OpenClaw B 端企业级应用实战：CentOS 7 快速部署指南

下载后上传到服务器，解压：

tar -zxvf openclaw-2026.2.26.tar.gz
cd openclaw-2026.2.26

随后修改权限，通过 Docker 启动：

chmod +x docker-setup.sh
./docker-setup.sh

这个过程需要很长时间，耐心等待。

最后你会看到这个页面，OpenClaw 出现，这代表安装成功啦！

完成基本配置

• Security Warning: 按 Enter 或者向右箭头选择 "Yes"（代表你已知晓风险）。

• QuickStart: 接下来会让你选模式，闭眼选 "QuickStart"。

• LLM 配置: 配置你的大模型 API Key。

我们这里选择 Qwen。

这里会有一串链接，复制到浏览器中执行。

在浏览器中验证。

回来后，选择模型就可以了。

• Skills/Channel: 建议先全部 "Skip"，先完成安装，后面可以随时设置。

都先跳过，提交。

由于 B 端服务器通常是远程访问，需要修改 ~/.openclaw/openclaw.json，在 gateway 字段下添加以下安全配置：

{
  "gateway": {
    "port": 18789,
    "mode": "local",
    "bind": "lan",
    "controlUi": {
      "allowedOrigins": ["*"]
    },
    "auth": {
      "mode": "token",
      "token": "****"
    }
  }
}

请记录此 Token，以后会用。

重启服务：

docker-compose down
docker-compose up -d

如果报错：pairing required 此设备需要网关主机的配对批准。用以下的命令批准设备准入。

docker exec -it *** node dist/index.js devices list --token ***
docker exec -it **** node dist/index.js devices approve *** --token ***

显示准入成功就可以了。

再回到页面，看到状态已经正常。

远程指挥部：接入飞书机器人

为了随时随地给 AI 下达指令，我们需要通过 飞书 (Feishu) 建立连接。咱们费这么大劲在 CentOS 7 上把 OpenClaw 跑起来，如果只在浏览器里点点点，那就大材小用了。配置飞书，本质上是给你的 AI Agent 装上了'耳朵'、'嘴巴'和'全天候值班室'。

1. 从'被动对话'转为'主动推送' (Proactive Agent)

在浏览器里，AI 是'死'的，你不问它不说话。

• 配置飞书后：Agent 变成了你的 24 小时数字哨兵。
• 实战案例：你可以写个任务，让 OpenClaw 监控 /data 的磁盘空间。一旦使用率超过 95%，它不需要你打开网页，直接在飞书弹出一条卡片消息：'风哥，数据盘告急，当前已用 90%，建议清理日志！'

2. 打造'沉浸式'指挥部 (Omnipresent Interface)

你不可能随时盯着控制台，但你肯定随时开着飞书。

• 配置飞书后：你的手机、平板、电脑都成了 AI 的入口。
• 实战案例：你在外面吃饭，突然想查一下 IoT 某个网关的状态。不用掏电脑连 VPN，直接在飞书对话框发一句：'@AI 助手，查一下项目昨天的运行周报'，它直接调取服务器数据整理好发给你。

3. 多 Skill 联动的'交响乐' (Tool Use & Orchestration)

飞书不仅仅是聊天，它是一个 操作平台。OpenClaw 的 Skill 允许 AI 调用飞书的各种 API：

• 多维表格 (Bitable)：AI 抓取服务器报错日志后，自动填入飞书多维表格进行分类。
• 日程提醒：AI 发现某个问题需要处理，自动往你的飞书日历里塞一个提醒。

下面我们就分步骤来接入飞书。

创建应用

在飞书开放平台创建企业自建应用，获取 App ID 和 App Secret。

在应用的 凭证与基础信息 页面，复制：

• App ID（格式如 cli_xxx）
• App Secret

❗ 重要：请妥善保管 App Secret，不要分享给他人。

随后添加机器人。

添加权限。可以用批量导入，比较方便。

{
  "scopes": {
    "tenant": [
      "aily:file:read",
      "aily:file:write",
      "application:application.app_message_stats.overview:readonly",
      "application:application.self_manage",
      "application:bot.menu:write",
      "cardkit:card:write",
      "contact:user.employee_id:readonly",
      "corehr:file:download",
      "docs:document.content:read",
      "event:ip_list",
      "im:chat",
      "im:chat.access_event.bot_p2p_chat:read",
      "im:chat.members:bot_access",
      "im:message",
      "im:message.group_at_msg:readonly",
      "im:message.group_msg",
      "im:message.p2p_msg:readonly",
      "im:message:readonly",
      "im:message:send_as_bot",
      "im:resource",
      "sheets:spreadsheet",
      "wiki:wiki:readonly"
    ],
    "user": [
      "aily:file:read",
      "aily:file:write",
      "im:chat.access_event.bot_p2p_chat:read"
    ]
  }
}

随后我们回到命令行执行。

docker exec -it **** node dist/index.js channels add

会重新配置，App ID 和 App Secret。继续选择一些权限设置。完成所有设置。

我们再回到飞书，建立飞书与 OpenClaw 的长连接：他就能知道你说的话了。

最后发布版本。

我们随便建立一个飞书群，添加你建立的机器人，@他，就可以得到回答啦！

B 端实战场景：AI 助理能帮你做什么？

在 2026 年的运维体系中，最昂贵的成本不是算力，而是响应逻辑。传统的自动化（脚本/告警）只会告诉你'发生了什么'，而 OpenClaw 的 AI 助理（我们亲切地叫它'小龙虾'）则会告诉你'为什么'以及'怎么做'。

通过下面这两个真实的案例，你会发现：初级运维员工（Junior Ops）的工作正在被彻底重塑。

案例一：深度诊断，而不只是报数

场景：磁盘告警，怀疑是 Java 日志爆了。

传统做法：登录终端 `$\rightarrow$ du -sh $\rightarrow$ tail -n 100 $\rightarrow$ 人脑判断为什么这么大。

OpenClaw 的表现：

如左图所示，我让'小龙虾'去'审讯'一下 spring.log。它不仅精准定位到了 11G 的巨型日志和 5G 的堆转储文件，最惊艳的是它的诊断过程。

它告诉我：'我刚才想 peek 一口日志内容，结果直接被内核杀掉了（exit code 137）。'

意义：它不是在单纯地读取数据，而是在感知环境限制。它通过自己被'杀掉'的经历，推断出文件大到连 head 命令都扛不住。更重要的是，它给出了初级员工需要摸索半天才能得出的结论：