OpenClaw 2026部署实战：从阿里云ECS到Windows本地，手把手教你搭建AI Agent

如果你在 2026 年还想自己折腾 AI AgentOpenClaw原 Clawdbot绝对是个绕不开的名字。简单说它是一个开源的自托管个人 AI 助理框架不绑定某一家大模型Claude、GPT、通义千问、DeepSeek 都能接核心玩法是 Skills——给 AI 预装各种“干活技能”让它不只会聊天还能读文档、写脚本、操作文件、调 API。这篇文章不聊虚的直接把我最近在阿里云 ECS 和 Windows 本地两套环境里部署 OpenClaw 的完整过程、脚本、踩坑记录全部摊开适合两类人一是想在云服务器上跑一个 7x24 小时在线的个人助理二是想在 Windows 电脑上先免费练手、之后再迁移上云的玩家。看完你至少能少走三天弯路。1. 先搞清楚 OpenClaw 和 Skills 到底解决什么问题1.1 OpenClaw 是什么为什么值得在 2026 年重新认识它OpenClaw 的前身是 Clawdbot项目早期就是一个把大模型 API 封装成命令行对话工具的小项目后来逐步长成了带 Channel、Skills、会话管理、插件机制的完整 Agent 框架。2026 年再看它最重要的一点是它把“模型能力”和“工具能力”彻底解耦了。模型可以随时换今天用千问、明天换 Claude你的 Skills、会话记录、自动化流程都不受影响Skills 也可以单独装单独卸不需要动核心代码。和同类工具对比比如 WorkBuddyOpenClaw 的优势在于生态和开放性。WorkBuddy 更像一个给普通用户用的图形化助理配置简单但对开发者不友好而 OpenClaw 是典型的技术向方案配置文件、命令行操作、脚本化部署适合本身就有一定服务器使用经验的人。我的判断是如果你想要的是一个能被你完全掌控、能塞进自己工作流里的 AI 助理OpenClaw 是当前性价比最高的选择。它实际解决的核心问题有三个第一数据自主所有会话记录、Skills、配置都在你自己的服务器或电脑上第二成本可控模型 API 自己买按量付费不会因为平台订阅涨价被动买单第三可扩展性极强官方 Skills 不够用就自己写半小时能出一个新技能。1.2 Skills让 AI 从“会聊天”到“会干活”很多人把 Skills 理解成“AI 的插件”这个类比不算错但不够准确。更准确的说法是Skills 是一套“提示词 工具调用约定 执行逻辑”的组合包。一个 Skill 通常包含一段精心设计的指令文本、必要的脚本或配置文件以及定义好的输入输出格式。当你在对话里触发某个 Skill 时OpenClaw 会加载对应指令让模型按照预设流程去调用工具完成任务。举个例子安装一个“前端开发 Skills”后你对 AI 说“帮我重构这个组件的样式”它不会只给一段建议而是会先读取项目文件、分析现有代码、生成修改方案然后直接改文件、跑测试、给你看 diff。安装“图片生成 Skills”后AI 就能在对话中调用绘图 API把描述文字变成图片并保存到指定目录。2026 年 Skills 生态已经非常丰富了社区里能直接下的有几百个比较热门的是 superpower skills 系列它把一些通用的高阶能力深度思考、任务拆解、自我反思做成了标准技能包。另外兼容 Claude Code 和 Codex 的 skills 格式这意味着你在那些工具里积累的技能文件很多可以直接搬到 OpenClaw 用迁移成本很低。1.3 部署目标怎么选阿里云 ECS 还是 Windows 本地这是最常被问的问题我的答案是看你要把 AI 助理当成“服务器服务”还是“个人工具”。如果想通过 Telegram、飞书机器人或者 Web 页面随时访问那就必须放云服务器上如果只是自己在电脑前用命令行和它交互Windows 本地完全够用还省钱。我用一张表把这俩路线的差异列清楚对比维度阿里云 ECS 路线Windows 本地路线在线状态7x24 小时在线关机即停公网访问天然支持可绑域名需要内网穿透或端口映射前期成本按年购买服务器几百到上千零新增成本硬件要求2C2G 起4G 内存更稳普通 PC 即可适用场景机器人助理、自动任务、多人共享本地开发调试、个人实验上手难度需要懂 Linux 基础需要搞定 WSL2我的建议是先用 Windows 本地跑起来把 OpenClaw、Skills、模型 API 全部调通再花半小时把数据目录打包迁移到阿里云上。因为两边的核心配置几乎一样迁移其实就是复制配置和 Skills 目录的过程。接下来我会按这个思路先讲通用准备再分别给出两套环境的完整实操。2. 部署前的准备工作与整体方案设计2.1 两套环境的需求盘点不管是云服务器还是 Windows 本地OpenClaw 的运行依赖其实很集中。我给一个最小化清单操作系统阿里云推荐 Ubuntu 22.04 或 24.04Windows 推荐 Win10/11 开启 WSL2 Ubuntu 发行版。