旧电脑也能跑 AI 员工？OpenClaw 本地部署与插件开发实战

1.3 API Key 获取

如果选择在线模型，推荐使用阿里通义千问。登录开放平台后，在控制台生成 sk-开头的密钥即可。若仅使用本地模型，此步骤可跳过。

1.4 轻量化优化技巧

对于 2GiB 内存的机器，关闭不必要的后台进程至关重要。Windows 下可结束 Chrome、微信等占用内存高的进程；Ubuntu 下则限制服务启动。同时，调整虚拟内存和磁盘读写参数能显著降低卡顿。

# Ubuntu 限制内存使用
sudo sysctl -w vm.dirty_ratio=5
sudo sysctl -w vm.dirty_background_ratio=2

二、OpenClaw 核心部署

2.1 源码克隆与依赖安装

建议使用国内镜像加速下载，避免 GitHub 连接超时。

# 创建目录并克隆
mkdir ~/openclaw && cd ~/openclaw
git clone https://github.moeyy.xyz/https://github.com/openclaw/openclaw.git
cd openclaw

# 安装 pnpm 及项目依赖
npm install -g pnpm --registry https://registry.npmmirror.com
pnpm install --registry https://registry.npmmirror.com --no-optional

# 补充 Python 依赖
pip3 install dashscope requests pyyaml python-dotenv -i https://mirrors.aliyun.com/pypi/simple/

2.2 配置文件修改

在项目根目录编辑 config.yaml。注意缩进敏感，直接复制以下内容并根据需求微调。这里重点展示了如何切换本地模型与在线模型。

bot:
  name: OpenClaw-AI-Employee
  version: latest
  language: zh-CN
memory:
  enabled: true
  max_size: 100 # 限制记忆大小，节省内存
model:
  type: local # 或 online
  # 在线模型配置示例
  online:
    api_key: "你的 API Key"
    base_url: "https://dashscope.aliyuncs.com/compatible-mode/v1"
    model: "qwen-turbo"
  # 本地模型配置示例
  local:
    model: "ministral-3:8b" # 推荐，6GiB 大小
    ollama_url: "http://localhost:11434"
gateway:
  port: 18789
  lightweight: true # 开启轻量化模式
skills:
  enabled: true
  auto_load: true
  max_concurrent: 2 # 限制并发数

2.3 本地模型与服务启动

确保 Ollama 服务已运行，然后拉取合适的模型。对于低配机，量化版模型是必须的。

# 拉取轻量模型
ollama pull llama3:8b-instruct-q4_0

# 启动 Ollama 服务
nohup ollama serve > ollama.log 2>&1 &

# 启动 OpenClaw
pnpm start:lightweight

启动后访问 http://127.0.0.1:18789/ 即可看到 Web Dashboard。通过命令行发送测试消息验证功能是否正常。

三、插件开发实战

OpenClaw 的插件机制非常灵活，基于 TypeScript 开发。我们可以自定义功能来增强 AI 的能力，比如批量文件处理。

3.1 初始化插件结构

首先安装开发依赖，并按照规范创建目录。

pnpm install -D typescript @types/node oxlint oxfmt --registry https://registry.npmmirror.com
npx tsc --init --target ES6 --module ESNext --outDir dist --rootDir src
mkdir -p src/plugins/compress-files
cd src/plugins/compress-files
touch index.ts SKILL.md package.json .eslintrc.js

3.2 定义功能与实现逻辑

SKILL.md 用于向 AI 描述插件能力，index.ts 包含核心代码。这里以文件压缩为例，注意控制资源占用。

package.json

{
  "name": "compress-files-plugin",
  "version": "1.0.0",
  "main": "dist/index.js",
  "type": "module",
  "dependencies": {
    "archiver": "^7.0.1"
  }
}

SKILL.md

# 插件名称：文件批量压缩插件
# 功能：批量压缩指定目录下的文件，生成 zip 压缩包
# 输入参数：dirPath(路径), zipName(文件名), ignore(忽略列表)

index.ts

import fs from 'fs';
import path from 'path';
import archiver from 'archiver';

export class CompressFilesPlugin {
  public static pluginId = 'compress-files-plugin';
  public static version = '1.0.0';
  private static readonly isLightweight = true;

  public async execute(params: { dirPath: string; zipName: string; ignore?: string[]; }) {
    try {
      const { dirPath, zipName, ignore = [] } = params;
      if (!fs.existsSync(dirPath)) return { success: false, error: '目录不存在' };

      const absoluteDirPath = path.resolve(dirPath);
      const zipPath = path.resolve(`${zipName}.zip`);
      const output = fs.createWriteStream(zipPath);
      const archive = archiver('zip', { zlib: { level: 1 } }); // 最低压缩级别

      archive.pipe(output);
      archive.directory(absoluteDirPath, false, (entry) => {
        const isIgnore = ignore.some((item) => entry.name.includes(item));
        return !isIgnore;
      });

      await archive.finalize();
      return { success: true, data: { zipPath } };
    } catch (error) {
      return { success: false, error: (error as Error).message };
    }
  }

  public static register() {
    return { pluginId: this.pluginId, version: this.version, execute: (params: any) => new this().execute(params) };
  }
}

export default CompressFilesPlugin.register();

3.3 打包与验证

编译完成后，回到项目根目录安装并重启服务。

npx tsc
pnpm run plugin:install -- --path src/plugins/compress-files
pnpm run restart:lightweight

发送指令调用插件，观察日志输出是否成功。

四、常见问题排查

在实际操作中，可能会遇到一些典型报错，以下是快速解决方案。

1. 启动失败提示 VT-x 禁用

这通常意味着 BIOS 中的虚拟化未开启。重启电脑进入 BIOS 设置，找到 Virtualization Technology 并设为 Enabled。

2. 依赖安装超时

检查 npm 和 pip 镜像配置是否正确。清理缓存后重新安装：

npm cache clean --force
pnpm cache clean

3. CPU 占用过高

检查 config.yaml 中的 max_concurrent 是否设置过大，建议设为 1。同时关闭浏览器等无关进程释放资源。

4. 内存不足导致模型加载失败

尝试更换更小的量化模型，如 llama3:8b-instruct-q4_0，并限制 Ollama 内存：

setx OLLAMA_MAX_MEMORY "2GB" /m

5. 端口被占用

默认端口 18789 如果被占用，可使用 netstat 查看并结束进程，或在配置文件中修改端口号。

五、进阶优化建议

为了让体验更丝滑，可以进一步优化系统资源。

1. 模型量化：使用 Q2_K 等更低精度的模型进一步降低显存占用。
2. 服务化：将 OpenClaw 注册为系统服务，实现开机自启且后台运行。
3. 日志管理：仅记录错误日志，避免大量 IO 操作影响机械硬盘性能。

通过以上配置，即使是几年前的旧电脑，也能稳定运行 AI 员工，处理文件整理、文本总结等日常任务。