老手机 本地部署小龙虾OpenClaw（使用本地千问大模型）实机演示 Termux+Ubuntu+Llama 新手完整安装教程（含代码）

优质文章学习记录

— 7 min read
本教程提供从 0 到 1 的详细步骤，在安卓手机上通过 Termux 运行 Ubuntu，部署本地 Llama 大模型，并集成 OpenClaw 进行 AI 交互，全程无需 Root。建议手机配置：≥4GB 内存，≥64GB 存储，Android 7+。

一、准备工作

1.1 安装 Termux

  1. 从F-Droid或GitHub下载最新版 Termux（避免应用商店旧版本）
  2. 安装并打开，首次启动会自动配置基础环境

1.2 手机设置优化

  1. 开启开发者选项（设置→关于手机→连续点击版本号 7 次）
  2. 开启USB 调试（部分手机需要）
  3. 授予 Termux存储权限（后续步骤会自动请求）

二、Termux 基础配置与 Ubuntu 安装

2.1 Termux 初始化与换源（加速下载）

bash

运行

# 1. 更新系统包 pkg update -y && pkg upgrade -y # 2. 安装必要工具 pkg install -y proot-distro git curl wget termux-exec # 3. 授予存储权限（允许访问手机文件） termux-setup-storage # 4. 更换国内源（解决下载慢问题） echo "deb https://mirrors.tuna.tsinghua.edu.cn/termux/apt/termux-main stable main" > $PREFIX/etc/apt/sources.list pkg update -y

2.2 安装 Ubuntu 系统（Proot 容器，无需 Root）

bash

运行

# 1. 安装Ubuntu（默认最新LTS版本，约200MB） proot-distro install ubuntu # 2. 验证安装并登录Ubuntu proot-distro login ubuntu --isolated # --isolated参数必须加，避免环境变量冲突 # 登录成功后，终端提示符变为：root@localhost:~#

三、Ubuntu 环境配置（核心依赖安装）

在 Ubuntu 终端中执行以下命令（确保已通过proot-distro login ubuntu进入）：

3.1 系统更新与基础工具

bash

运行

# 1. 更新Ubuntu软件源 apt update -y && apt upgrade -y # 2. 安装必要依赖 apt install -y build-essential git curl wget nano python3 python3-pip nodejs npm

3.2 安装 Node.js（OpenClaw 依赖，必须 v22+）

bash

运行

# 卸载旧版本（如果有） apt remove -y nodejs npm # 安装Node.js v22 LTS curl -fsSL https://deb.nodesource.com/setup_22.x | bash - apt install -y nodejs # 验证版本（应显示v22+） node -v && npm -v # 安装pnpm（OpenClaw推荐包管理器） npm install -g pnpm

四、本地 Llama 模型部署（两种方案，推荐 Ollama）

方案 A：Ollama（推荐，新手友好，自动管理模型）

bash

运行

# 1. 安装Ollama（一键脚本） curl -fsSL https://ollama.com/install.sh | sh # 2. 启动Ollama服务（后台运行） nohup ollama serve > ollama.log 2>&1 & # 后台运行，日志保存到ollama.log # 3. 验证安装 ollama --version # 4. 下载轻量级Llama模型（手机推荐0.5B~7B参数） # 下载Qwen2.5-0.5B（中文支持好，仅需约300MB空间） ollama pull qwen2.5:0.5b # 或下载Llama 3.1-8B（英文优秀，约4.7GB） # ollama pull llama3.1:8b # 5. 测试模型（交互模式） ollama run qwen2.5:0.5b # 输入"你好"测试，输入"/bye"退出

方案 B：llama.cpp（手动编译，适合高级用户）

bash

运行

# 1. 克隆llama.cpp仓库 git clone https://github.com/ggerganov/llama.cpp.git cd llama.cpp # 2. 编译（手机CPU优化） make LLAMA_NATIVE=1 LLAMA_NO_ACCELERATE=1 # 禁用加速，适配手机CPU # 3. 下载GGUF格式Llama模型（推荐Q4_K_M量化版，体积小速度快） # 下载Qwen2.5-0.8B-UD-Q4_K_M.gguf（约500MB） wget https://hf-mirror.com/Qwen/Qwen2.5-0.8B-UD/resolve/main/Qwen2.5-0.8B-UD-Q4_K_M.gguf -P models/ # 4. 启动llama.cpp API服务（OpenClaw可通过API访问） ./server -m models/Qwen2.5-0.8B-UD-Q4_K_M.gguf -c 2048 --host 0.0.0.0 --port 8081 # -c 2048：上下文窗口大小 # --host 0.0.0.0：允许外部访问 # --port 8081：API端口

