Windowns系统WSL2 Ubuntu 方式部署Openclaw

Windowns系统WSL2 Ubuntu 方式部署Openclaw

这是官方推荐的 Windows 部署方式,提供最完整的 Linux 环境支持。

好消息!近期找到个更简单部署方法,通过镜像还原方式,适合想快速部署或零基础的!

【Openclaw安装别再花冤枉钱了!零基础镜像还原法,一次成功-哔哩哔哩】 https://b23.tv/iH4usWS

准备:启用适用于Linux的Windows子系统和虚拟化平台,重启电脑。

1. 启用 WSL2

以管理员

身份打开 PowerShell,执行:

# 启用 WSL 功能

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

# 设置 WSL 2 为默认版本,部分电脑此步可能报错,​​​​​此处暂不理会,​​通过下文中的WSL内核更新解决

wsl --set-default-version 2


 

2. 安装 Ubuntu

方法1 :Microsoft Store 安装(推荐)

  1. 打开 Microsoft Store
  2. 搜索「Ubuntu 24.04 LTS」
  3. 点击「获取」并安装

安装完成后会自动打开 Ubuntu 终端,按提示设置用户名和密码。

方法2 :wsl命令安装

wsl --install -d Ubuntu-24.04

部分电脑报错无法解析服务器的名称或地址

解决方案

  1. 打开 /C:\Windows\System32\drivers\etc文件,添加IP domain的对,如图:

IPaddress中搜索查看IP

 

启动Ubuntu 24.04 LTS

部分windows安装ubuntu时,报错:Installing, this may take a few minutes... WslRegisterDistribution failed with error: 0x8007019e Error: 0x8007019e ??????? Linux ? Windows ????

这个报错 0x8007019e 通常是因为在安装 Ubuntu 之前,没有先开启 Windows 的 “适用于 Linux 的 Windows 子系统 (WSL)” 功能。

在PowerShell中执行如下命令,然后重启电脑即可

Enable-WindowsOptionalFeature -Online -FeatureName Microsoft-Windows-Subsystem-Linux

重启完成后重新打开Ubuntu 24.04 LTS

首次启动设置用户名和密码,注意在ubuntu中输入密码时没有任何显示,直接输入完成回车即可

 

 WSL内核更新

1. 在PowerShell中管理员身份运行,执行

wsl --update

如果出现wsl --update 卡在 0%问题

解决方法1:依次执行如下命令

# 停止 Windows Update 服务

net stop wuauserv

# 重新启动服务

net start wuauserv

解决方法2:强制从网络获取最新更新

wsl --update --web-download

 

2. 执行版本转换命令
现在,运行转换命令。同样在 PowerShell 中,输入

wsl --set-version Ubuntu-24.04 2

 查看版本

wsl -l -v

 

 

更新 Ubuntu 系统

在 Ubuntu 终端中执行:

# 更新软件包列表

sudo apt update && sudo apt upgrade -y
sudo apt install -y curl git wget build-essential

 

安装 Node.js 22+

# 添加 NodeSource 仓库

curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -

# 安装 Node.js

sudo apt install -y nodejs
# 验证版本(必须 ≥ 22.x) node -v npm -v

 

安装 OpenClaw

一键脚本安装

curl -fsSL https://openclaw.ai/install.sh | bash
通过左右方向键切换 Yes/No 选项,选择 Yes 即表示已了解 OpenClaw 权限相关风险,同意继续配置。

选择Yes

 

进入 Onboarding mode 选择界面时,对于首次配置的用户,建议优先选择 QuickStart 模式——该模式以「最小配置+最快部署」为目标,可跳过非必要配置项,快速完成 OpenClaw 基础部署。

 

◆Model/auth provide

配置要使用的模型,可以在这里直接配置,也可以后续通过配置文件处理。

因为笔者使用 moonshot 国内模型,但是 OpenClaw 的配置是国际的会导致接口地址错误,所以笔者先选择 Skip for now 跳过大模型配置,后面再单独设置要使用的模型即可。

 

保持默认选择All providers,回车即可

Default model

进入 Default model 选择界面时可任意选择一个模型临时占位——该配置后续将通过修改配置文件覆盖,不影响最终使用效果,保持默认选择Keep current,回车即可

◆Select channel (QuickStart)

配置要使用的对话应用,如果用飞书,按要求填参数即可。这里可选 Skip for now ,先跳过选择,后面笔者会单独用一节内容讲解怎么配置。

 

◇ Skills status

配置技能,可以选 No,根据提示安装一些常用的工具。

 

按空格选中Skip for now

 

最后查看界面输出的信息,将这些信息保存下来。

 

安装完成

 

 

此时执行openclaw指令提示“openclaw: command not found”,依次执行如下指令添加openclaw到系统环境变量

mkdir ~/.npm-global
npm config set prefix '~/.npm-global'
echo 'export PATH=~/.npm-global/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

查看gateway状态

 

http://127.0.0.1:18789/#token=d3f44d798d67a145cbcb0caa5aa9b02de9fdad623384039c

 

