目 录
- 前言
- 第一章：为什么选 OpenAkita，而不是直接用 OpenClaw？
- 第二章：Windows 下安装 OpenAkita（两种方案）
- 第三章：配置蓝耘（Lanyun）平台 API 密钥
- 第四章：配置 OpenAkita（含飞书机器人）
- 第五章：对比 OpenClaw，说说 OpenAkita 的真实优缺点
- 总结：从'只会聊天'到'真正干活'的本地 AI 中台
前言
到 2026 年，单纯会'聊天'的 AI 已经不够用了。我们需要的是那种能真正帮你干活的助理：操作电脑、浏览网页、整理文件、定时跑任务、写代码、处理 Excel，还能通过飞书 / 钉钉 / 微信 / Telegram 随时响应你。
OpenAkita 就是这样一个开源的多智能体框架（GitHub：openakita/openakita，Apache 2.0 许可）。它不是某个大模型，而是一整支'AI 团队'：多个 Agent 协作分工、自动纠错、有长期记忆、还能在本地持续进化。相比之下，OpenClaw 更偏'个人 AI 助手 + 本地控制平面'，强调一套网关打通所有聊天工具和浏览器自动化，但不会刻意强调多 Agent 协作和图形化配置。
这篇文章会手把手带你从 Windows 11 开始，一步步部署 OpenAkita，并接入蓝耘 DeepSeek 满血版 API，整个过程尽量不敲命令，用桌面图形化搞定。适合：程序员、效率工具爱好者、想在本地搭一个'私有 AI 中台'的人。
第一章：为什么选 OpenAkita，而不是直接用 OpenClaw？
1.1 当前 AI 助理的几个现实痛点
- 大模型只会聊天：你问'帮我整理一下这份 Excel'，它告诉你'你可以用 Python 的 pandas 这样写'，但不会真的帮你打开文件、改好发给你。
- 官方接口又贵又卡：高峰期限流、排队，按量计费看着便宜，一天重度用下来账单也很可观。
- 闭源产品功能锁死：想本地跑、想接国内模型、想深度集成自己的业务系统？基本别想。
- 自己搭一套 Agent：配置复杂，要懂 Python、Docker、数据库，劝退一大波人。
1.2 OpenAkita 的核心优势（对比 OpenClaw）
先简单对比一下 OpenAkita 和 OpenClaw，方便你选型：
| 维度 | OpenAkita | OpenClaw |
|---|---|---|
| 定位 | 多智能体 AI 助手框架，强调'AI 团队协作' | 个人 AI 助手平台，强调'本地网关 + 多渠道接入' |
| 部署体验 | 官方提供 Windows 桌面安装包 + 图形化向导，全程可以不碰命令行 | 官方推荐 CLI 向导（openclaw onboard），需要习惯终端 |
| 多 Agent | 多个 Agent 专业分工、并行执行、自动接力、可视化仪表盘 | 支持多 Agent 路由，不同渠道/账户可映射到不同 Agent 工作区 |
| 工具/技能 | 内置 89+ 工具，技能市场一键安装 GitHub 技能 | 内置浏览器控制、定时任务、Webhooks，也有技能市场（ClawdHub） |
| IM 接入 | 原生支持飞书、钉钉、企微、Telegram、QQ、OneBot 等 6 大平台 | 支持 WhatsApp、Telegram、Slack、Discord、Teams 等几十种渠道 |
| 桌面自动化 | 明确支持桌面自动化、鼠标键盘操作、浏览器自动化（Playwright + Windows API） | 强调浏览器控制、系统命令执行，但'桌面自动化'更偏浏览器层面 |
| 上手门槛 | 强调'5 分钟上手、零命令行'，对新手非常友好 | 对新手有一定命令行门槛，但社区教程很多 |
一句话总结：
- 想要：**多 Agent 协作 + 图形化配置 + 桌面自动化 + 飞书/钉钉等国内 **IM → 选 OpenAkita。
- 想要：个人 24/7 在线助手 + 多渠道统一收件箱 + 浏览器/系统级自动化 → 选 OpenClaw。
1.3 谁最适合用 OpenAkita？
- 日常效率党：汇总文件、批量改名、定时提醒、自动发日报。
- 程序员 / 开发者：写代码、调试、GitHub 自动化、搭建内部 AI 工具链。
