OpenClaw 都在排队养,你还在云端白嫖?手把手教你用 Python 搭建本地 AI 智能体(小白也能养自己的小龙虾)

OpenClaw 都在排队养,你还在云端白嫖?手把手教你用 Python 搭建本地 AI 智能体(小白也能养自己的小龙虾)

🦞 长文警告!

📜 文章目录(点击跳转,这波操作稳如老狗)

  1. 前言:别再当云端 AI 的韭菜了,把“小龙虾”养在自己家
  2. 第一步:给电脑装个“胃”——下载安装 Python(含官网地址)
  3. 第二步:请个本地“大脑”——Ollama + Qwen 模型(白嫖党狂喜)
  4. 第三步:搭个“龙虾笼子”——安装 OpenClaw(附项目地址)
  5. 第四步:用 Python 写个“传话筒”,让你的小龙虾听你指挥
  6. 第五步:第一次对话——你的本地贾维斯上线
  7. 总结:白嫖虽好,但别让龙虾把你的电脑“钳”坏了

一、前言:别再当云端 AI 的韭菜了,把“小龙虾”养在自己家

最近科技圈最火的,除了 AI,就是那只 **红色小龙虾 OpenClaw**。

  • GitHub 上 Star 数狂飙,成为史上增长最快的开源项目之一。
  • 线下甚至出现了“排队领虾”的盛况,连 60 多岁的大爷大妈都去帮子女“领虾”,就为了能在本地跑个 AI 帮忙干活。
  • QQ 已经官方支持一键接入 OpenClaw,创建专属 QQ 机器人,让 AI 从“问答工具”变成“能干活的小龙虾”。
    但很多人一听到“本地部署”“Python 环境”“命令行”,直接劝退:
“我连 Python 是啥都不知道,还养虾?”
别慌!这篇教程就是为你这种 小白 准备的:
  • 不会编程? 没关系,我连每个按钮点哪里都给你写清楚。
  • 电脑配置一般? 我们用 Qwen 这种能在普通本上跑的模型。
  • 想白嫖? 模型、工具全部免费,只要你不把龙虾当员工拼命使唤,电费还是出得起的。
⚠️ 高能预警:
本文 非常长,因为我不会只给你一个“大概”,而是从“下载哪个按钮”到“每个命令复制哪一行”,都拆开讲。
建议先 收藏 + 点赞,防止刷着刷着就找不到了。

二、第一步:给电脑装个“胃”——下载安装 Python

AI 智能体要“吃”的是代码,Python 就是它的饭碗。我们先把它装好。 ### 2.1 打开 Python 官网

  1. 打开浏览器(Edge / Chrome 都行)。
  2. 在地址栏输入并回车:
    👉 https://www.python.org/downloads/
    你会看到类似这样的页面(不同版本号,布局类似):
  • 中间一个大标题:Download Python 3.x.x(比如 3.12.3)。
  • 下面有“Download Python install manager”和“Download Python 3.12.3”等链接。

2.2 下载 Windows 安装包(一步步来)

我们以 Windows 64 位系统 为例(大多数电脑都是这个):

  1. 在刚才的页面,往下拉,找到 “Stable Releases” 区域,或者直接点:
    👉 Python Releases for Windows
    进入 Windows 版本列表页面。
  2. 在列表里选一个稳定版本,比如 Python 3.12.3(页面上会标 “Latest Python 3 Release - Python 3.12.3”,你也可以选最新的 3.13.x,都行)。
  3. 在该版本下面,找到类似这样的链接(以 3.12.3 为例):
    • Download Windows installer (64-bit)
      对应链接类似:
      https://www.python.org/ftp/python/3.12.3/python-3.12.3-amd64.exe
  4. 点击 “Windows installer (64-bit)” 链接,开始下载 .exe 安装包。
小提示:
如果你不知道自己是 32 位还是 64 位,默认下载 64-bit 就行,现在大部分电脑都是 64 位。

2.3 安装 Python(这一步非常关键!)

下载完后,找到下载文件夹里的 python-3.12.3-amd64.exe(或你下载的版本)。

  1. 双击 运行安装程序。
  2. 你会看到一个窗口,底部有两个复选框,其中一个写着:
    Add Python to PATH(或者“Add Python to environment variables”)。
  3. 这一步一定要勾选!
    不然后面命令行里敲 python 它会告诉你“不是内部或外部命令”,很多人就是在这里劝退的。
  4. 勾选后,点击 Install Now(立即安装)。
  5. 等待安装完成,看到 “Setup was successful” 就 OK。
  6. 点击 Close 关闭窗口。

2.4 检查 Python 是否装好

  1. Win + R,输入 cmd,回车,打开命令提示符(黑框框)。

回车。如果看到类似:

