小龙虾 OpenClaw 安装教程:从零到能干的 AI 助手

一、OpenClaw 是什么?

OpenClaw(社区俗称「小龙虾」)是一款可本地/自建的开源 AI 助手,特点是「能干活」:除对话外,支持浏览器自动化、桌面控制、向量记忆、定时任务等,并可通过 Gateway 接入微信、飞书、Telegram、Discord 等渠道。技术栈以 Node.js 为核心,适合作为「AI + 自动化 + 多端接入」的练手或生产项目。

本文以学习 + AI + 前端为场景,手把手带你完成安装与第一次配置。


二、安装前准备

2.1 系统与硬件

  • 系统:Windows 10/11、macOS 12+(推荐 14+)、或 Linux(如 Ubuntu 20.04+、Debian 11+)
  • 内存:至少 2GB,推荐 4GB 以上
  • 磁盘:预留约 500MB
  • 网络:需要联网(调用各类 AI API)

2.2 必装环境:Node.js

OpenClaw 依赖 Node.js 22 或更高版本(推荐 LTS)。若未安装:

或用 nvm 管理多版本:

# 安装并切换到 Node 22 nvm install22 nvm use 22

安装后验证:

node-v# 应 >= v22.x.xnpm-v

2.3 准备一个 AI API Key(必选)

OpenClaw 本身免费,但需要接入一家 AI 服务商的 API:

  • 新手推荐MiniMax — 国内直连、可免费试用约 7 天,无需信用卡
  • 其他可选:Claude、GPT、DeepSeek、通义等(按官方文档配置对应 Key 即可)

先到所选平台注册账号,在控制台里拿到 API Key,安装完成后在配置向导里填入。


三、安装方式(任选其一)

方式一:一键脚本(最省事)

Windows(PowerShell,以管理员身份运行):

iwr-useb https://clawd.org.cn/install.ps1 -OutFile install.ps1;./install.ps1 

macOS / Linux:

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

也可使用带参数的安装(例如指定 git 方式):

curl-fsSL https://openclaw.ai/install.sh |bash-s -- --install-method git

脚本会自动处理依赖,一般 3~5 分钟即可完成。


方式二:npm / pnpm 全局安装(适合前端同学)

已熟悉 Node 生态的话,可以直接:

npminstall-g openclaw # 或使用 pnpm(推荐)pnpmadd-g openclaw@beta 

安装完成后,在终端输入 openclawclaw 应能识别。


方式三:从源码安装(适合想改代码、学架构的前端)

git clone https://github.com/openclaw/openclaw.git cd openclaw pnpminstallpnpm build 

之后可通过项目内的 CLI 或脚本启动,便于阅读和二次开发。


方式四:Docker 部署(适合有容器经验的)

docker pull openclaw/openclaw:latest docker run -d--name openclaw -p3000:3000 -v ~/.openclaw:/root/.openclaw openclaw/openclaw:latest 

按需把端口 3000 改成你本机未被占用的端口。


四、第一次配置:openclaw onboard

安装完成后,务必先跑一遍配置向导

openclaw onboard 

(若使用源码安装,可能是 pnpm run onboard 或项目内提供的等效命令,以仓库说明为准。)

向导会引导你:

  1. 选择 AI 模型 / 供应商(如 MiniMax、Claude、DeepSeek 等)
  2. 填写 API Key(上一步准备好的)
  3. 选择聊天平台(如微信、飞书、Telegram 等,可先不选,后续再配)
  4. Gateway 等高级选项(一般默认即可)

配置会写入 ~/.openclaw/(Windows 一般在用户目录下的 .openclaw),之后可手动编辑同一目录下的配置文件做进阶调整。


五、验证安装是否成功

在终端执行:

openclaw --version# 查看版本 openclaw doctor # 环境与依赖自检

doctor 通过,说明环境正常。接下来可启动本地 Web 界面或对接聊天平台。


六、启动与使用

6.1 Web 界面(前端/学习最直观)

很多安装方式会默认启动 Web 服务,或提供类似命令:

openclaw start # 或按文档说明启动 Web

浏览器访问:http://127.0.0.1:18789/(端口以实际文档为准,常见 18789 或 3000)。
在这里可以直接和 OpenClaw 对话,并体验「浏览器操作」「电脑控制」等能力,对前端同学理解「AI + 前端」交互非常直观。

6.2 安装「技能」模块(可选)

按需安装官方/社区技能,例如:

claw install browser # 浏览器操作 claw install desktop-control # 电脑控制 claw install vector-memory # 记忆系统 claw install auto-updater # 自动更新

