使用开源三件套OpenClaw+Ollama+1Panel部署7×24运行

Ne0inhk

— 11 min read
使用开源三件套OpenClaw+Ollama+1Panel部署7×24运行

一、写在前面
本次操作教程将以开源 Linux 服务器运维面板 1Panel 为基础，搭配 Ollama 本地大模型（无需担心 Token 消耗费用），手把手教你部署 OpenClaw 个人 AI 助理，实现 7×24 小时稳定运行，轻松拥有专属智能助手！

二、资源准备
本次 OpenCalw 本地个人 AI 助理基于一台腾讯 GPU 云服务器构建，云服务器获取过程不做赘述，参见腾讯云官网。其中服务器的配置参见如下：

  • 操作系统：Ubuntu Server 24.04 LTS 64 位
  • 计算资源：20 核 80 G
  • 磁盘容量：100G
  • GPU： 计算型 GN7 | GN7.5XLARGE80
  • 网络：绑定弹性公网IP

image-2026-2-3_16-29-44

三、操作过程
本次基于 1Panel 服务器运维管理面板构建本地化 AI 助理大致需要以下几个步骤；

  • 第一步：1Panel 安装部署；
  • 第二步：GPU 资源调度配置；
  • 第三步：Ollama 的安装部署；
  • 第四步：Qwen3 模型加载；
  • 第五步：OpenClaw 安装部署及配置。

四、详细操作步骤说明
4.1. 1Panel 安装部署
1Panel 的安装部署比较简单，可以参照官网在线安装：https://1panel.cn/docs/v2/installation/online_installation/

步骤一：获取 root 权限，登录服务器后首先切换到 root 权限

sudo su -
步骤二：输入命令安装，输入在线安装命令执行安装：

bash -c "$(curl -sSL https://resource.fit2cloud.com/1panel/package/v2/quick_start.sh)"
步骤三：Docker 安装，指定安装目录并安装 Docker

2

步骤四：镜像加速器配置，选择配置镜像加速器并设置 1Panel 面板访问参数。

3

步骤五：获取 1Panel 面板登录信息

4

步骤六：验证 1Panel 部署成功：将外部地址输入浏览器进入登录页面，输入对应的面板用户以及面板密码，确认安装完成。

5

步骤七：1Panel 访问地址设置：进入面板后，切换到「面板设置」中，将默认访问地址设置为1Panel访问的公网IP，方便后续部署的应用可以通过跳转快速跳转。

6

4.2、 GPU 资源调度配置
进入1Panel的「终端」管理完成 NVIDIA 容器镜像配置，最终让基于容器安装的模型能够调度 GPU 资源。

步骤一：NVIDIA 显卡驱动确认：需要确保 NVIDIA 显卡驱动已正确安装，输入以下命令：

nvidia-smi
如下图展示，则代表成功。如果没有安装则自行前往英伟达官网下载安装：

https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installing-with-apt

7

步骤二：安装 NVIDIA 容器镜像：为了在 docker 容器中使用 GPU 加速，我们需要安装 NVIDIA 的容器镜像，参照如下逐个命令行执行操作：

命令行一：添加 NVIDIA 容器工具仓库与签名

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \   && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \     sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \     sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

命令行二：启用仓库中的 experimental 组件（可选）

sed -i -e '/experimental/ s/^#//g' /etc/apt/sources.list.d/nvidia-container-toolkit.list

命令行三：更新软件源

sudo apt-get update

命令行四：安装 nvidia-container-toolkit

sudo apt-get install -y nvidia-container-toolkit

步骤三：配置 Docker 镜像使用 NVIDIA：安装完容器镜像后，需要配置 Docker 以使用 NVIDIA，并重启 Docker 服务。

命令行一：配置 Docker 以使用 NVIDIA

sudo nvidia-ctk runtime configure --runtime=docker

命令行二：重启 docker

sudo systemctl restart docker

4.3、Ollama 安装部署
1Panel 安装以及服务器的 GPU 资源配置完成以后，我们就可以基于1Panel的运维管理面板进行个人助理的本地化安装部署了，一切就会变得非常简单，小白都能轻松上手。首先我们来安装Ollama，Ollama 是一个开源的大型语言模型服务，提供了类似 OpenAI 的 API 接口和聊天界面，可以非常方便地部署最新版本的 Qwen 模型并通过接口使用。

步骤一： 开始安装 Ollama 应用：首先我们进入1Panel 的应用商店，点击「AI」，然后选择 Ollama，直接点击安装。

8

步骤二：设置 Ollama 安装参数：安装参数配置时需要确认版本号以及端口号，另外记得勾选「端口外部访问」，同时勾选「开启 GPU 支持」，确保后续我们可以正常访问 Ollama 且模型使用 GPU 资源，其他参数保持默认点击确认即可。