Python 3.12.3 

说明 Python 已经装好了,可以继续下一步。

在黑框里输入:

python --version

三、第二步:请个本地“大脑”——Ollama + Qwen 模型

OpenClaw 本身不自带“脑子”,需要我们给它配一个本地大模型。这里我们用:

  • Ollama:一个本地运行大模型的工具,一键下载、一键跑模型。
  • Qwen:阿里开源的大模型,中文能力强,还能在本地跑,非常适合当“小龙虾”的大脑。

3.1 安装 Ollama

  1. 打开浏览器,访问:
    👉 https://ollama.com/
  2. 点击页面中间的 Download 按钮,选择 Windows 版本下载。
  3. 下载完后,双击 OllamaSetup.exe,一路 Install 即可。
  4. 安装完成后,Ollama 会在后台自动运行(任务栏右下角会有一个小图标)。

3.2 验证 Ollama 是否安装成功

  1. 打开一个新的命令提示符(Win + R → cmd)。
  2. 如果看到版本号,就说明 Ollama 安装成功。

输入:

ollama --version

3.3 下载 Qwen 模型(这是真正的大脑)

  1. 第一次运行时,Ollama 会自动下载 Qwen 模型(大约 4GB 左右,取决于具体版本)。
  2. 想退出对话,按 Ctrl + D 或输入 /bye

下载完成后,你会进入一个对话界面,可以直接在命令行里跟 Qwen 聊天:

>>> 你好,介绍一下自己 (模型会回答一串文字) 

在命令提示符里输入:

ollama run qwen2.5 

这个命令来自 Ollama 官方 Qwen 模型库页面。

小提示:
如果你的电脑内存不大(比如只有 8GB),可以考虑下载小一点的模型,比如 qwen2.5:0.5bqwen2.5:1.5b,占用内存更小。

四、第三步:搭个“龙虾笼子”——安装 OpenClaw

接下来,我们安装 OpenClaw,让它把 QQ / Telegram / Slack 等聊天工具和本地模型连起来,变成一个“小龙虾”智能体。

4.1 OpenClaw 项目地址

首先,我们要感谢开源社区的无私奉献!OpenClaw 的 GitHub 地址如下:
👉 https://github.com/OpenClawAI/OpenClaw
(注:以上为示例地址,具体以官网为准,目前 OpenClaw 官网为 https://openclaw.ai/,GitHub 上也有对应的仓库,大家可以自行 Star 支持!)

4.2 安装 Node.js(OpenClaw 需要 Node 环境)

OpenClaw 需要 Node.js 环境,我们先把 Node.js 装上。

  1. 打开浏览器,访问 Node.js 中文下载页:
    👉 https://nodejs.cn/download/
  2. 在页面里找到 Windows 安装包(.msi) 区域,选择 64-bit 下载(例如 node-v20.14.0-x64.msi)。
  3. 下载完后,双击 .msi 文件,一路 Next 安装即可。

安装完成后,打开新的命令提示符,输入:

node-vnpm-v

如果能看到版本号(比如 v20.14.0),说明 Node.js 安装成功。

4.3 使用 OpenClaw 官方一键安装脚本(Windows PowerShell)

OpenClaw 官方文档给了非常简单的安装脚本:

  1. Win + X,选择 “Windows PowerShell(管理员)”(或者直接搜索 PowerShell,右键“以管理员身份运行”)。
    • iwr -useb:用 WebRequest 下载脚本;
    • | iex:执行下载到的脚本。
  2. 脚本会自动帮你:
    • 安装/检查 Node.js 环境;
    • npm install -g openclaw@latest 安装 OpenClaw CLI;
    • 运行 openclaw onboard --install-daemon,启动一个“新手引导”。

在 PowerShell 中,复制并粘贴下面这条命令,然后回车:

iwr-useb https://openclaw.ai/install.ps1 |iex

这条命令的意思是:

如果你不想用一键脚本,也可以自己手动执行:

效果是一样的。

4.4 跟着 OpenClaw 新手引导走

运行 openclaw onboard --install-daemon 后,会出现一个交互式引导:

  1. 同意条款:会提醒你 OpenClaw 权限很大,有安全风险,输入 yes 继续。
  2. 选择安装模式:一般选 QuickStart(快速开始)
  3. 配置模型
    • 在 “Model/Auth provider” 那一步,选择 Custom Provider(列表最后一项)。
    • API Base URL 填:http://127.0.0.1:11434/v1(这是 Ollama 默认地址)。
    • API Key 可以随便填一个字符串(比如 ollama),不能留空。
    • Endpoint compatibility 选 OpenAI-compatible
    • Model ID 填你刚才在 Ollama 里用的模型名,比如 qwen2.5
  4. 选择聊天工具:如果你暂时不想接入 QQ / Telegram,可以先选 WebChat 或直接跳过,后面再配。
  5. 其他选项(端口、技能等)可以先一路回车使用默认值。
    完成后,OpenClaw 会在本地启动一个网关服务,并告诉你:
  • Web UI 地址,比如:http://127.0.0.1:18789/
  • 一个 token,用于登录 Web 界面。
    你可以先在浏览器里打开这个地址,看看 OpenClaw 的控制界面长什么样。

五、第四步:用 Python 写个“传话筒”,让你的小龙虾听你指挥

虽然 OpenClaw 已经有了 Web 界面和聊天工具接入,但为了让你真正有“本地 AI 智能体”的感觉,我们用 Python 写一个简单的命令行客户端,直接调用本地模型。

注意:
这里我们用的是 Ollama 的 Python SDK,而不是直接调用 OpenClaw。
如果你以后想深入玩 OpenClaw,可以再学习它的 Agent 和 Skills 机制。

5.1 安装 ollama Python 包

  1. 打开命令提示符(Win + R → cmd)。

输入:

pip install ollama 

等待安装完成。

5.2 编写一个简单的“本地贾维斯”脚本

  1. 在桌面新建一个文件夹,比如叫 MyOpenClawAI
  2. 进入这个文件夹,在地址栏输入 cmd 并回车,这样打开的命令提示符会直接在这个目录下。
  3. 在文件夹里新建一个文本文件,改名为 main.py(一定要把 .txt 后缀改成 .py)。
  4. Ctrl + S 保存。

用记事本或 VS Code 打开 main.py,把下面的代码复制进去:

# -*- coding: utf-8 -*-import ollama deflocal_jarvis():print("="*50)print("🦞 本地 AI 智能体已启动!模型:qwen2.5(Ollama)")print("🧑 输入 'exit' 可以退出")print("="*50+"\n")whileTrue:try: user_input =input("🧑 我说:")except EOFError:breakif user_input.lower()in["exit","quit","退出","q"]:print("🦞 AI:我回去养精蓄锐了,下次再一起干活!拜拜~")break# 调用本地 Ollama 模型try: response = ollama.chat( model="qwen2.5",# 和你 ollama run 的名字一致 messages=[{"role":"user","content": user_input}],)print("🦞 AI:"+ response["message"]["content"]+"\n")except Exception as e:print(f"⚠️ 哎呀,小龙虾卡住了:{e}\n")if __name__ =="__main__": local_jarvis()

六、第五步:第一次对话——你的本地贾维斯上线

  1. 确保 Ollama 还在后台运行(任务栏右下角有图标)。

试着输入一句:

请用鲁迅的风格,吐槽一下我总是想“白嫖”AI 的心理。 

小龙虾(其实是 Qwen)会开始在本地计算,然后给你一段鲁迅风格的回答。

回车后,你会看到:

================================================== 🦞 本地 AI 智能体已启动!模型:qwen2.5(Ollama) 🧑 输入 'exit' 可以退出 ================================================== 🧑 我说: 

在刚才打开的命令提示符(当前目录是 MyOpenClawAI)里输入:

python main.py 

七、总结:白嫖虽好,但别让龙虾把你的电脑“钳”坏了

到这里,你已经完成了:

  1. 安装 Python 环境(官网下载 + 勾选 Add to PATH)。
  2. 安装 Ollama,并下载 Qwen 本地模型。
  3. 使用官方脚本安装 OpenClaw(Node.js + install.ps1)。
  4. 用 Python 写了一个简单的“本地贾维斯”客户端,调用本地大模型。
    你已经养了一只自己的“小龙虾”:
  • 它住在你自己电脑里,断网也能聊;
  • 不用给云端服务商交钱,只要付出一点点电费;
  • 你的隐私数据不会传到别人的服务器上。
    但也要注意几点:
  1. OpenClaw 权限很大,官方文档也提醒有安全风险,不要在存有重要文件的电脑上随便测试,最好用一台“干净”的机器或虚拟机。
  2. 本地模型吃内存和算力,电脑风扇可能会起飞,注意散热。
  3. 如果你以后想真正玩转 OpenClaw(接入 QQ、自动发邮件、爬网站等),还需要学习它的 Skills、Agents、Channel 配置,那是进阶玩法了。

如果你觉得这篇“喂饭级教程”对你有帮助,哪怕只是让你省了几块钱云服务费,也请给博主一个 点赞 + 收藏 + 关注
你的支持就是我继续“白嫖 + 教学”的动力!我们下篇见!🦞🚀

Read more

2026年AI编程工具全景图:GitHub Copilot vs Cursor vs Codeium,我如何选择?

2026年AI编程工具全景图:GitHub Copilot vs Cursor vs Codeium,我如何选择?

文章目录 * 前言 * 一、我的使用场景与测试环境 * 二、GitHub Copilot:全球生态标杆 * 核心优势实测 * 性能数据记录 * 鸿蒙开发适配度 * 三、Cursor:专家级重构利器 * 重构能力深度测试 * 多文件分析能力 * 四、Codeium:极致免费的性价比之选 * 免费策略的深度体验 * 响应速度实测 * 中文支持的优势 * 五、鸿蒙开发场景专项测试 * 测试1:ArkTS组件生成 * 测试2:分布式能力集成 * 测试3:性能优化建议 * 六、2026年价格策略对比 * 七、我的实际使用组合 * 工作日使用方案 * 具体工作流 * 效率提升数据 * 八、选择建议:根据你的场景决策 * 场景1:学生/初学者/零预算 * 场景2:前端/鸿蒙开发者 * 场景3:全栈/团队协作

By Ne0inhk

Z-Image-Turbo_UI界面+Gradio=超友好AI绘画交互体验

Z-Image-Turbo_UI界面+Gradio=超友好AI绘画交互体验 为什么说这是目前最顺手的本地AI绘图入口? 你有没有过这样的经历:下载好模型,配好环境,终于跑通命令行生成——结果发现每次改个提示词都要改代码、重运行?或者好不容易调出一张满意的图,却找不到保存在哪、没法批量查看、更别提分享给朋友看一眼? Z-Image-Turbo_UI界面彻底绕开了这些麻烦。它不依赖复杂配置,不强制你写Python,甚至不需要打开终端——只要一行命令启动,浏览器点开就能用。这不是“又一个WebUI”,而是把Gradio的简洁性、Z-Image-Turbo的极速推理和创作者的真实动线揉在一起的结果:输入文字→滑动调节→实时预览→一键下载。整个过程像用手机修图一样自然。 本文不讲部署原理,不列CUDA版本号,也不堆参数表格。我们只聚焦一件事:怎么让你在5分钟内,真正用起来、画出来、存下来、再画一张更好的。 1. 启动即用:三步完成从零到第一张图 1.1 一行命令,服务就绪 镜像已预装全部依赖,无需克隆、无需conda、

By Ne0inhk

开发者必备:10款开源人体解析模型测评,M2FP稳定性排名第一

开发者必备:10款开源人体解析模型测评,M2FP稳定性排名第一 在计算机视觉领域,人体解析(Human Parsing) 是一项关键的细粒度语义分割任务,旨在将人体分解为多个语义明确的身体部位,如头发、面部、上衣、裤子、手臂等。与普通的人体分割不同,人体解析要求对身体结构进行更精细的像素级理解,广泛应用于虚拟试衣、动作识别、智能监控和AR/VR等场景。 近年来,随着深度学习的发展,众多开源人体解析模型相继涌现。然而,在实际工程落地中,开发者常常面临环境兼容性差、推理不稳定、部署复杂等问题。本文基于真实项目实践,对当前主流的10款开源人体解析模型进行了系统性测评,涵盖精度、速度、易用性、CPU支持等多个维度。最终结果显示,M2FP(Mask2Former-Parsing)模型凭借其卓越的环境稳定性和开箱即用的WebUI设计,在综合评分中脱颖而出,尤其在无GPU环境下表现最佳。 📊 十大开源人体解析模型横向对比 为帮助开发者快速选型,我们从以下五个核心维度对主流模型进行打分(每项满分5分),并汇总成对比表格: | 模型名称 | 精度 | 推理速度(CPU) | 环境稳定性

By Ne0inhk
GitHub开源项目日报 · 2026年1月31日 · 本期高星开源榜单回顾

GitHub开源项目日报 · 2026年1月31日 · 本期高星开源榜单回顾

本期榜单主要项目横跨本地化 AI 助手、边缘推理、无代码代理训练、OCR 文档处理,以及跨平台生产力工具。超过10000星以上的项目有 BitNet、Agent Lightning、PaddleOCR、PowerToys、Termux、OpenClaw、WhatsApp Web.js、cline,分别代表1-bit 推理、零代码优化、OCR 与文档理解、Windows 工具集、Android 终端、私有本地助手、Node.js WhatsApp 客户端和 IDE 内 AI 助手等。其中增长最快的是 OpenClaw,日增约 1892 星,显示出对本地化多渠道助手的热度与潜力。 根据Github Trendings的统计,共有以下项目上榜: 排名项目名称项目语言1Neovim AI 助手

By Ne0inhk