"stream": data.get("stream", False),
}
async with ClientSession() as session:
async with session.post(
OLLAMA_URL,
json=ollama_data,
timeout=asyncio.Timeout(TIMEOUT)
) as resp:
if resp.status == 200:
response_data = await resp.json()
openai_resp = {
"id": "chat-" + str(hash(json.dumps(data)))[:8],
"object": "chat.completion",
"created": int(__import__('time').time()),
"model": ollama_data["model"],
"choices": [{
"index": 0,
"message": {"role": "assistant", "content": response_data.get("message", {}).get("content", "")},
"finish_reason": "stop"
}]
}
return web.json_response(openai_resp)
else:
return web.Response(text=await resp.text(), status=resp.status)
except Exception as e:
return web.json_response({"error": str(e)}, status=500)
app = web.Application()
app.router.add_post("/v1/chat/completions", handle_chat)
web.run_app(app, host="127.0.0.1", port=8080, print=False)
chmod +x proxy_8080.py
nohup python3 proxy_8080.py > proxy.log 2>&1 &
curl -X POST http://localhost:8080/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{ "model": "qwen3:32B", "messages": [{"role": "user", "content": "用一句话介绍你自己"}] }' | jq '.choices[0].message.content'
看到 Qwen3 的回答，说明 8080 端口代理已就位。
3. Clawdbot 部署与 18789 端口配置
3.1 下载并解压 Clawdbot
Clawdbot 是静态前端项目，无需编译。从官方 GitHub Release 下载最新版（截至 2026 年 1 月为 v0.8.2）：
wget https://github.com/clawdbot/clawdbot/releases/download/v0.8.2/clawdbot-v0.8.2.zip
unzip clawdbot-v0.8.2.zip -d clawdbot
cd clawdbot
进入目录后，你会看到 index.html 和 config.json 两个核心文件。
3.2 修改 config.json 适配本地环境
打开 config.json，重点修改以下三处（其他字段保持默认）：
{
"apiUrl": "http://localhost:8080/v1",
"model": "qwen3:32B",
"baseUrl": "http://localhost:18789"
}
apiUrl 必须指向我们刚起的 8080 代理，不能写 11434model 字段必须和 Ollama 里 ollama list 显示的名称完全一致（包括大小写和冒号）baseUrl 是 Clawdbot 自身服务的地址，也就是我们要监听的 18789 端口
3.3 启动 Clawdbot Web 服务
Clawdbot 自带简易 HTTP 服务器，一行命令启动：
npx http-server -p 18789 -c-1
-c-1 表示禁用缓存，避免配置修改后页面不刷新；-p 18789 明确指定端口。不要用 python3 -m http.server 18789，它不支持前端路由，会导致页面白屏。
Starting up http-server, serving ./
Available on:
http:
http:
Hit CTRL-C to stop the server
此时打开浏览器访问 http://localhost:18789，就能看到 Clawdbot 的聊天界面。
4. 18789 端口调试全流程实录
4.1 常见连接失败的三种典型场景
我们把调试过程拆成三步，每步都对应一个真实报错截图（文中已引用），你可以对照自查：
第一步：浏览器能打开页面，但输入消息后无响应
→ 打开浏览器开发者工具（F12），切到 Network 标签页，发送一条消息
→ 查看 /v1/chat/completions 请求的状态码
→ 如果是 Failed to load resource: net::ERR_CONNECTION_REFUSED，说明 8080 代理没起来，回到 2.3 节重启代理
第二步：请求发出，但返回 400 Bad Request
→ 点开该请求，看 Response 内容
→ 如果是 {"error":"model not found"}，说明 config.json 里的 model 名和 Ollama 不一致，重新核对 ollama list 输出
第三步：请求成功返回，但 Clawdbot 界面上显示'Error: Invalid response'
→ 这是格式不兼容的典型表现，说明代理脚本没把 Ollama 响应正确转成 OpenAI 格式
→ 检查 proxy_8080.py 中 openai_resp 构造部分，特别是 response_data.get("message", {}).get("content", "") 这一行是否取到了值
4.2 抓包验证完整链路（推荐用 curl 模拟）
为了彻底理清数据流向，我们跳过浏览器，用 curl 手动走一遍全流程：
curl -X POST http://localhost:8080/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{ "model": "qwen3:32B", "messages": [{"role": "user", "content": "今天天气怎么样？"}] }'