五、OpenClaw 安装与配置

5.1 安装 OpenClaw

bash

运行

# 1. 克隆OpenClaw仓库（或直接下载最新版） git clone https://github.com/openclaw/openclaw.git cd openclaw # 2. 安装依赖 pnpm install # 3. 初始化配置（自动生成.env文件） pnpm run setup

5.2 配置 OpenClaw 连接本地 Llama 模型

情况 1：连接 Ollama（推荐）

在初始化过程中，按以下提示配置：

plaintext

? 请选择默认模型提供商: Ollama ? Ollama API 地址: http://localhost:11434 # Ollama默认端口 ? 请设置Ollama API密钥: ollama-local # 任意值即可，Ollama不需要真实密钥 ? 请选择默认模型: qwen2.5:0.5b # 选择已下载的模型
情况 2：连接 llama.cpp API

bash

运行

# 修改.env文件 nano .env # 添加以下内容（替换原有Ollama配置） MODELS_PROVIDERS_CUSTOM_API_BASE_URL=http://localhost:8081/v1 MODELS_PROVIDERS_CUSTOM_API_KEY=sk-local # 任意值 DEFAULT_MODEL=custom:llama # 保存并退出（Ctrl+O，回车，Ctrl+X）

5.3 启动 OpenClaw

bash

运行

# 开发模式启动（适合调试） pnpm run dev # 或生产模式启动（推荐，性能更好） pnpm run build pnpm run start # 启动成功后，会显示： # > OpenClaw is running on http://localhost:8080

六、访问与使用 OpenClaw

6.1 本地访问（手机浏览器）

  1. 保持 Termux/Ubuntu 终端运行，不要关闭
  2. 打开手机浏览器，输入：http://localhost:8080
  3. 进入 OpenClaw 界面，在左侧选择 "模型交互"
  4. 右侧选择已配置的模型（如 qwen2.5:0.5b）
  5. 输入问题，点击 "发送"，等待回复（手机性能有限，首次可能需要 10-30 秒）

6.2 局域网访问（其他设备）

bash

运行

# 查看手机IP地址（在Ubuntu终端执行） ip a # 查找inet后的地址，如192.168.1.100 # 其他设备浏览器输入：http://手机IP:8080 # 例如：http://192.168.1.100:8080

七、常见问题解决

问题 1：Ollama 启动失败

bash

运行

# 查看日志 cat ollama.log # 常见修复：重启服务 pkill ollama nohup ollama serve > ollama.log 2>&1 &

问题 2：OpenClaw 连接模型失败

bash

运行

# 1. 检查模型服务是否运行 # Ollama： curl http://localhost:11434/v1/models # 应返回模型列表 # llama.cpp： curl http://localhost:8081/v1/models # 应返回模型列表 # 2. 检查.env配置是否正确 cat .env # 3. 重启OpenClaw pnpm run restart

问题 3：内存不足 / 运行缓慢

  1. 选择更小的模型（如 0.5B~2B 参数）
  2. 关闭其他后台应用
  3. 降低模型上下文窗口（llama.cpp 中-c 512代替-c 2048）

七、完整操作流程总结（快速参考）

bash

运行

# 1. 启动Termux # 2. 进入Ubuntu proot-distro login ubuntu --isolated # 3. 启动Ollama服务（如果未启动） nohup ollama serve > ollama.log 2>&1 & # 4. 进入OpenClaw目录 cd openclaw # 5. 启动OpenClaw pnpm run start # 6. 打开浏览器访问http://localhost:8080

八、进阶技巧

后台运行与进程管理

bash

运行

# 1. 查看后台进程 jobs # 2. 将前台进程转为后台（Ctrl+Z后） bg # 3. 恢复后台进程到前台 fg [进程号] # 4. 永久后台运行（重启后仍生效） echo "nohup ollama serve > ollama.log 2>&1 &" >> ~/.bashrc echo "cd /root/openclaw && pnpm run start" >> ~/.bashrc

模型推荐（手机性能友好）

表格

模型名称参数大小占用空间推荐指数特点
Qwen2.5-0.5B0.5B~300MB★★★★★中文支持好，速度快
Llama 3.1-1B1B~600MB★★★★☆英文优秀，轻量级
Mistral-7B-Instruct-v0.37B~4GB★★★☆☆性能强，需≥8GB 内存

常见问题 Q&A

  1. 是否需要 Root？不需要！全程使用 Proot 容器技术，安全无风险
  2. 手机最低配置要求？建议≥4GB RAM，≥64GB 存储，Android 7+
  3. 模型下载慢怎么办？使用国内镜像源，如hf-mirror.com，或在电脑下载后通过 USB 传输到手机
  4. 如何关闭服务？
    • OpenClaw：Ctrl+C
    • Ollama：pkill ollama
    • Ubuntu：exit 退出，然后关闭 Termux

