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

用OpenClaw做飞书ai办公机器人（含本地ollama模型接入+自动安装skills+数据可视化）

用OpenClaw做飞书ai办公机器人（含本地ollama模型接入+自动安装skills+数据可视化）

执行git clone https://github.com/openclaw/openclaw克隆项目，执行cd openclaw进入项目 执行node --version看看node的版本是否大于等于22（没有node.js需自行安装），再执行npm install -g pnpm安装作为包管理器，并执行pnpm install安装依赖 首次执行pnpm ui:build构建 Web UI（会先安装 ui/ 目录的依赖） 执行pnpm build构建主程序 执行pnpm openclaw onboard --install-daemon运行配置向导（安装守护进程），完成初始化 按键盘右箭头选择Yes，同样Yes 任选一个模型提供商都行，没有对应的提供商的密钥可以跳过，如果是本地模型选vLLM（需用vLLM框架启动模型，有性能优势，但原生vLLM仅完全支持Linux的cuda）、Custom Provider（可以连接任何 OpenAI 或 Anthropic 兼容的端点，
Being-H0.5：扩展以人为中心的机器人学习实现跨具身泛化

Being-H0.5：扩展以人为中心的机器人学习实现跨具身泛化

26年1月来自的BeingBeyond团队的论文“Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization”。 Being-H0.5 是一个基础视觉-语言-动作 (VLA) 模型，旨在实现跨不同机器人平台的鲁棒跨具身泛化。现有的 VLA 模型通常难以应对形态异质性和数据稀缺性，而提出的一种以人为中心学习范式，将人类交互痕迹视为物理交互的通用“母语”。为了支持这一范式，推出 UniHand-2.0，这是迄今为止规模最大的具身预训练方案，包含来自 30 种不同机器人具身的超过 35,000 小时多模态数据。该方法引入一个统一动作空间，将异构的机器人控制映射到语义对齐槽中，使低资源机器人能够从人类数据和高资源平台中引导技能。基于这一以人为中心的基础，设计一个统一的序列建模和多任务预训练范式，以连接人类演示和机器人执行。在架构上，Being-H0.5 采用混合 Transformer （MoT）设计，并引入一种混合流 (MoF) 框架，将共享的运动基元与特定于具身的专家解耦。

【 Intel/Altera FPGA技术实战 】Stratix 10 SOC GHRD工程自定义设计启动（四）

Stratix 10 SoC GHRD工程自定义设计启动步骤 硬件设计配置 确保Quartus Prime Pro已安装并支持Stratix 10器件。创建新工程时选择正确的器件型号（如1SG280HU2F53E2VGS1）。在Platform Designer中配置HPS组件，包括时钟、复位、DDR控制器和外设接口参数。生成QSYS系统后，将HDL文件集成到顶层设计中。 软件环境准备 安装Intel SoC FPGA Embedded Development Suite（EDS）工具链。通过EDS命令行生成预加载器（Preloader）和U-Boot镜像。配置HPS启动流程，确保BootROM能正确识别QSPI Flash或SD卡中的启动文件。修改设备树（DTS）以匹配硬件外设配置。 编译与下载流程 在Quartus中完成综合与布局布线，生成SOF文件。使用Convert Programming Files工具将SOF转换为Flash格式的POF文件。通过JTAG或AS编程器烧录到配置Flash中。对于HPS部分，将预加载器、U-Boot和Linux镜像打包成单一镜像写入
低代码AI化爆发：OpenClaw成企业数字化破局关键

低代码AI化爆发：OpenClaw成企业数字化破局关键

企业数字化转型喊了多年，却始终卡在两难境地：纯代码开发周期长、成本高、迭代慢，中小团队耗不起；传统低代码看似快捷，却只能做简单表单和固化流程，适配不了复杂业务，智能化更是形同虚设。        如今低代码AI化迎来全面爆发，行业彻底告别“拖拽凑数”的浅层次应用，可多数平台依旧停留在AI插件拼接的伪智能阶段。直到OpenClaw的落地，才真正打通了低代码、AI与企业业务的壁垒，凭借原生智能体能力，补齐企业数字化的最后一块短板，成为转型落地的核心抓手。 一、行业痛点：企业数字化的三座拦路大山        抛开浮华的概念，企业做数字化转型，最怕的不是没工具，而是工具不实用、不落地，当前市面上的方案普遍存在三大硬伤，卡死转型进度： * AI与业务割裂：低代码搭载的AI仅能做表层代码生成、问答交互，无法深度理解业务逻辑、对接企业现有系统，智能能力用不上、落地难； * 开发门槛仍偏高：即便用低代码，仍需专人配置流程、对接数据、调试权限，业务人员无法自主操作，技术团队负担依旧繁重； * 数据安全存隐患：多数AI能力依赖云端接口，企业核心业务数据、经营数据需要外发，隐