本地模型配置步骤:

Ollama 默认只监听 127.0.0.1,没监听这个虚拟网卡的 IP

第一步:Windows 上设置环境变量,让 Ollama 监听所有接口
以管理员身份打开 PowerShell,执行:

setx OLLAMA_HOST "0.0.0.0" /M

重启 Ollama(任务栏右下角小羊驼图标 → 右键 Quit → 重新从开始菜单启动)。

在 powershell命令行执行:

netstat -an | findstr 11434


如果看到 0.0.0.0:11434 或 :::11434 处于 LISTENING,就成功了。
如果只有 127.0.0.1:11434,说明没生效,重启电脑即可。

 

第二步:WSL2 里用正确的宿主机 IP 测试
在 WSL2 Ubuntu 中执行(这才是你该用的 IP,不是 172.24.64.1):

bash

ip route show | grep default | awk '{print $3}'

这会输出 Windows 宿主机在 WSL2 网络中的真实网关 IP,大概率是 172.24.64.1 或类似(就是 Windows 的 vEthernet (WSL) 网卡 IP)。

然后用这个 IP 测试:bash

curl http://172.28.240.1:11434/api/tags   # 把 IP 换成你上面查到的

修改配置,建议直接在如下配置基础上修改

{ "wizard": { "lastRunAt": "2026-02-19T08:45:16.629Z", "lastRunVersion": "2026.2.17", "lastRunCommand": "onboard", "lastRunMode": "local" }, "agents": { "defaults": { "model": { "primary": "ollama/qwen3:8b", "fallbacks": [ "openai/gpt-5.1-codex" ] }, "models": { "ollama/qwen3:8b": {}, "openai/gpt-5.1-codex": { "alias": "GPT" } }, "workspace": "/home/rgzn/.openclaw/workspace", "compaction": { "mode": "safeguard" }, "maxConcurrent": 4, "subagents": { "maxConcurrent": 8 } } }, "messages": { "ackReactionScope": "group-mentions" }, "commands": { "native": "auto", "nativeSkills": "auto" }, "gateway": { "port": 18789, "mode": "local", "bind": "loopback", "auth": { "mode": "token", "token": "d3f44d798d67a145cbcb0caa5aa9b02de9fdad623384039c" }, "tailscale": { "mode": "off", "resetOnExit": false }, "nodes": { "denyCommands": [ "camera.snap", "camera.clip", "screen.record", "calendar.add", "contacts.add", "reminders.add" ] } }, "meta": { "lastTouchedVersion": "2026.2.17", "lastTouchedAt": "2026-02-19T08:45:16.638Z" }, "models": { "providers": { "ollama": { "baseUrl": "http://172.28.240.1:11434/v1", "apiKey": "ollama-local", "api": "openai-completions", "models": [ { "id": "qwen3:8b", "name": "Qwen3 8B", "reasoning": false, "input": ["text"], "cost": { "input": 0, "output": 0 }, "contextWindow": 131072, "maxTokens": 8192 } ] } } } }

如下图将token替换之前截图保存的

如下图将workspace的中的rgzn替换成对应的名称(命令行@前的内容)

如下图将baseUrl中IP地址修改上面查询到的

 执行如下命令进入配置文件目录

cd ~/.openclaw

备份openclaw.json配置文件,执行如下指令:

mv openclaw.json openclaw.json.bak

执行如下命令修改

nano openclaw.json

 

如需调用云端deepseek的api配置方式如下:

nano ~/.openclaw/openclaw.json
{ "meta": { "lastTouchedVersion": "2026.2.9", "lastTouchedAt": "2026-02-12T00:45:51.950Z" }, "wizard": { "lastRunAt": "2026-02-12T00:45:51.943Z", "lastRunVersion": "2026.2.9", "lastRunCommand": "configure", "lastRunMode": "local" }, "agents": { "defaults": { "model": { "primary": "deepseek/deepseek-chat", "fallbacks": [ "openai/gpt-5.1-codex" ] }, "models": { "deepseek/deepseek-chat": {}, "openai/gpt-5.1-codex": { "alias": "GPT" } }, "workspace": "/home/syh/.openclaw/workspace", "compaction": { "mode": "safeguard" }, "maxConcurrent": 4, "subagents": { "maxConcurrent": 8 } } }, "messages": { "ackReactionScope": "group-mentions" }, "commands": { "native": "auto", "nativeSkills": "auto" }, "gateway": { "port": 18789, "mode": "local", "bind": "loopback", "auth": { "mode": "token", "token": "66682db26fe6f1693570085e2009c52bf8a688901aa542fc" }, "tailscale": { "mode": "off", "resetOnExit": false }, "nodes": { "denyCommands": [ "camera.snap", "camera.clip", "screen.record", "calendar.add", "contacts.add", "reminders.add" ] } }, "skills": { "install": { "nodeManager": "npm" } }, "tools": { "web": { "search": { "enabled": false }, "fetch": { "enabled": true } } }, "models": { "providers": { "deepseek": { "baseUrl": "https://api.deepseek.com/v1", "apiKey": "填入你的API KEY", "api": "openai-completions", "models": [ { "id": "deepseek-chat", "name": "DeepSeek Chat", "reasoning": false, "input": ["text"], "cost": { "input": 0.14, "output": 0.28 }, "contextWindow": 128000, "maxTokens": 4096 } ] } } } }