- 内容创作者：批量搜集素材、整理笔记、生成报告、定时发布内容。
- 想控制成本的人：用蓝耘 DeepSeek 满血版，按量计费，搭配本地缓存，几毛钱跑一天。
第二章：Windows 下安装 OpenAkita（两种方案）
2.1 准备工作
建议按'生产部署标准'来准备环境，避免后面踩坑：
- 操作系统：Windows 11（Win10 也可以，但建议 11）
- 内存：≥ 16 GB（重度自动化建议 32 GB）
- 磁盘：≥ 50 GB 可用空间（模型日志、缓存、技能会占用不少空间）
- 网络：能访问 GitHub、蓝耘平台，国内网络可能需要代理
- 账号：
- 蓝耘元生代账号（用于 DeepSeek API）
- 飞书开放平台账号（如果你要接飞书机器人）
2.2 方案一：一键脚本安装（适合能接受 PowerShell 的用户）
这是官方推崇的 Windows 部署方式，一般 3–8 分钟就能搞定。
步骤：
- 以管理员身份打开 PowerShell
右键开始菜单 → Windows PowerShell (管理员)。 - 执行一键脚本：
irm https://raw.githubusercontent.com/openakita/openakita/main/scripts/quickstart.ps1 | iex
脚本会自动：
1. 检测 Python 环境 2. 安装依赖 3. 创建桌面快捷方式 4. 下载最新版本 OpenAkita
- 安装完成后，双击桌面图标启动，或在命令行输入：
openakita # 或者简写 ak
优点：
- 支持后续一键升级：
openakita --update，永远跟最新版。 - 对有经验的人来说，比图形化更可控。
2.3 方案二：桌面安装包（最像普通软件，新手友好）
如果你不想碰命令行，推荐用这个方案。
步骤：
- 点击访问 OpenAkita 下载页面
- 下载 Windows 安装包
- 双击运行安装向导：
- 同意许可协议
- 选择安装路径（默认即可）
- 安装完成后，会自动启动初始化向导（中文图形界面）。
- 通过桌面图标启动即可使用。
小贴士：如果电脑里没有 Python，安装程序会自动引导下载并安装（嵌入式 Python），对你完全透明。
第三章：配置蓝耘（Lanyun）平台 API 密钥
3.1 为什么选蓝耘 DeepSeek？
蓝耘元生代推理引擎已经上线 DeepSeek R1/V3 满血版，支持在线体验和 API 调用，按 token 计费，还有 500 万不限时的免费 token 额度。
对于本地跑 OpenAkita 这种'重度使用'的场景，非常适合。
3.2 获取蓝耘 API Key
- 登录蓝耘元生代智算云平台
- 进入体验中心 / 模型服务
- 找到 DeepSeek R1 / V3 的模型页面。
- 创建 API Key
- 在'API 平台 > 立即接入管理'中，点击'创建 API KEY'。
- 创建后，复制并保存好，后面要用。
3.3 在 OpenAkita 中接入蓝耘 DeepSeek
在 OpenAkita 管理界面中：
- 添加 LLM 端点
- 找到'模型管理 / LLM 端点'设置，新增一个上游。
-
填写关键参数（示例）：
https://maas.lanyun.net/v1（以蓝耘控制台实际为准）- 类型：DeepSeek（或 OpenAI 兼容）
- API 地址（Base URL）：
- 如果你用的是蓝耘 MaaS：按蓝耘文档填，例如：
-
API Key：粘贴你刚才创建的蓝耘 API Key
-
模型映射：
- 模型名称可以填：
/maas/deepseek-ai/DeepSeek-V3
- 模型名称可以填：
-
端点名称：自动生成即可
-
模型能力：按需勾选（文本、代码、工具调用等）
- 保存后，在模型列表中设为默认或高优先级，这样 OpenAkita 会优先走蓝耘 DeepSeek。
第四章：配置 OpenAkita（含飞书机器人）
4.1 配置飞书机器人
如果你希望直接在飞书里和 AI 对话，需要先创建飞书机器人。
- 进入飞书开放平台，创建企业自建应用，选择'机器人'类型。
- 在权限管理中，批量导入权限
你可以直接粘贴下面这段 JSON，覆盖原有权限（示例）：