9

步骤三：下载镜像并安装 Ollama：点击确认后，系统开始自动拉取镜像并安装应用，直到提醒安装应用「ollama」成功，则代表完成安装。

10

步骤四：验证Ollama是否成功：进入已安装应用，找到 Ollama 应用，点击跳转，确认输出内容为“Ollama is running”，则代表部署成功。

11
image

4.4、Qwen3 本地模型部署
部署完成 Ollama 以后，我们继续基于 1Panel 来完成基于 Ollama 本地 qwen3:14b 模型加载部署，参照如下操作步骤逐步完成即可。

步骤一：创建 Qwen3 模型：进入 「AI」 的模型管理页面，点击添加模型。

12

步骤二：加载模型：根据引导到 Ollama 官网找到模型 ID，在名称中输入模型名称，点击添加开始加载模型文件。本次我们选择的是 qwen3:14b 的模型，这里模型加载大概需要 20-30 分钟

13
image

步骤三：模型运行确认：当模型列表中的「状态」更新为成功后，可以点击运行验证模型部署效果，如果能够正常对话则代表模型加载成功，如下图所示：

14

4.5、OpenClaw 安装部署
基于以上步骤我们完成了本地模型的准备，然后我们再基于 1Panel 快速搭建个人 AI 助理 OpenClaw 。

步骤一：开始安装 OpenClaw 应用，进入应用商店点击安装 OpenClaw 应用，如下图所示进入应用商店，点击「安装」，进入安装参数设置页面。

15

步骤二：设置应用安装参数，如下图设置 OpenClaw 的版本号及端口、Ollama 本地模型以及是否外部访问等配置项，设置完成后点击确认开始安装，其中参数具体说明如下：

  • 版本：OpenClaw 版本默认为最新版本；
  • 端口：OpenClaw 应用访问端口默认为 18789、18790，如有占用自行调整变更，最终需要确保端口已开通，可外部访问；
  • 模型供应商：下拉选择 Ollama；
  • 模型：按照 Ollama/模型 ID 输入（即模型管理中添加的模型 ID），如：Ollama/qwen3:14b；
  • 模型API Key：本地模型输入任意字符即可；
  • Base URL：输入上述步骤部署的 Ollama 应用的地址，即 http://IP:11434/v1 即可;
  • 端口外部访问：勾选端口外部访问，方便后续 OpenClaw 应用访问。

16

步骤三：OpenClaw 应用安装，点击确认后系统自动开始拉取镜像，并安装应用，如下图所示则代表 OpenClaw 应用安装成功。

17

步骤四：应用 token 获取，通过「已安装」应用如图点击进入目录，一路点击如图所示，进入 data/conf 文件，找到 openclaw.json 文件点击打开；找到 “gateway” 中的 “token” 复制其中的 token 值，如：9bfd07dd800a8c304b62bfac09f698cb7ad9f939d812021a，

18
image

18

步骤五：Web 应用访问设置，将获取到的 token 与 IP 地址以及端口号按照 IP:端口？token={token}具体值（如：

139.186.147.190:18789?token=9bfd07dd800a8c304b62bfac09f698cb7ad9f939d812021a

） 拼接起来 ，定义在参数中的 「Web 访问地址」中，如下图所示：

18

18

五、个人 AI 助理效果
完成以上操作我们就基于 1Panel 完成了 OpenClaw 个人 AI 助理的搭建。直接进入应用商店已安装，点击跳转，选择带 token 的链接地址点击即可进入OpenClaw 体验了，具体参见如下图：

19

我们输入可以输入一些简单的事情交给 AI 助理帮你完成，如下图所示：

20

六、总结
通过上述完整步骤，我们能依托 1Panel 运维管理面板快速搭建 7X24 小时不间断运行的本地 AI 助理。最终只需通过浏览器访问 OpenClaw，即可畅享本地模型驱动的 AI 智能助理服务，无论是日常咨询还是轻量办公辅助都能轻松应对。

全程操作以 1Panel 为核心载体，无需复杂的命令行功底，所有配置流程可视化、步骤化，即便是小白新手也能按指引快速完成部署。不过经实测发现，当前本地模型在工具调用的灵活性上仍存在些许局限，但随着 OpenClaw、Ollama 等开源项目的持续迭代优化，这些问题我们相信会很快得到优化改善，未来该 AI 助理的功能会愈发强大，为我们的生活和工作效率带来显著提升。

