OpenClaw实战系列01：OpenClaw接入飞书机器人全接入指南 + Ollama本地大模型

优质文章学习记录

— 9 min read

文章目录

引言

在AI技术爆发的2026年，我们不再满足于使用公用的ChatGPT或Claude。出于数据隐私、定制化需求或离线可用的考虑，本地部署AI大模型并接入日常办公软件成为了新的刚需。

本文将带你从零开始，完成以下目标：

  1. 安装OpenClaw：一个强大的开源个人AI助理框架（前身为ClawdBot/Moltbot）。
  2. 部署Ollama：在本地运行大模型（如DeepSeek-R1、Llama 3等），作为AI的“大脑”。
  3. 接入飞书：将你的AI助理添加到飞书好友或群聊中，实现随叫随到的智能办公体验。

第一步：环境准备与核心思想

在开始前，我们需要明确技术架构：飞书 → OpenClaw（调度器） → Ollama（本地模型）。

  • 操作系统：Windows（建议WSL2）、macOS 或 Linux。本文以 Windows 11 + WSL2 (Ubuntu 22.04) 为例。
  • 硬件要求：
    • CPU：4核以上（推荐8核）
    • 内存：16GB以上（若运行7B-8B模型，需预留8-10GB内存给模型）
    • 磁盘：20GB以上剩余空间。

第二步：部署Ollama——把大模型“养”在本地

Ollama 是目前最便捷的本地模型运行工具，它支持 Llama 3、DeepSeek-R1、Qwen 2.5 等一系列主流模型

1. 安装 Ollama

访问 Ollama 官网 下载对应系统的安装包，或使用命令行安装（以Linux/WSL为例）：

curl-fsSL https://ollama.com/install.sh |sh

安装完成后，验证版本：

ollama --version

并通过 ollama serve 确保服务在后台运行（通常安装后会自动注册为服务）。

2. 拉取并运行模型

根据你的硬件配置选择合适的模型。对于大多数用户，推荐使用 DeepSeek-R1（7B） 或 Llama 3.2（3B），兼顾性能与资源占用。

# 运行 DeepSeek-R1（会自动下载） ollama run deepseek-r1:7b # 或者运行 Llama 3.2（更轻量） ollama run llama3.2

出现 Send a message 提示即表示模型启动成功。
注意：记下这个终端，后续OpenClaw会通过API调用它。

3. 确认API可用性

Ollama 默认会在本地 11434 端口开启API服务。我们可以用 curl 测试一下：

curl http://localhost:11434/api/generate -d'{ "model": "deepseek-r1:7b", "prompt": "你好，你是谁？", "stream": false }'

看到包含“DeepSeek”或对应模型名的JSON返回，说明Ollama已经准备就绪。

第三步：安装OpenClaw——AI大脑的“躯干”

OpenClaw 负责连接聊天软件（飞书）和AI大脑（Ollama），并管理各种工具（Skills）。

1. 安装Node.js

OpenClaw 需要 Node.js 22.0 或更高版本。

# 以Ubuntu为例curl-fsSL https://deb.nodesource.com/setup_22.x |sudo-Ebash - sudoaptinstall-y nodejs node-v# 检查版本

2. 一键安装 OpenClaw

官方提供了一键安装脚本，会自动处理大部分配置。

curl-fsSL https://openclaw.bot/install.sh |bash

安装完成后，执行初始化向导。注意： 最新版的向导已经支持直接配置飞书和模型了，非常方便！

openclaw onboard --install-daemon

在向导中：

  • AI 模型配置：由于我们要用Ollama，这里可以选择“Other/OpenAI Compatible”。API地址填：http://localhost:11434/v1/（Ollama兼容OpenAI格式），API Key可以随便填（如ollama），模型名填你下载的，比如 deepseek-r1:7b。
  • 通信渠道：先跳过（Telegram/WhatsApp等），我们后面手动配置飞书。

3. 验证安装

启动服务并检查状态：

openclaw gateway start openclaw status

此时访问 http://127.0.0.1:18789 应该能看到 OpenClaw 的 Web 控制台（Dashboard）。

第四步：打通飞书——创建并配置机器人

这是让AI“落地”的关键一步，我们需要在飞书开放平台注册一个机器人应用。

1. 创建飞书应用

  1. 登录飞书开发者后台。
  2. 点击“创建企业自建应用”，填写名称和描述，上传头像。
  3. 创建成功后，进入应用详情页，点击左侧“凭证与基础信息”，记录下 App ID 和 App Secret（非常重要！）。