{ "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:contact.base:readonly", "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", "contact:contact.base:readonly", "im:chat.access_event.bot_p2p_chat:read" ] } }
- 在'凭证与基础信息'中，复制
App ID和App Secret。 - 在 OpenAkita 的飞书接入配置中，填入刚才的 App ID 和 App Secret，按向导完成配置。
- 在飞书开放平台的'事件与回调'中：
- 订阅方式选择'长连接订阅'（不要选 HTTP 回调）
- 添加事件：至少包含
im.message.receive_v1（接收消息） - 保存设置。
建议：飞书的事件订阅配置，可以在 OpenAkita 完全部署好之后再在飞书后台统一设置，避免向导卡住。
4.2 部署 OpenAkita 核心模块
在 OpenAkita 的设置中心里，根据你的需求勾选功能模块
终端命令与系统设置（根据自己的需求选择）
然后等待 OpenAkita 自动下载并安装对应依赖和技能包。
4.3 验证部署是否成功
安装完成后，进入 OpenAkita 主界面：
- 在'状态 / 健康检查'中，查看各个模块是否都显示为'已连接 / 正常'。
- 在飞书中，尝试给机器人发一条消息，看是否能收到 OpenAkita 的回复。
- 侧边栏还有很多功能，。。。。。
如果这些都正常，说明你的本地 AI 助手已经跑起来了。
第五章：对比 OpenClaw，说说 OpenAkita 的真实优缺点
5.1 体验上的差异
- 上手门槛
- OpenAkita：图形化向导非常完善，真正可以做到'5 分钟上手，全程不敲命令'。
- OpenClaw：虽然也有向导，但整体偏'工程师友好'，需要习惯终端和配置文件。
- 多 Agent 协作
- OpenAkita：多 Agent 是核心卖点，有专门的任务拆解、进度追踪、仪表盘。
- OpenClaw：支持多 Agent 路由，但更偏'渠道隔离'，而不是复杂任务拆解与并行。
- IM 接入
- OpenAkita：对飞书、钉钉、企微等国内平台支持更好，开箱即用。
- OpenClaw：主打 WhatsApp、Telegram、Slack、Discord 等'国际通道'，对国内 IM 也可以接，但需要更多配置。
- 桌面自动化
- OpenAkita：明确支持桌面自动化、鼠标键盘操作、浏览器自动化，适合'操作 Windows 电脑'的场景。
- OpenClaw：浏览器控制非常强，但对'桌面应用'的操作更多是依赖系统命令，GUI 自动化不如 OpenAkita 那么直观。
5.2 实际使用建议
- 如果你主要在 Windows 上办公，常用飞书 / 钉钉，想要一个'图形化配置 + 多 Agent 协作'的本地 AI 团队 → 优先选 OpenAkita。
- 如果你更关注多渠道统一收件箱（WhatsApp / Telegram / Slack / Discord 都接进来），愿意折腾命令行和配置文件 → 选 OpenClaw 也不错，社区生态非常成熟。
总结：从'只会聊天'到'真正干活'的本地 AI 中台
通过 OpenAkita + 蓝耘 DeepSeek API，我们可以在本地搭建一个：
- 低延迟、高可用的 AI 中转站：模型可以按需切换，一个挂了自动切下一个。
- 真正能干活的助手：操作电脑、管理文件、浏览器自动化、定时任务，不再是'嘴强王者'。
- 可扩展的 AI 中台：技能市场可以不断安装新的能力，也可以自己写技能，把内部业务流程接进来。
后续你可以考虑：
- 做一个反向代理 / 负载均衡，把多个蓝耘 API Key 或其他模型源接入进来。
- 把 OpenAkita 部署到内网服务器，给整个团队用。
- 结合 OpenClaw 的多渠道优势，把 WhatsApp / Telegram 也接入进来，实现'一个大脑，多端响应'。
如果你是第一次接触这类项目，建议先用 OpenAkita 的桌面版把整体流程跑通，再去研究 OpenClaw 的网关和渠道配置，你会发现两者的理念其实非常互补。