一文告诉你 Windows 彻底卸载 OpenClaw+ClawHub+飞书机器人 完整版指南 : 删干净、不留痕迹、无后门 让疯狂燃烧的 token停下来

一文告诉你 Windows 彻底卸载 OpenClaw+ClawHub+飞书机器人 完整版指南 : 删干净、不留痕迹、无后门 让疯狂燃烧的 token停下来
🚀 个人主页 极客小俊
✍🏻 作者简介:程序猿、设计师、技术分享
🐋 希望大家多多支持, 我们一起学习和进步!
🏅 欢迎评论 ❤️点赞💬评论 📂收藏 📂加关注

最近全网都在卸载OpenClaw,那我们也跟着卸就完了,不多废话。

Windows 用户别纠结,别问原因,别留后患,直接卸载清干净。

Windows卸载龙虾完整步骤

OpenClaw 是通过 npm 全局安装的CLI工具,卸载需清理npm包、残留配置及进程,确保彻底无残留!

之前我们是用Windows安装的,所以今天在这里我们也以Windows系统为例~

停止运行中的网关服务

首先停止运行中的网关服务,也就是先终止OpenClaw后台进程,避免卸载时文件被占用!

从管理员方式打开Windows中的PowerShell, 如下以下命令

openclaw gateway stop 

如图

如果网关无响应,强制结束 Node.js 进程,

taskkill /f /im node.exe 

没有则忽略~

卸载 OpenClaw 本体

直接继续运行以下命令

npm uninstall -g openclaw 

如图

这里就提示OpenClaw 也成功卸载了, 662个包已移除,现在只需要删除残留配置就彻底干净了!

清理残留配置与缓存

最后我们再清理一下npm 缓存

npm cache clean --force 

如图

同时删除用户目录下的OpenClaw配置文件夹

执行以下命令

Remove-Item-Recurse-Force $env:USERPROFILE\.openclaw 

或者

rmdir /s /q %USERPROFILE%\.openclaw rmdir /s /q %USERPROFILE%\.clawdbot rmdir /s /q %USERPROFILE%\.moltbot rmdir /s /q %APPDATA%\OpenClaw
卸载 ClawHub(技能商店)

继续执行以下命令

npm uninstall -g clawhub 

如图

验证卸载

现在我们电脑中的OpenClaw ClawHub 都完全卸载干净了

我们可以以下命令进行验证

openclaw --version; clawhub --version 

如果两条都提示 无法将…… 识别为 cmdlet、函数、脚本文件或可运行程序的名称

就说明OpenClawClawHub已经彻底卸载干净,没有任何残留~

如图

删除飞书机器人彻底清理

因为我们之前对接了飞书机器人,为了安全起见,我们也要把飞书上面的配置都删除掉~

进入飞书开放平台 https://open.feishu.cn

直接删整个应用, 这样就会让机器人、权限、凭证、配置 全部卸载

进入凭证与基础信息 右侧往下拉,点击删除应用就可以了!

如图

最后

整个流程覆盖了进程停止 → 包卸载 → 配置删除 → 缓存清理 → 结果验证 → 删除飞书机器人,确保系统中无任何 OpenClaw/ClawHub 残留,到此我们就完成全部OpenClaw本地的卸载~

题外话

当然如果你觉得还没有卸载干净 我给你一个终极杀招!

格式化重装系统 = 地球上最干净的卸载,

啥子OpenClaw、ClawHub、全部灰飞烟灭,彻底大彻大悟!😂😂😂

"👍点赞""✍️评论""收藏❤️"
大家的支持就是我坚持下去的动力!