2. 配置机器人能力

  1. 在左侧“添加应用能力”中，点击“机器人”进行添加。
  2. 点击左侧“权限管理”，为机器人开通必要权限。最简单的方法是搜索并添加以下权限：
    • im:message 相关的收发权限（im:message:send_as_bot, im:message.group_msg, im:message.p2p_msg）。
    • contact:contact.base:readonly（读取通讯录，用于识别@你的人）。
    • 如果有操作文档的需求，还需开通文档相关的权限。
  3. 点击左侧“事件与回调”，选择“事件配置”。
    • 订阅方式选择“使用长连接接收事件”（开发测试阶段最方便）。点击保存。
    • 添加事件：搜索并添加 im.message.receive_v1（接收消息事件）。

3. 发布应用

  1. 点击左侧“版本管理与发布”，创建一个版本，填写版本日志。
  2. 点击“申请发布”（如果是你自己的企业，审核会秒过，直接发布成功）。
  3. 发布后，在飞书搜索框搜索你的应用名称，找到它并发送一条消息“你好”，此时应该收到来自飞书官方的“配对码”提示，因为我们的后端还没连上。

第五步：OpenClaw与飞书“握手”

现在，我们要让 OpenClaw 认识这个飞书机器人。

方法一：使用 onboard 向导重新配置（推荐最新版）

openclaw onboard

当问到渠道时，选择 feishu，并输入刚才拿到的 App ID 和 App Secret。

方法二：手动添加渠道

如果已经完成了onboard，可以使用 channels 命令：

openclaw channels add# 选择 feishu，按提示输入 APP ID 和 APP SECRET

配置完成后，必须重启网关才能使配置生效：

openclaw gateway restart # 或者旧版本命令 openclaw-cn gateway restart

查看实时日志，确认飞书连接是否成功：

openclaw logs --follow

看到类似 Feishu client connected 或 login success 的字样，说明连接成功。

批准配对

再次回到飞书，向你的机器人发送任意消息（例如“你好”）。
此时，飞书机器人会回复一串 Pairing code: xxxx-xxxx。
在命令行中执行批准命令：

openclaw pairing approve feishu <你收到的code>

第六步：实战测试与玩法拓展

现在，你的飞书AI助理已经可以工作了。你可以把它拉到群里，或者私聊。

1. 本地能力测试

在飞书里输入指令：

  • “帮我看看我电脑的存储占用情况”（如果OpenClaw配置了相关系统Skill，它会执行命令并返回结果）。
  • “帮我整理桌面的文件夹，按类型分类”。

2. 结合Ollama的优势

由于我们用的是Ollama，你可以随时切换模型而无需重启OpenClaw。只需修改OpenClaw配置中的模型名，或者通过OpenClaw的TUI界面临时切换模型。

# 在OpenClaw的TUI界面 /model deepseek-r1:7b

3. 云端模型备用

如果你的本地机器性能不足，或者需要处理超长文本，Ollama也支持调用云端模型（如GLM4.7等），可以在配置中随时切换，实现本地与云端的“双模”运行。

常见问题与避坑指南

  1. OpenClaw 提示command not found
    • 原因：npm全局路径未加入系统PATH。
    • 解决：执行 npm prefix -g 找到路径（如 /usr/local），然后将 export PATH=“ ( n p m p r e f i x − g ) / b i n : (npm prefix -g)/bin: (npmprefix−g)/bin:PATH” 加入 ~/.bashrc 或 ~/.zshrc。
  2. 飞书机器人无响应
    • 检查步骤：
    1. openclaw status 确认网关运行。
    2. 日志中是否有飞书连接报错（检查APP ID/Secret是否正确）。
    3. 检查 OpenClaw 的配置文件 ~/.openclaw/openclaw.json，确保 feishu 配置块存在且 enabled 为 true。
  3. Ollama 模型推理速度慢
    • 优化：关闭其他大型应用释放内存；尝试使用量化版本模型（如 deepseek-r1:7b-q4_0）；确认Ollama是否成功利用了GPU（ollama run deepseek-r1:7b --verbose 查看日志）。
  4. 飞书长连接配置失败
    • 如果 onboard 向导报错，可以先用飞书官方的“Python示例代码”建立一个临时连接，让飞书后台通过验证，然后再切回OpenClaw。

总结

通过 OpenClaw + Ollama + 飞书的组合，我们成功搭建了一个完全私有、免费、可定制的AI助理。它不仅能在日常聊天中提供帮助，还能通过OpenClaw强大的“技能”体系，真正去操作你的电脑、管理文件、甚至执行代码。