Git用于拉取 OpenClaw 源码和 Skills 仓库。Node.js建议 20 LTS 以上OpenClaw 的核心运行时基于它。Python 3.10部分 Skills 会调用 Python 脚本尤其是数据分析和自动化类的。Docker可选如果你打算装浏览器自动化、数据库类的 SkillDocker 是省事方式。在阿里云上我建议直接选择轻量应用服务器或者 ECS 的 2C4G 配置。内存 2G 确实能跑但一旦装了多个 Skills、长时间跑会话Node.js 进程占内存很容易到 1.5G 以上加上系统本身4G 才是舒服线。硬盘 40G 起步主要是日志和 Skills 依赖会占空间。Windows 这边你自己电脑的性能够不够主要看模型推理是否在本地。OpenClaw 本身只做调度和工具调用大模型走云端 API所以哪怕是一台 8G 内存的老笔记本也跑得动。真正吃资源的是浏览器自动化这类 Skill那个后面单独说。2.2 一键部署脚本的设计逻辑“一键部署”听起来高大上说到底就是把人工操作步骤写成一个可重复执行的脚本。我在设计部署脚本时遵循了四个原则幂等、可观测、可回滚、最小依赖。幂等意思是脚本跑两遍、三遍都不会出问题第二次执行最多报“已安装跳过”。可观测是指每一步都打印清晰的进度日志出错时能立刻定位到哪个环节。可回滚是指脚本在修改系统配置前备份原文件。最小依赖是指尽量不安装额外组件能用系统自带工具就不用 Docker。我用的部署脚本大体流程是检测系统类型和架构 → 检测 Git/Node/Python 版本 → 拉取或更新 OpenClaw 仓库 → 安装 npm 依赖 → 生成默认配置文件 → 写入 systemd 服务Linux或启动脚本Windows→ 启动服务 → 运行自检命令验证 API 是否可用。下面是一个精简版的脚本骨架#!/usr/bin/env bash set -euo pipefail OPENCLAW_DIR${HOME}/openclaw LOG_FILE${HOME}/openclaw-install.log log() { echo [$(date %F %T)] $* | tee -a $LOG_FILE } check_command() { command -v $1 /dev/null 21 || { log 缺少依赖: $1 exit 1 } } log 开始安装 OpenClaw check_command git check_command node check_command npm if [ ! -d $OPENCLAW_DIR/.git ]; then git clone https://github.com/openclaw/openclaw.git $OPENCLAW_DIR else cd $OPENCLAW_DIR git pull --rebase fi cd $OPENCLAW_DIR npm ci --omitdev npm run build if [ ! -f ${HOME}/.openclaw/config.yaml ]; then cp config.example.yaml ${HOME}/.openclaw/config.yaml log 已生成默认配置 fi log 安装完成请编辑 ${HOME}/.openclaw/config.yaml 填入模型 API Key你可能会问为什么不直接用现成的 Docker 镜像Docker 确实更省事但在国内的下载速度、镜像源切换、以及后续给 Skills 挂载本机文件时反而多了一层心智负担。脚本方式至少你每一步都知道发生了什么出问题也好排查。这也是我在两套环境里都坚持脚本部署的原因。2.3 模型接入与 Channel 选择OpenClaw 本身不带模型它通过各家模型的 API 完成推理。配置模型是部署后第一件要做的事。在 2026 年的网络环境里如果你在国内的阿里云服务器上部署我首推通义千问DashScope API理由很实际国内访问无延迟、实名认证后每月有免费额度、控制台可以直接创建 Key而且它是阿里云生态的东西与服务器同账号体系结算方便。配置方式分两种环境变量和配置文件。环境变量适合临时测试导出后重启进程生效配置文件适合长期使用。我建议用配置文件把 API Key、模型名、Base URL 都集中放在~/.openclaw/config.yaml里方便备份和迁移。千问的接入配置大概长这样model: provider: qwen api_key_env: DASHSCOPE_API_KEY model_name: qwen-max base_url: https://dashscope.aliyuncs.com/compatible-mode/v1再说 Channel。Channel 是 OpenClaw 里“对话入口”的概念默认有一个命令行 CLI但真正的价值在于接入外部渠道Telegram Bot、飞书机器人、Web 管理界面等都是不同 Channel。