如果以上内容有任何错误或者不准确的地方,🤗🤗🤗欢迎在下面 👇👇👇 留个言指出、或者你有更好的想法,
欢迎一起交流学习❤️❤️💛💛💚💚

更多好玩 好用 好看的干货教程可以点击下方关注❤️微信公众号❤️
说不定有意料之外的收获哦..🤗嘿嘿嘿、嘻嘻嘻🤗!
🌽🍓🍎🍍🍉🍇

Read more

OpenDroneMap (ODM) 无人机影像三维模型重建安装及使用快速上手

OpenDroneMap (ODM) 无人机影像三维模型重建安装及使用快速上手

1 文档概述 本文档是指导用户从零开始,使用 OpenDroneMap 对无人机采集的影像数据进行处理,生成三维点云、数字表面模型(DSM)、正射影像图(Orthomosaic)等成果。 本文档的预期读者为拥有无人机航拍影像(JPG/PNG格式)并希望进行三维建模的用户。 2.1 系统运行环境要求 - 操作系统:Windows 10/11, macOS, 或 Linux (推荐 Ubuntu)。 - CPU:多核心处理器(4核以上推荐,8核或更多更佳)(处理200张以上影像建议16GB+)。 - 内存 (RAM):至少 16GB,处理大面积区域建议 32GB 或以上。 - 硬盘空间:预留充足的存储空间。原始影像、中间文件和最终成果会占用大量空间。建议准备 影像大小的10-20倍

2026 AI元年:AI原生重构低代码,开发行业迎来范式革命

2026 AI元年:AI原生重构低代码,开发行业迎来范式革命

前言         2026 年,被全球科技产业正式定义为AI 规模化落地元年。 从实验室走向生产线、从对话交互走向系统内核、从锦上添花的功能插件走向底层驱动引擎,AI 不再是概念炒作,而是重构软件研发、企业服务、数字化转型的核心生产力。低代码开发平台,作为过去十年企业数字化落地最轻量化、最普及的工具,在 2026 年迎来最彻底的一次变革:AI 全面注入低代码,从 “可视化拖拽” 迈向 “意图驱动生成”。         长期以来,低代码行业始终面临两大争议:一是被技术开发者嘲讽 “只能做玩具系统,无法支撑企业级复杂场景”;二是被业务人员抱怨 “依旧需要懂技术、配规则、调逻辑,门槛依然很高”。而随着大模型技术成熟、国产模型规模化商用、AI 工程化能力落地,这一切正在被改写。         JNPF 作为企业级低代码平台的代表,在 2026 年全面完成 AI 原生架构升级,深度对接 Deepseek、通义千问、

PyTorch实战——基于文本引导的图像生成技术与Stable Diffusion实践

PyTorch实战——基于文本引导的图像生成技术与Stable Diffusion实践

PyTorch实战——基于文本引导的图像生成技术与Stable Diffusion实践 * 0. 前言 * 1. 基于扩散模型的文本生成图像 * 2. 将文本输入编码为嵌入向量 * 3. 条件 UNet 模型中的文本数据融合机制 * 4. 使用 Stable Diffusion 模型生成图像 * 相关链接 0. 前言 在本节中,我们将为扩散模型添加文本控制能力。学习如何通过文字描述来引导图像生成过程,实现从"纯噪声+文本"生成图像,而不仅是从纯噪声生成。 1. 基于扩散模型的文本生成图像 在扩散模型的 UNet 模型训练流程中,我们仅训练模型从含噪图像中预测噪声。为实现文生图功能,需使用以下架构,将文本作为额外输入注入 UNet 模型: 这样的 UNet 模型称为条件 UNet 模型 ,或者更精确地说,是文本条件 UNet

AI工具前端提示词实战:从设计原则到工程化落地

快速体验 在开始今天关于 AI工具前端提示词实战:从设计原则到工程化落地 的探讨之前,我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来,但作为开发者,如何将大模型(LLM)真正落地为一个低延迟、可交互的实时系统,而不仅仅是调个 API? 这里有一个非常硬核的动手实验:基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。 从0到1构建生产级别应用,脱离Demo,点击打开 从0打造个人豆包实时通话AI动手实验 AI工具前端提示词实战:从设计原则到工程化落地 在开发AI工具前端时,提示词系统往往是决定用户体验的关键因素。经过多个项目的实战积累,我总结了开发者最常遇到的三大痛点: 1. 语义歧义:自然语言提示词在不同场景下可能产生多种解析结果,导致AI返回不可预期的内容 2. 上下文丢失: