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

Visual Components Robotics OLP：一站式机器人离线编程解决方案

Visual Components Robotics OLP：一站式机器人离线编程解决方案

这是一份详尽全面的机器人离线编程（OLP）指南。本文在介绍该技术主题后，将逐一厘清相关常见误区、阐述其解决的核心问题、分析技术优势，并结合实际落地案例展示其成功应用效果。 机器人离线编程（OLP）的概念虽已被探讨多年，但我们认为制造企业仍未充分认识到其价值，在工业机器人应用于焊接、加工、喷涂等作业的生产场景中，这一问题尤为突出。本文将通过以下主题，全面破除关于 OLP 的各类认知误区： • 何为 OLP？ • 机器人离线编程发展简史 • 关于 OLP 的常见认知误区 • 未应用 OLP 的典型工作流程痛点 • OLP 的优势 • OLP 的应用场景 • 对小批量生产的影响 • OLP 成功应用案例 • 为何 OLP 应成为机器人应用制造企业的标配工具 • 机器人 OLP 解决方案 何为 OLP？ 机器人离线编程（OLP）是一种基于三维 CAD 数据，在计算机软件（

Qwen3-TTS-Tokenizer-12Hz应用场景：AR眼镜实时语音交互token流低延迟传输

Qwen3-TTS-Tokenizer-12Hz应用场景：AR眼镜实时语音交互token流低延迟传输 1. AR眼镜语音交互的技术挑战 AR眼镜作为下一代人机交互终端，正面临着一个核心难题：如何在有限的硬件资源下实现高质量的实时语音交互。传统音频传输方案存在几个关键痛点： 带宽瓶颈问题：高清音频流需要占用大量带宽，在无线传输环境下容易造成延迟和卡顿。一段1分钟的16kHz采样音频就需要近2MB的传输量，这对于AR眼镜的电池续航和网络稳定性都是巨大挑战。 实时性要求：语音交互需要极低的端到端延迟，理想情况下应该控制在100毫秒以内。传统编解码器由于计算复杂，往往难以在资源受限的AR设备上实现这样的性能。 音质保真度：在压缩传输过程中，语音质量容易受损，影响语音识别准确率和用户体验。特别是在嘈杂环境中，低质量的音频会让AR眼镜的语音助手变得"耳背"。 这些挑战催生了对新一代音频编解码技术的需求，而Qwen3-TTS-Tokenizer-12Hz正是为此而生。 2. Qwen3-TTS-Tokenizer-12Hz技术原理 2.1 超低采样率编码 Qwen3-TTS-T
Linux Camera驱动开发（fpga vs soc）

Linux Camera驱动开发（fpga vs soc）

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】         不管是mipi camera，还是dvp camera，都可以通过fpga芯片，或者是soc芯片对它们进行数据处理。实际处理过程当中，两者有很多的相似点，也有很多的不同点。今天，正好有机会可以讨论下。 1、支持camera数量不同         对于fpga而言，支持的camera数量取决于内部资源的数量。最典型的fpga开发板，就是几个camera sensor接口，一个ddr，一个hdmi输出接口。如果本身fpga内部资源比较多，那么支持的camera数量就会多一点，反之则少一点。而soc支持的camera数量是固定的，少则一个都没有，多则3、4个，7、8个都是有可能的。 2、isp支持不同         fpga内部没有isp。一般fpga通过i2c ip和csi2 & mipi dphy ip接入camera获取数据之后，就可以开始处理camera数据了。但是fpga内部是没有固化isp ip的，一般需要自己写，
FPGA直方图均衡化/直方图拉伸/FPGA图像处理 工程和算法包含以下内容： 1，MATLAB...

FPGA直方图均衡化/直方图拉伸/FPGA图像处理 工程和算法包含以下内容： 1，MATLAB...

FPGA直方图均衡化/直方图拉伸/FPGA图像处理 工程和算法包含以下内容： 1，MATLAB中实现图像处理。 2，verilog代码利用MATLAB联合modelsim仿真实现的图像处理。 3，小梅哥AC620和正点原子新起点/开拓者的FPGA板卡上实现的图像处理。 4，效果展示。 有理论支撑，有仿真波形，有详细代码 DIPUM 工具箱全景解读 —— 从“冈萨雷斯数字图像处理 MATLAB 源码”看图像处理底层能力地图 一、写作背景 《数字图像处理（MATLAB 版）》配套 DIPUM Toolbox 是高校与工业界最常用的教学-科研混合体之一。它用纯 M 语言实现了教材中 90 % 以上的算法原型，涵盖 2-D 滤波、几何变换、彩色空间、形态学、小波、压缩、分割、描述子、特征匹配等 12 大类能力。