装好后在 Web 或聊天平台里即可使用对应能力。

6.3 接入微信 / 飞书 / Telegram

openclaw onboard 或配置文件中按文档填写对应平台的 Token/密钥,即可在聊天软件里和同一只「小龙虾」对话,实现「多端一个助手」。


七、学习与前端向的小建议

  1. 先 Web 再聊天:先把 Web 界面玩熟,再接微信/飞书,更容易理解「对话 → 任务 → 执行」的流程。
  2. 看源码:若你偏前端,可 clone 官方仓库,从 Web UI 和技能插件的代码看起,对理解 AI 产品形态很有帮助。
  3. 成本:软件免费,主要成本是 AI API 调用费;MiniMax 等有免费额度,适合练手和做小项目。
  4. 遇到问题:优先查 OpenClaw 官方文档、GitHub Issues 和社区教程(如 53AI、ZEEKLOG、SegmentFault 上的「OpenClaw 安装」文章)。

八、小结

步骤动作
1. 环境安装 Node.js 22+,准备一个 AI API Key
2. 安装一键脚本 / npm 全局 / 源码 / Docker 任选
3. 配置执行 openclaw onboard 选模型、填 Key
4. 验证openclaw doctoropenclaw --version
5. 使用浏览器打开 Web 地址,或接入微信/飞书等

按上述流程走一遍,你就能在本地拥有一个「能干活的」小龙虾 OpenClaw,非常适合作为 学习 AI + 前端 的实战入口。


Read more

SkyWalking - Python 应用追踪:基于 skywalking-python 的埋点

SkyWalking - Python 应用追踪:基于 skywalking-python 的埋点

👋 大家好,欢迎来到我的技术博客! 📚 在这里,我会分享学习笔记、实战经验与技术思考,力求用简单的方式讲清楚复杂的问题。 🎯 本文将围绕SkyWalking这个话题展开,希望能为你带来一些启发或实用的参考。 🌱 无论你是刚入门的新手,还是正在进阶的开发者,希望你都能有所收获! 文章目录 * 🐍 SkyWalking - Python 应用追踪:基于 skywalking-python 的埋点 * 🧭 什么是 SkyWalking? * 🐍 Python 埋点基础:skywalking-python * 🔧 安装与配置 * 📡 示例一:Flask 应用自动追踪 * 🧵 示例二:手动埋点 —— 自定义 Span * 🔗 跨服务追踪:Python 与 Java 交互 * 🔄 上下文传播机制详解 * 📊 数据上报协议:gRPC vs HTTP * 🎯 性能影响评估 * 🧩 插件生态与框架支持 * 🧭 分布式追踪原理图解 * 🧪 示例三:异步任务追踪(Celery) *

By Ne0inhk
Python:AI开发第一语言的全面剖析

Python:AI开发第一语言的全面剖析

文章目录 * 引言 * 1. Python的历史与AI开发的契合 * 1.1 Python的诞生与设计哲学 * 1.2 Python与AI发展的历史交汇 * 2. 语言特性如何支持AI开发 * 2.1 动态类型与交互式编程 * 2.2 简洁优雅的语法 * 2.3 高级数据结构的原生支持 * 2.4 函数式编程特性 * 2.5 强大的元编程能力 * 3. 丰富的AI生态系统和库支持 * 3.1 深度学习框架 * TensorFlow * PyTorch * JAX * 3.2 传统机器学习库 * Scikit-learn * XGBoost、LightGBM和CatBoost * 3.3 数据处理和可视化库 * Pandas * NumPy和SciPy * Matplotlib和Seaborn * 3.4 自然语言处理库

By Ne0inhk

C++:使用传输和交换实现聚类算法(附带源码)

一、项目背景详细介绍 在前面的聚类算法实现中,我们已经系统地介绍并实现了 K-Means 聚类算法。K-Means 以其简单高效著称,但在真实工程与统计建模中,它存在一些先天局限性: * 对异常值(Outliers)极其敏感 * 必须使用“均值”作为中心(不一定是实际样本) * 仅适用于欧氏空间 * 对非凸分布表现较差 在许多实际应用场景中,我们更希望: 聚类中心一定是“真实样本点”,并且对异常值更鲁棒。 这正是 K-Medoids 聚类算法(也称 PAM,Partitioning Around Medoids)的出发点。 1.1 什么是“传输”和“交换”思想? K-Medoids 并不是通过“求均值”来更新中心,而是通过: * 传输(Relocation): 将样本重新分配到最近的中心(medoid) * 交换(

By Ne0inhk