OpenClaw + Qwen本地大模型部署教程：Mac上打造零Token成本的AI助手

作为一个每天和Token账单打交道的人，我一直渴望真正的“调用自由”。上一篇文章我们讲了Ollama通用方案，这次聚焦通义千问（Qwen）系列——从Qwen2.5到最新的Qwen3.5，如何在Mac上完美运行，并与OpenClaw无缝对接。本文将提供完整的配置代码、硬件选型指南和避坑方案，让你彻底告别Token焦虑。

一、为什么选择Qwen系列本地部署？

1.1 Qwen的核心优势

通义千问（Qwen）是阿里云开源的大语言模型系列，在中文理解、代码生成和推理能力上表现优异。最新发布的Qwen3.5系列更是首个原生视觉-语言模型家族，支持多模态理解，在TAU2-Bench评测中得分86.7。

1.2 Mac硬件选型指南

在Mac上跑Qwen，内存（统一内存）是决定性因素。以下是基于实测的硬件建议：

小知识：量化版本中，Q4_0是4-bit量化，文件最小、速度最快，适合内存有限的设备；Q8_0是8-bit量化，在速度和精度间取得平衡。

二、Ollama部署Qwen全流程

2.1 安装Ollama

# 使用Homebrew安装（推荐） brew install ollama # 或从官网下载安装包# 访问 https://ollama.com/download 下载macOS版本# 启动Ollama服务（后台运行） ollama serve # 验证安装 ollama --version# 应显示 0.5.0 或更高

设置开机自启：

# 将Ollama添加到登录项# 系统设置 → 通用 → 登录项 → 点击"+"添加Ollama

2.2 下载Qwen模型

Ollama支持全系列Qwen模型，包括最新的Qwen2.5和Qwen3.5。

# 查看可用Qwen模型列表 ollama list |grep qwen # 下载Qwen2.5 7B（中文能力强，推荐） ollama pull qwen2.5:7b-instruct-q4_0 # 约4.1GB# 下载Qwen2.5 14B（需要16GB+内存） ollama pull qwen2.5:14b-instruct-q4_0 # 约8.2GB# 下载Qwen3.5 9B（"小钢炮"，平衡之选） ollama pull qwen3.5:9b-instruct-q4_0 # 约5.3GB# 下载Qwen3.5 35B（需要24GB+内存，支持多模态） ollama pull qwen3.5:35b-instruct-q4_0 # 约20GB# 验证下载 ollama list 

模型选择建议：

• 16GB Mac：首选qwen2.5:7b-instruct-q4_0或qwen3.5:9b-instruct-q4_0
• 32GB Mac：可以考虑qwen2.5:14b-instruct-q4_0
• 需要多模态：选qwen3.5:35b-instruct-q4_0（需足够内存）

2.3 测试模型运行

# 直接在终端对话 ollama run qwen2.5:7b-instruct-q4_0 # 输入测试问题>>> 介绍一下通义千问模型的特点 >>> /bye # 退出# 测试Ollama的OpenAI兼容APIcurl http://localhost:11434/v1/chat/completions \-H"Content-Type: application/json"\-d'{ "model": "qwen2.5:7b-instruct-q4_0", "messages": [{"role": "user", "content": "你好，请做个自我介绍"}], "stream": false }'

如果返回正常，说明Ollama服务已经就绪。

三、OpenClaw安装与配置

3.1 安装OpenClaw

OpenClaw需要Node.js 22或更高版本。

# 1. 检查Node.js版本node--version# 如果低于22，需要升级# 2. 使用nvm安装Node.js 22（推荐）curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.0/install.sh |bash."$HOME/.nvm/nvm.sh" nvm install22 nvm use 22# 3. 配置npm国内镜像（加速安装）npm config set registry https://registry.npmmirror.com # 4. 全局安装OpenClawnpminstall-g openclaw@latest # 5. 验证安装 openclaw --version# 应显示 2026.3.x 或更高