curl -X POST http://localhost:11434/api/chat \
-H "Content-Type: application/json" \
-d '{ "model": "qwen3:32B", "messages": [{"role": "user", "content": "今天天气怎么样？"}], "stream": false }'
如果第 2 步有返回，第 1 步没返回，问题一定出在代理脚本；如果两步都有返回，但 Clawdbot 仍报错，问题就在前端配置或网络策略。
4.3 日志定位法：三日志联动分析
| 日志位置 | 查看命令 | 关键线索 |
|---|
proxy.log | tail -f proxy.log | 看是否有 500 Internal Server Error 或超时记录 |
http-server 终端输出 | 直接看启动终端 | 看是否有 404 Not Found 或 CORS 警告 |
| 浏览器 Console | F12 → Console | 看是否有 Uncaught (in promise) 错误 |
举个真实案例：某次调试中，proxy.log 显示 ReadTimeoutError，但 Ollama 本身响应很快。最后发现是代理脚本里 TIMEOUT = 300 写成了 3000（单位是秒），导致等待 3000 秒才超时，前端早已放弃。改成 300 后问题解决。
5. 进阶优化与稳定性加固
5.1 让服务开机自启（Linux/macOS）
把两个服务做成 systemd 服务，避免每次重启都要手动拉起：
创建 /etc/systemd/system/ollama-proxy.service：
[Unit]
Description=Ollama to OpenAI API Proxy
After=ollama.service
[Service]
Type=simple
User=$USER
WorkingDirectory=/path/to/your/proxy
ExecStart=/usr/bin/python3 /path/to/your/proxy_8080.py
Restart=always
RestartSec=10
[Install]
WantedBy=multi-user.target
sudo systemctl daemon-reload
sudo systemctl enable ollama-proxy
sudo systemctl start ollama-proxy
同理为 Clawdbot 创建 clawdbot-web.service，用 npx http-server 启动。
5.2 内存与显存监控（Qwen3-32B 专属）
Qwen3-32B 在推理时会占用约 20GB 显存（A10G）或 35GB 内存（CPU 模式）。建议加装监控：
ollama serve &
watch -n 1 'nvidia-smi --query-gpu=memory.used --format=csv,noheader,nounits | head -1'
如果显存持续 95% 以上，考虑在 config.json 中添加流式响应开关（需 Clawdbot v0.8.2+）：
这样 Ollama 会边生成边返回 token，降低内存峰值。
5.3 安全加固：限制本地访问
18789 端口默认只监听 127.0.0.1，但如果你用 http-server -a 0.0.0.0 开放了外网，务必加一层基础认证：
npm install -g http-server-auth
http-server-auth -p 18789 -u admin -p your_secure_password
6. 总结：从连不上到丝滑对话的六个关键点
回顾整个调试过程，真正卡住大家的从来不是技术多难，而是几个细节没对齐：
- 端口不是数字游戏：18789 是 Clawdbot 约定，8080 是代理中转站，11434 是 Ollama 原生端口——三者缺一不可，且不能互换
- 模型名必须一字不差：
qwen3:32B ≠ qwen3:32b ≠ qwen3-32B，大小写和符号都要严格匹配
- 代理是协议翻译器：不是简单端口转发，必须把 OpenAI 的 JSON 结构转成 Ollama 能懂的格式
- 日志要三端联动看：前端 Console、代理 log、Ollama 终端，漏掉任何一环都可能误判
- 超时设置要合理：Qwen3-32B 首 token 延迟可能达 8 秒，代理 timeout 至少设为 30 秒
- 验证要分层进行：先测 Ollama 原生 API → 再测代理层 → 最后测 Clawdbot 界面，层层递进
现在，当你在浏览器里输入 http://localhost:18789，敲下'你好'，看到 Qwen3-32B 用中文流畅回复时，你就已经完成了私有大模型聊天平台最关键的一步——不是调通了某个 API，而是打通了从用户输入到大模型思考的完整信任链。
下一步，你可以尝试把 config.json 里的 model 换成 qwen3:7B 做对比，感受不同参数规模下的响应速度差异；或者把代理脚本改成支持多模型路由，让一个端口服务多个大模型。
技术落地的魅力，永远在于'原来如此'的顿悟时刻，而不是堆砌术语的幻觉。
微信扫一扫，关注极客日志
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
相关免费在线工具
- RSA密钥对生成器
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
- Mermaid 预览与可视化编辑
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
- curl 转代码
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
- Base64 字符串编码/解码
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
- Base64 文件转换器
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
- Markdown 转 HTML
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online