老手机 本地部署小龙虾OpenClaw（使用本地千问大模型）

现在你已经成功在手机上搭建了完整的本地 AI 环境，可以开始使用 OpenClaw 与 Llama 模型进行交互了！

大模型交流群：959957732

Read more

GitHub Copilot 调用第三方模型API

GitHub Copilot 调用第三方模型API

一、说明 OAI Compatible Provider for Copilot 的作用是：把 Copilot/Copilot Chat 发出的“类似 OpenAI API 的请求”，转发到指定的 OpenAI-Compatible 服务端（例如 ModelScope 推理网关、自建的兼容网关等）。 ⚠️ Warning 登录 GitHub Copilot 的账号一定要是非组织方式开通 pro 会员的，不然无法管理模型。 推荐直接用免费的free账号登录即可。 二、插件安装 在 VS Code 扩展市场安装并启用： * GitHub Copilot * GitHub Copilot Chat * OAI Compatible Provider for Copilot （johnny-zhao.
【AIGC】与模型对话：理解与预防ChatGPT中的常见误解

【AIGC】与模型对话：理解与预防ChatGPT中的常见误解

博客主页： [小ᶻ☡꙳ᵃⁱᵍᶜ꙳]本文专栏: AIGC |ChatGPT 文章目录 * 💯前言 * 💯模型的工作原理和用户期望差异 * 人工智能模型的基本工作原理 * 认知上的局限与误解 * 用户期望与模型实际能力的差距 * 精确理解用户意图的重要性 * 实际应用中的建议 * 💯具体案例分析：用户交互中的误区 * 园艺爱好者的具体问题 * 寻求情感支持的深度理解 * 对复杂科学问题的精准回应 * 💯如何有效避免误区和提升交流质量 * 明确提问的艺术 * 提供上下文信息的重要性 * 利用多次迭代来精细化回答 * 通过实例验证模型的回答 * 全面提供详细的背景信息 * 💯小结 💯前言 在与ChatGPT互动时，很多人会因为不了解其工作方式而产生误解。为了更好地利用这一强大的工具，我们需要学会如何清晰表达问题，提供必要的背景信息，从而减少沟通中的偏差。本文将聚焦于这些常见的误解，并探讨有效的解决策略，帮助你更高效地与ChatGPT进行对话，发挥其最大潜力。 如何为GPT-4编
再见 Copilot，你好 Agent：4000 字回顾 2025 AI 编程的“爆发元年”

再见 Copilot，你好 Agent：4000 字回顾 2025 AI 编程的“爆发元年”

大家好，我是十二。专注于分享AI编程方面的内容，欢迎关注。 从 2026 年初回看，2025 年无疑是编程史上极不平凡的一年。 一、技术奇点与开发范式的根本性重构 如果说 2023 年是“生成式AI”的元年，2024 年是“Copilot”的普及年，那么2025 年则被行业公认为“Agentic Coding”的爆发元年。 作为一名软件开发从业人员和 AI 编程博主，我在这一年里见证了软件工程领域的深刻变革：开发者不再仅仅是代码的编写者，而逐渐演变为 AI 代理的架构师与指挥官。 这一转变并非一蹴而就，而是由底层模型能力的跃升、上下文处理技术的突破以及全新交互协议的标准化共同催化的结果。 1.1 技术底座的跃迁：推理模型与百万级上下文 2025 年的 AI 编程产品之所以能呈现出井喷之势，首先归功于底层大模型在推理能力上的质变。 以 OpenAI 的 GPT-5 系列、
AIGC浪潮下，风靡全球的Mcp到底是什么？一文讲懂，技术小白都知道！！

AIGC浪潮下，风靡全球的Mcp到底是什么？一文讲懂，技术小白都知道！！

个人主页-爱因斯晨 文章专栏-AIGC   长大好多烦恼，好愁！ 目录   前言 初步了解 Mcp到底是个啥？ 发展 理论基础 核心组件 使用逻辑 于传统API不同之处 模型推荐   前言 上年这个时候，刚拿到录取通知书。哥哥教我用ai智能体，其实就是向我炫技。当时我问他，为什么不能直接给我生成图表，直接给我生成多好，省得我再去复制了。他说，其实很简单，只要做个接口协议什么的就行，只是目前国内没人做。当时说的很高深，我也听不懂。没想到年底，这个功能就实现内测了。在某种程度上，我也算是预言了哈哈。 初步了解 Mcp到底是个啥？ Mcp，全称 Model Context Protocol，翻译过来是模型上下文协议。你不用管这高大上的名字，简单说，它就是和大 AI 模型聊天时，一种把相关信息整理好、按规矩传给 AI 的方式。