最后在模型选择方面，经过多次实测验证，基于当前的硬件资源配置，Qwen3:14b、Qwen coder:30b 是兼顾性能与资源消耗的优选方案；若服务器配置充足（如更高显存、更强算力），也可尝试部署参数更大的模型以获得更优效果。

这套本地化 AI 助理方案无需依赖外部 Token，数据隐私更有保障，诚邀大家动手实操体验，感受开源三件套工具带来的高效智能服务。

Read more

LLaMA-Factory使用

LLaMA-Factory使用

文章目录 * 一、LLAMA-Factory简介 * 二、安装LLaMA-Factory * 三、准备训练数据 * 四、模型训练 * 1. 模型下载 * 2. 全量微调 * 3.lora微调 * 4.QLora微调 * 五、合并模型权重 * 1.模型合并 * 2.测试 一、LLAMA-Factory简介 LLaMA-Factory是一个简单易用且高效的大模型训练框架，支持上百种大模型的训练，框架特性主要包括： * 模型种类：LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Yi、Gemma、Baichuan、ChatGLM、Phi 等等。 * 训练算法：（增量）预训练、（多模态）指令监督微调、奖励模型训练、PPO 训练、DPO 训练、

By Ne0inhk
文心一言开源版测评：能力、易用性与价值的全面解析

文心一言开源版测评：能力、易用性与价值的全面解析

目录 * 一、实测过程记录 * 1. 环境配置详解 * 2. 安装Python环境 * 3. 安装PaddlePaddle（选择CPU版本） * 4. 安装FastDeploy推理引擎 * 5. 下载模型权重及配置文件 * 6. 环境验证脚本 * 7. 常见问题及解决 * 8. 关于GPU加速说明（重要） * 二、模型能力实测：多维度压力测试与代码实战 * 1. 通用理解能力测评（附测试代码） * 1.1 复杂逻辑推理测试 * 1.2 情感极性分析 * 2. 文本生成能力实测 * 风格化写作（带控制参数） * 商业文案生成对比 * 3. 鲁棒性压力测试 * 4. 多模态能力专项测试 * 4.1 图文关联度测评 * 4.2 视觉问答(VQA)实战

By Ne0inhk
AIGC浪潮下，风靡全球的Mcp到底是什么？一文讲懂，技术小白都知道！！

AIGC浪潮下，风靡全球的Mcp到底是什么？一文讲懂，技术小白都知道！！

个人主页-爱因斯晨 文章专栏-AIGC   长大好多烦恼，好愁！ 目录   前言 初步了解 Mcp到底是个啥？ 发展 理论基础 核心组件 使用逻辑 于传统API不同之处 模型推荐   前言 上年这个时候，刚拿到录取通知书。哥哥教我用ai智能体，其实就是向我炫技。当时我问他，为什么不能直接给我生成图表，直接给我生成多好，省得我再去复制了。他说，其实很简单，只要做个接口协议什么的就行，只是目前国内没人做。当时说的很高深，我也听不懂。没想到年底，这个功能就实现内测了。在某种程度上，我也算是预言了哈哈。 初步了解 Mcp到底是个啥？ Mcp，全称 Model Context Protocol，翻译过来是模型上下文协议。你不用管这高大上的名字，简单说，它就是和大 AI 模型聊天时，一种把相关信息整理好、按规矩传给 AI 的方式。

By Ne0inhk
探索云开发Copilot，AI如何重塑开发流程？

探索云开发Copilot，AI如何重塑开发流程？

文章目录 * 1 AI与低代码 * 2 Copilot功能 * 3 案例解析 * 4 Copilot不足 * 5 改进建议 刚接触 Copilot 时， Copilot 的 AI 低代码生成功能让我眼前一亮，使得我开发变得更简洁高效。 以前，我总是依赖手写代码，从搭建环境到实现功能，每一步都非常耗时。 虽然这个过程有助于技术成长，但在面对复杂需求时，常常觉得费时费力。 1 AI与低代码 低代码平台通过拖拽组件和模块化开发，极大地降低了技术门槛，让没有开发背景的人也能轻松实现自己的创意。 这种方式不仅快速，而且灵活，适合那些想要快速搭建应用的用户。再加上人工智能在自然语言理解和代码生成方面的突破，开发效率也得到了极大的提升。 云开发 Copilot 正好是这种结合的典型代表。它不仅利用低代码技术简化开发过程，还融合了AI智能生成和优化的功能，帮助开发者更高效地从需求到最终实现。 通过这种方式，不管是技术新手还是有一定开发经验的人，都能更轻松地完成项目，云开发 Copilot 体验地址：https://tcb.

By Ne0inhk