 

 

设置开机自动启动

可以运行以下 PowerShell 命令,查看 AUMID备用

Get-StartApps | Where-Object { $_.Name -like "*Ubuntu*" }


点击创建基本任务

任务命名(名称随意)

选择“计算机启动时”

默认“启动程序”即可

程序或脚本:

explorer.exe

添加参数(红色字体替换成前面查到的AUMID):shell:AppsFolder\CanonicalGroupLimited.Ubuntu24.04LTS_79rhkp1fndgsc!ubuntu2404

点击完成

右键点击任务,点击运行(应该看到ubuntu窗口打开)。

 

设置完成

 

 

Read more

视频理解技术在产业级应用中的实践指南:从算法选型到本地化部署

视频理解技术在产业级应用中的实践指南:从算法选型到本地化部署 【免费下载链接】PaddleVideoAwesome video understanding toolkits based on PaddlePaddle. It supports video data annotation tools, lightweight RGB and skeleton based action recognition model, practical applications for video tagging and sport action detection. 项目地址: https://gitcode.com/gh_mirrors/pa/PaddleVideo 在数字化浪潮席卷各行各业的今天,视频作为信息传递的重要载体,其蕴含的丰富内容正等待被深度解读。如何让计算机真正"看懂"视频中的动作、行为和事件?

By Ne0inhk
【数据结构与算法】单链表综合练习:1.删除链表中等于给定值 val 的所有节点 2.反转链表 3.链表中间节点

【数据结构与算法】单链表综合练习:1.删除链表中等于给定值 val 的所有节点 2.反转链表 3.链表中间节点

🔥小龙报:个人主页 🎬作者简介:C++研发,嵌入式,机器人等方向学习者 ❄️个人专栏:《C语言》《【初阶】数据结构与算法》 ✨ 永远相信美好的事情即将发生 文章目录 * 前言 * 一、删除链表中等于给定值 val 的所有节点 * 1.1题目 * 1.2 算法原理 * 1.3代码 * 二、反转链表 * 2.1题目 * 2.2 算法原理 * 2.3代码 * 三、链表中间节点 * 3.1题目 * 3.2 算法原理 * 3.3代码 * 总结与每日励志 前言 链表是 C 语言和数据结构学习的核心考点,也是编程入门绕不开的经典题型。本文聚焦删除指定值节点、

By Ne0inhk

IVFFlat 与 HNSW 算法介绍与对比

一 核心概念与适用场景 * IVFFlat(Inverted File with Flat) * 基于K‑means 聚类将向量空间划分为多个簇(列表/桶),为每个簇维护倒排列表;查询时先找最近的若干簇,再在簇内做暴力精确距离计算(Flat 表示不压缩)。适合对召回精度较高、内存较充足、数据相对静态的场景。其优点是索引结构简单、可解释,缺点是需要训练、对数据分布变化敏感、频繁更新后可能需要重建索引。典型应用包括高精图像对比、需要可控召回的业务。 * HNSW(Hierarchical Navigable Small World) * 基于多层小世界图的近似最近邻搜索:顶层稀疏用于快速导航,底层稠密用于精检;查询从顶层入口点逐层下降,在底层通过贪婪/受限搜索找 Top‑K。优点是高召回、低延迟、对高维向量和大规模数据更稳健;缺点是构建更慢、内存占用更高(需存储图连接)。常用于RAG、语义搜索、推荐系统等对召回与时延都敏感的场景。 二

By Ne0inhk
【贪心算法】day7

【贪心算法】day7

📝前言说明: * 本专栏主要记录本人的贪心算法学习以及LeetCode刷题记录,按专题划分 * 每题主要记录:(1)本人解法 + 本人屎山代码;(2)优质解法 + 优质代码;(3)精益求精,更好的解法和独特的思想(如果有的话);(4)贪心策略正确性的 “证明” * 文章中的理解仅为个人理解。如有错误,感谢纠错 🎬个人简介:努力学习ing 📋本专栏:C++刷题专栏 📋其他专栏:C语言入门基础,python入门基础,C++学习笔记,Linux 🎀ZEEKLOG主页 愚润泽 你可以点击下方链接,进行其他贪心算法题目的学习 点击链接开始学习贪心day1贪心day2贪心day3贪心day4贪心day5贪心day6贪心day7贪心day8贪心day9贪心day10 也可以点击下面连接,学习其他算法 点击链接开始学习优选专题动态规划递归、搜索与回溯贪心算法 题单获取→ 【贪心算法】题单汇总 题目 * 55. 跳跃游戏 * 个人解 * 134. 加油站 * 优质解

By Ne0inhk