免费开源AI工具:CoPaw与OpenFang整理

免费开源AI工具:CoPaw与OpenFang整理

CoPawOpenFang,两者软件本体都免费开源,但模型 API 可能产生费用

CoPaw(阿里云)

  • 软件本身完全免费开源(Apache 2.0),无会员、无广告、无功能限制
  • 本地部署:免费,仅需 Python 环境,可跑本地模型(Ollama 等),零 API 费用
  • 云端部署:魔搭创空间有免费测试额度;长期使用按云资源(CPU/GPU/ 存储)计费
  • 模型 API:调用通义千问、OpenAI、DeepSeek 等按官方标准按量付费

 CoPaw GitHub 地址

https://github.com/agentscope-ai/CoPaw

OpenFang(AI Agent 操作系统)

  • 软件本身完全免费开源(Apache-2.0 + MIT),可商用、可二次开发
  • 本地部署:免费,支持 Ollama、LM Studio 等本地模型,零 API 费用
  • 云端部署:免费,仅承担云服务器 / 算力成本
  • 模型 API:调用云端大模型按各厂商标准付费

OpenFang GitHub 地址

https://github.com/RightNow-AI/openfangGitHub

一句话总结:工具免费,模型可能花钱;本地跑模型则全程免费

Ollama 本地运行的内存需求,核心看模型大小 + 量化等级,CoPaw 调用时和直接用 Ollama 一致。

📌 主流模型内存参考(纯 CPU,Q4 量化)

  • 0.5B / 1B≥4GB 内存即可跑(入门聊天 / 简单任务)
  • 3B≥6GB 内存(日常对话、写文案)
  • 7B≥8GB 内存(流畅对话、代码、写作)
  • 13B≥16GB 内存(强推理、长文本)
  • 32B≥32GB 内存(复杂分析、专业场景)
  • 70B≥64GB 内存(企业级、深度推理)

🧠 关键影响因素

  • 量化等级:Q2/Q3 比 Q4 更省内存,但效果略降;Q5/Q8 效果更好但更占内存
  • GPU 加速:有 NVIDIA/Apple Silicon 时,显存分担内存压力,16GB 内存 + 4GB 显存可流畅跑 7B
  • 上下文窗口num_ctx 越大越占内存,默认 2048 够用,开 8192 会多占 1–2GB
  • 系统占用:Windows/macOS 本身占 2–4GB,建议预留 2GB 冗余

✅ 给 CoPaw 用的最佳实践

  • 8GB 内存:选 3B 模型(qwen2.5:3b、llama3.2:3b),别跑 7B
  • 16GB 内存:选 7B 模型(qwen2.5:7b、mistral:7b),日常足够
  • 32GB+ 内存:可上 13B/32B,体验接近 GPT-3.5

🛠️ 内存不够怎么办

  1. 换更小模型(3B 比 7B 省一半)
  2. 用更低量化(ollama pull qwen2.5:7b-q2_K
  3. 限制上下文:/set parameter num_ctx 2048
  4. 关闭其他软件,释放内存

方式一:

CoPaw 原生支持 Ollama,配置非常简单

一、准备工作

  1. 安装 Ollama(官网:ollama.com
  2. 启动 Ollama 服务(默认端口 11434)
  3. 安装 CoPaw 的 Ollama 依赖:
pip install ollama 

二、CoPaw 配置 Ollama(3 步)

1. 拉取 Ollama 模型(CoPaw CLI)
# 下载模型(示例:qwen2.5:3b、mistral:7b) copaw models ollama-pull qwen2.5:3b copaw models ollama-pull mistral:7b # 查看已下载模型 copaw models ollama-list 
2. 配置 CoPaw 使用 Ollama
# 进入配置向导,选择Ollama copaw models config # 按提示:选择 Ollama → 从列表选模型 → 设为默认 
3. 切换模型(后续)
# 快速切换Ollama模型 copaw models set-llm 

三、验证是否生效

# 启动CoPaw聊天,用本地Ollama模型 copaw chat 

此时 CoPaw 会直接调用本地 Ollama,全程免费、无 API 费用

四、常见问题

  • Ollama 未启动:先运行 ollama run llama3 确保服务正常
  • 模型拉取失败:检查网络,或用 ollama pull qwen2.5:3b 直接拉取
  • 端口被占用:修改 Ollama 端口,CoPaw 会自动检测
✅ 官方流程(Windows 本地)1. 安装(必须用 PowerShell,不能用 CMD)2. 初始化3. 启动 Web 界面