3.2 初始化OpenClaw

# 执行初始化向导 openclaw onboard 

按照提示完成基础配置：

3.3 启动OpenClaw服务

# 启动网关服务 openclaw gateway start # 生成访问令牌（用于Web控制台登录） openclaw token generate # 复制输出的token，保存备用# 访问Web控制台# 浏览器打开 http://127.0.0.1:18789/?token=你的Token

四、OpenClaw对接Ollama Qwen（核心步骤）

4.1 配置文件方式（推荐）

OpenClaw通过配置文件~/.openclaw/openclaw.json管理所有设置。我们需要添加Ollama作为模型提供商。

# 编辑配置文件vim ~/.openclaw/openclaw.json 

将以下配置内容粘贴进去（注意替换API Key占位符）：

{"meta":{"lastTouchedVersion":"2026.3.1"},"models":{"mode":"merge","providers":{"ollama":{"baseUrl":"http://localhost:11434/v1","apiKey":"ollama",// Ollama不需要真实API Key，但不能为空"api":"openai-completions","models":[{"id":"qwen2.5:7b-instruct-q4_0","name":"Qwen2.5 7B (本地)","reasoning":false,"input":["text"],"contextWindow":32768,"maxTokens":8192},{"id":"qwen3.5:9b-instruct-q4_0","name":"Qwen3.5 9B (本地)","reasoning":false,"input":["text"],"contextWindow":128000,"maxTokens":32768}]}},"ollama/qwen2.5:7b-instruct-q4_0":{"priority":1,"default":true}},"agents":{"defaults":{"model":{"primary":"ollama/qwen2.5:7b-instruct-q4_0"},"models":{"ollama/qwen2.5:7b-instruct-q4_0":{},"ollama/qwen3.5:9b-instruct-q4_0":{}}}},"gateway":{"mode":"local","auth":{"mode":"token","token":"你的token"// 替换为openclaw token generate生成的token}}}

配置要点：

• baseUrl必须是http://localhost:11434/v1，这是Ollama的OpenAI兼容接口地址
• apiKey可以任意填写，但不能为空
• models数组中列出你下载的所有Qwen模型
• contextWindow根据模型实际能力填写（Qwen2.5支持32K，Qwen3.5支持128K）
• 在ollama/模型ID对象中设置默认模型

4.2 保存并重启

# 保存文件后，重启OpenClaw网关 openclaw gateway restart # 检查配置是否生效 openclaw models list # 应该显示已配置的Qwen模型，并标注default

4.3 Web控制台配置方式（备选）

如果你更习惯图形界面，也可以通过Web控制台配置：

1. 访问 http://127.0.0.1:18789/?token=你的Token
2. 左侧菜单选择 配置 → RAW
3. 在编辑器中粘贴上述JSON配置
4. 点击 Save 保存，再点击 Update 应用

4.4 验证集成是否成功

方法一：Web控制台对话

• 在聊天框输入：“你好，请介绍一下你自己”
• 如果回复中包含"通义千问"或"Qwen"相关描述，说明对接成功

方法二：命令行测试

# 进入命令行交互模式 openclaw tui # 输入测试指令 你用的是哪个模型？ 帮我列出当前目录下的文件 

方法三：查看Ollama模型状态

# 查看当前运行的模型 ollama ps# 应该显示qwen2.5:7b-instruct-q4_0正在运行

五、高级配置：多模型混合架构

5.1 同时配置多个Qwen版本

你可以在配置文件中添加多个模型，根据需要切换：

"models":{"providers":{"ollama":{"baseUrl":"http://localhost:11434/v1","apiKey":"ollama","models":[{"id":"qwen2.5:7b-instruct-q4_0","name":"Qwen2.5 7B"},{"id":"qwen2.5:14b-instruct-q4_0","name":"Qwen2.5 14B"},{"id":"qwen3.5:9b-instruct-q4_0","name":"Qwen3.5 9B"},{"id":"qwen3.5:35b-instruct-q4_0","name":"Qwen3.5 35B"}]}}}