这套方案将数据留在本地，既保证了隐私安全，又锻炼了动手能力。现在，去给你的AI助理添加更多酷炫的技能吧！

想看更多实战内容，可定义我的专栏《OpenClaw实战：企业级AI助理开发指南》。

Read more

EFSI-DETR：用于无人机图像实时小目标检测的高效频域 - 语义集成方法

EFSI-DETR：用于无人机图像实时小目标检测的高效频域 - 语义集成方法

https://arxiv.org/pdf/2601.18597 作者：Yu Xia, Chang Liu, Tianqi Xiang, Zhigang Tu (IEEE 高级会员) 摘要 由于特征表示有限和多尺度融合效果不佳，无人机（UAV）图像中的实时小目标检测仍然具有挑战性。现有方法未能充分利用频率信息，且依赖于静态卷积操作，这限制了获取丰富特征表示的能力，并阻碍了对深层语义特征的有效利用。为了解决这些问题，我们提出了 EFSI-DETR，这是一种新颖的检测框架，集成了高效的语义特征增强与动态频域 - 空间引导。EFSI-DETR 包含两个主要组件：(1) 动态频域 - 空间统一协同网络（DyFusNet），联合利用频率和空间线索进行鲁棒的多尺度特征融合；(2) 高效语义特征集中器（ESFC），以最小的计算成本实现深层语义提取。此外，采用了细粒度特征保留（FFR）策略，在融合过程中纳入空间丰富的浅层特征，
【论文阅读】DreamZero:World Action Models are Zero-shot Policies

【论文阅读】DreamZero:World Action Models are Zero-shot Policies

快速了解部分 基础信息（英文）： 题目: World Action Models are Zero-shot Policies 时间: 2026.02 机构: NVIDIA 3个英文关键词: World Action Models (WAMs), Zero-shot Generalization, Video Diffusion paper 1句话通俗总结本文干了什么事情 本文提出了一种名为DreamZero的机器人基础模型，通过同时预测视频和动作（world action model），让机器人能像人类一样通过“脑补”画面来规划动作，从而在从未见过的任务和环境中实现零样本泛化。 研究痛点：现有研究不足 / 要解决的具体问题 现有的视觉语言动作模型（VLAs）虽然擅长语义理解，但缺乏对物理世界动态（如几何、动力学）的理解，难以泛化到从未见过的新动作或新环境，且通常需要大量重复的演示数据。 核心方法：关键技术、模型或研究设计（
轮腿机器人代码调试补充

轮腿机器人代码调试补充

* @Author: 星夜雨夜 * @brief: 轮腿基础代码编写调试补充，移植自达妙开源代码 * @attention：笔者默认读者已经熟练掌握机甲大师RoboMaster c型开发板例程代码的底盘代码和INS_task.c陀螺仪代码、熟练掌握各电机can协议和遥控器dbus协议。默认读者已能看懂轮腿圣经和玺佬的五连杆运动学解算与VMC。建议读者仔细研读轮腿圣经3~5遍，边看MATLAB文件和达妙开源代码，掌握轮腿调试和编写大致思路。一定要注意各状态变量的单位和正负号是否正确，轮腿调试过程中，最难之处在于极性是否正确。本车所有电机均为逆时针旋转为正方向。 ！！！强烈建议读者在开发轮腿之前，先运用LQR算法完成一阶倒立摆的平衡小车（即板凳模型）的实现 ！！！如果时间紧，其实完全可以不搞仿真，直接实机开调。仿真不疯，实物不一定不疯；但实物疯，仿真必疯。 调试成果展示视频链接（抖音）：轮腿机器人 一阶倒立摆平衡小车参考资料： 1.本科毕设 轮腿式双足机器人 开源文件演示_哔哩哔哩_bilibili(资料在视频评论区) 2.达妙平衡小车开源：[达妙科技开源系列-平衡小车] 第一弹_哔哩

【无人机路径规划】基于深度强化学习的多无人机辅助边缘计算网络路径规划（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥 🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。 ⛳️座右铭：行百里者，半于九十。 📋📋📋本文目录如下：🎁🎁🎁 目录 💥1 概述 摘要 一、研究背景与意义 1.1 边缘计算与无人机的融合需求 1.2 多无人机路径规划的挑战 二、多无人机辅助边缘计算网络架构 2.1 网络组成与功能 2.2 路径规划的协同需求 三、深度强化学习在路径规划中的适配性 3.1 技术优势 3.2 核心算法与多智能体协同 3.2.1 单无人机路径规划：DDPG算法 3.2.2 多无人机协同：MADDPG与IPPO 四、典型应用场景与性能优化 4.