浏览器自动打开:http://127.0.0.1:80885. 控制台对话,配置钉钉机器人(最常用)http://127.0.0.1:8088启动后,直接在聊天框发指令发送指令:帮我配置钉钉机器人CoPaw 会引导你到 Control → Channels 页面,或直接给出配置入口。后续在 频道 手动填入 client_idclient_secret 并启用📌 最终可直接复制的 Windows 一键命令合集(PowerShell)

方式二::Windows + 内网穿透(最简单、最推荐)

本地 Windows 运行 CoPaw,用内网穿透工具让外网能访问。适合:个人使用、稳定长期跑。

工具(免费够用):

  • 钉钉内网穿透
  • Sunny-Ngrok
  • ZeroTier
  • Tailscale

流程:

  1. Windows 正常安装启动 CoPaw
  2. 开一个内网穿透,映射到 127.0.0.1:8088
  3. 外网直接访问穿透给你的域名 / IP 即可

优点:

  • 完全 Windows
  • 不用买服务器
  • 不用学 Linux
  • 现在就能用

方式三:(其他方式整理官方部署说明书

可放服务器、外网访问、长期运行 方案Linux 云服务器 + 1Panel:专门用来 24 小时运行 CoPaw、钉钉机器人长期在线。不是大众软件适合玩服务器、部署 AI、自建服务的人

一、1Panel 是什么

1Panel 是飞致云出品、现代化开源的 Linux 服务器运维管理面板,主打容器化、轻量化、AI 友好,用 Web 界面就能一键管理服务器、部署应用、建站、配置 SSL、管理数据库与容器1Panel。

  • 核心定位:Linux 服务器 “智能管家”,适合个人 / 团队快速部署网站、AI 模型、智能体(如 CoPaw)。
  • 关键优势:
    • 容器化部署(Docker),应用隔离、漏洞面小。
    • 应用商店一键装 AI 工具(Ollama、CoPaw 等)、建站程序1Panel。
    • 支持 GPU 监控、本地大模型 / 智能体管理1Panel。
    • 一键建站、SSL 证书、密码访问、数据备份1Panel。

二、官方网址

三、1Panel 部署 CoPaw 智能体 极简完整版

1. 安装 CoPaw
  1. 进入 1Panel → 左侧 应用商店
  2. 点击 全部AI → 找到 copaw
  3. 开启 端口外部访问 → 确认
  4. 等待安装完成
2. 进入并配置模型
  1. 顶部菜单 已安装 → 找到 copaw → 跳转 打开界面
  2. 进入 模型设置
    • Ollama:本地模型,直接用
    • DashScope:需要去阿里云百炼申请 API Key 并填入
  3. 选择对应 LLM 模型 → 保存
3. 创建外网可访问的网站
  1. 左侧 网站创建网站
  2. 选择 已装应用 → 下拉选 copaw
  3. 填写你的 域名 → 确认
4. 配置 HTTPS 证书
  1. 左侧 证书申请证书
  2. 填入域名 → 开启 自动续期 → 确认
  3. 回到 网站 → 点击你的网站名称
  4. 进入 HTTPS → 开启 HTTPS → 选择证书 → 保存
5. 设置密码访问(安全)
  1. 进入网站设置 → 密码访问
  2. 点击 创建
  3. 设置 用户名 + 密码 → 开启
6. 外网访问

浏览器输入你配置的域名,输入用户名、密码,即可进入 CoPaw 操作界面。


Read more

【OpenClaw从入门到精通】第10篇:OpenClaw生产环境部署全攻略:性能优化+安全加固+监控运维(2026实测版)

【OpenClaw从入门到精通】第10篇:OpenClaw生产环境部署全攻略:性能优化+安全加固+监控运维(2026实测版)