在对话中可以通过指令切换模型：

切换到 Qwen3.5 35B 用 Qwen2.5 14B 帮我写一段代码 

5.2 本地+云端混合模式

对于偶尔需要的复杂任务，可以配置阿里云百炼API作为备用：

"providers":{"ollama":{// 本地Ollama配置},"bailian":{"baseUrl":"https://dashscope.aliyuncs.com/compatible-mode/v1","apiKey":"你的阿里云百炼API Key","api":"openai-completions","models":[{"id":"qwen3.5-plus","name":"Qwen3.5 Plus (云端)"},{"id":"qwen3-coder","name":"Qwen Coder (云端)"}]}}

成本优化策略：

• 日常任务：本地Qwen模型（零成本）
• 复杂推理/长文本：切换云端Qwen-plus（按量付费）
• 代码任务：使用Qwen Coder专用模型

5.3 为Qwen3.5开启多模态能力

如果你下载了Qwen3.5的多模态版本（如qwen3.5:35b），可以通过以下方式使用图像理解：

// 在模型配置中添加image输入支持{"id":"qwen3.5:35b-instruct-q4_0","name":"Qwen3.5 35B (多模态)","reasoning":false,"input":["text","image"],// 关键：声明支持图像输入"contextWindow":256000,"maxTokens":65536}

使用方式：在对话中上传图片，输入“这张图里有什么？”即可。

六、性能优化与问题排查

6.1 Mac性能优化技巧

1. 确保Ollama使用GPU加速

M系列芯片的GPU对推理加速明显：

# 查看Ollama日志，确认Metal是否启用 ollama serve --verbose# 设置环境变量强制使用GPUexportOLLAMA_NUM_GPU=999 ollama serve 

2. 限制CPU核心数（防止影响其他应用）

exportOLLAMA_NUM_THREADS=4# 限制使用4个CPU核心 ollama serve 

3. 减少内存占用

如果内存紧张，可以选择更小的量化版本：

# Q2_K是更激进的量化，内存占用更低 ollama pull qwen2.5:7b-instruct-q2_k 

6.2 常见问题及解决方案

6.3 常用管理命令

# Ollama相关 ollama list # 查看已下载模型 ollama ps# 查看正在运行的模型 ollama stop 模型名 # 停止指定模型 ollama rm 模型名 # 删除模型# OpenClaw相关 openclaw status # 查看服务状态 openclaw gateway restart # 重启网关 openclaw models list # 查看可用模型 openclaw logs # 查看日志

七、实战：让Qwen帮你干活

7.1 安装实用技能

# 安装文件管理技能 openclaw plugins install @openclaw/file-manager # 安装系统控制技能 openclaw plugins install @openclaw/system-ctl # 安装联网搜索技能（需申请Exa API Key） openclaw plugins install exa-search 

7.2 日常任务示例

八、总结：零成本AI助手的价值

通过OpenClaw + Ollama + Qwen的组合，你可以在Mac上获得一个完全免费、数据私有、离线可用的强大AI助手。

8.1 核心收益

• ✅ 零Token成本：无限次调用，彻底告别API账单
• ✅ 数据完全私有：所有对话、文件处理都在本地
• ✅ 离线可用：飞机上、咖啡馆断网也能用
• ✅ 中文友好：Qwen原生中文理解，效果优于同规模国外模型
• ✅ 灵活扩展：支持多模型切换、技能插件、多模态输入

8.2 硬件投入产出

以16GB Mac为例：

• 一次性投入：已有设备（零新增成本）
• 运行成本：电费（约0.1元/天）
• 相比云端API：每天100次对话可节省200-300元/月

8.3 下一步探索

• 模型微调：用MLX框架在Mac上微调Qwen，打造专属模型
• 接入消息渠道：配置飞书/Telegram，实现移动端调用
• 自动化工作流：结合cron定时任务，让AI自动执行重复工作

参考资料：

• 阿里云官方文档：OpenClaw配置指南
• 阿里云开发者社区：OpenClaw双部署模式详解
• Apidog：Run Qwen3.5 with OpenClaw for Free Using Ollama
• AI TOP100：Mac玩转大模型