摘要:本文聚焦OpenClaw从测试环境走向生产环境的核心痛点,围绕“性能优化、安全加固、监控运维”三大维度展开实操讲解。先明确生产环境硬件/系统选型标准,再通过硬件层资源管控、模型调度策略、缓存优化等手段提升响应速度(实测响应效率提升50%+);接着从网络、权限、数据三层构建安全防护体系,集成火山引擎安全方案拦截高危操作;最后落地TenacitOS可视化监控与Prometheus告警体系,配套完整故障排查清单和虚拟实战案例。全文所有配置、代码均经实测验证,兼顾新手入门实操性和进阶读者的生产级部署需求,帮助开发者真正实现OpenClaw从“能用”到“放心用”的跨越。 优质专栏欢迎订阅! 【DeepSeek深度应用】【Python高阶开发:AI自动化与数据工程实战】【YOLOv11工业级实战】 【机器视觉:C# + HALCON】【大模型微调实战:平民级微调技术全解】 【人工智能之深度学习】【AI 赋能:Python 人工智能应用实战】【数字孪生与仿真技术实战指南】 【AI工程化落地与YOLOv8/v9实战】【C#工业上位机高级应用:高并发通信+性能优化】 【Java生产级避坑指南:

By Ne0inhk
ARM Linux 驱动开发篇--- Linux 并发与竞争实验(互斥体实现 LED 设备互斥访问)--- Ubuntu20.04互斥体实验

ARM Linux 驱动开发篇--- Linux 并发与竞争实验(互斥体实现 LED 设备互斥访问)--- Ubuntu20.04互斥体实验

🎬 渡水无言:个人主页渡水无言 ❄专栏传送门: 《linux专栏》《嵌入式linux驱动开发》《linux系统移植专栏》 ❄专栏传送门: 《freertos专栏》《STM32 HAL库专栏》 ⭐️流水不争先,争的是滔滔不绝  📚博主简介:第二十届中国研究生电子设计竞赛全国二等奖 |国家奖学金 | 省级三好学生 | 省级优秀毕业生获得者 | ZEEKLOG新星杯TOP18 | 半导纵横专栏博主 | 211在读研究生 在这里主要分享自己学习的linux嵌入式领域知识;有分享错误或者不足的地方欢迎大佬指导,也欢迎各位大佬互相三连 目录 前言  一、实验基础说明 1.1、互斥体简介 1.2 本次实验设计思路 二、硬件原理分析(看过之前博客的可以忽略) 三、实验程序编写 3.1 互斥体 LED 驱动代码(mutex.c) 3.2.1、设备结构体定义(28-39

By Ne0inhk
Flutter for OpenHarmony:swagger_dart_code_generator 接口代码自动化生成的救星(OpenAPI/Swagger) 深度解析与鸿蒙适配指南

Flutter for OpenHarmony:swagger_dart_code_generator 接口代码自动化生成的救星(OpenAPI/Swagger) 深度解析与鸿蒙适配指南

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net 前言 后端工程师扔给你一个 Swagger (OpenAPI) 文档地址,你会怎么做? 1. 对着文档,手写 Dart Model 类(容易写错字段类型)。 2. 手写 Retrofit/Dio 的 API 接口定义(容易拼错 URL)。 3. 当后端修改了字段名,你对着报错修半天。 这是重复劳动的地狱。 swagger_dart_code_generator 可以将 Swagger (JSON/YAML) 文件直接转换为高质量的 Dart 代码,包括: * Model 类:支持 json_serializable,带 fromJson/

By Ne0inhk
Linux 开发别再卡壳!makefile/git/gdb 全流程实操 + 作业解析,新手看完直接用----《Hello Linux!》(5)

Linux 开发别再卡壳!makefile/git/gdb 全流程实操 + 作业解析,新手看完直接用----《Hello Linux!》(5)

文章目录 * 前言 * make/makefile * 文件的三个时间 * Linux第一个小程序-进度条 * 回车和换行 * 缓冲区 * 程序的代码展示 * git指令 * 关于gitee * Linux调试器-gdb使用 * 作业部分 前言 做 Linux 开发时,你是不是也遇到过这些 “卡脖子” 时刻?写 makefile 时,明明语法没错却报错,最后发现是依赖方法行没加 Tab;想提交代码到 gitee,记不清 git add/commit/push 的 “三板斧”,还得反复搜教程;用 gdb 调试程序,输了命令没反应,才想起编译时没加-g生成 debug 版本;甚至连写个进度条,都搞不懂\r和\n的区别,导致进度条乱跳…… 其实这些问题,

By Ne0inhk