部署时要先想清楚你主要从哪里跟 AI 对话。我的建议是第一次部署只开 CLI 和 WebUI 两个 ChannelCLI 用来调试和测试 SkillWebUI 用来移动端访问。等跑稳定了再考虑接机器人渠道。因为每多开一个 Channel就多一个暴露面安全配置也要跟上一口吃不成胖子。3. 阿里云上一键部署完整实操3.1 服务器购买、安全组与系统初始化阿里云上我推荐买轻量应用服务器2C4G 的配置基本够用地域选离你近的。操作系统选 Ubuntu 24.04这个版本对 Node.js 20 的原生支持更友好而且 2026 年它已经是妥妥的稳定版本各种坑都被填得差不多了。买完之后第一步不是 SSH 上去装东西而是配置安全组放行端口。OpenClaw 的 WebUI 默认监听 3000 端口SSH 是 22所以安全组至少放行这三个入方向规则。这一步很多新手会踩坑装完了才发现网页访问不通其实不是程序没启动是防火墙压根没开门。SSH 登录后先把系统包和时区处理好sudo apt update sudo apt upgrade -y sudo timedatectl set-timezone Asia/Shanghai sudo apt install -y git curl build-essentialNode.js 我推荐用 nvm 装而不是直接 apt 装因为 apt 源里的版本通常偏老。nvm 装 20 LTS 的完整命令就是官方那套装完记得source ~/.bashrc让 node 命令生效。Python 3 一般在 Ubuntu 24.04 里自带确认一下版本别太低就行。到这里服务器初始化就算完成了。整个过程大约十分钟剩下的都是脚本自动做的事。3.2 执行一键部署脚本并配置开机自启把上一节的部署脚本上传到服务器或者直接在 SSH 里用 heredoc 方式把内容写进install_openclaw.sh然后执行chmod x install_openclaw.sh ./install_openclaw.sh脚本跑完后OpenClaw 的核心代码已经就位默认配置也生成了。接下来要做的是把 OpenClaw 注册成 systemd 服务这样服务器重启后它能自动拉起不需要手动登录。系统服务文件的写法很简单[Unit] DescriptionOpenClaw Agent Afternetwork.target [Service] Userubuntu WorkingDirectory/home/ubuntu/openclaw ExecStart/home/ubuntu/.nvm/versions/node/v20.18.0/bin/node /home/ubuntu/openclaw/dist/index.js Restartalways RestartSec5 EnvironmentFile/home/ubuntu/.openclaw.env [Install] WantedBymulti-user.target注意EnvironmentFile这个字段。我把 API Key 等敏感信息放在独立文件里权限设置 600避免直接在配置里写死。写好后执行sudo systemctl daemon-reload sudo systemctl enable openclaw sudo systemctl start openclaw sudo systemctl status openclaw看到active (running)就说明基本成了。验证方式很简单先看本地 3000 端口有没有监听再在浏览器里输入http://服务器公网IP:3000打开 WebUI能出登录页面就是成功。3.3 接入通义千问与安装第一个 Skills服务起来之后先别急着玩把模型通了再说。到阿里云控制台搜索“模型服务灵积”或 DashScope开通后创建一个 API Key然后把 Key 填到/home/ubuntu/.openclaw.env里面的DASHSCOPE_API_KEY再在 config.yaml 里确认 provider 是 qwen。改完配置需要重启服务sudo systemctl restart openclaw然后在 CLI 里运行一个最简单的问题测试openclaw chat 请用一句话介绍你自己如果模型配置正确你会收到一段自然语言回复。如果报错九成是 Key 没填对或者base_url配错了回头检查环境变量和配置文件的缩进。模型通了接着装第一个 Skills。我用的是 superpower skills 的标准安装方式直接拉取社区仓库cd ~/.openclaw/skills git clone https://github.com/superpowers/skills.git superpowers然后在配置里声明启用skills: include: - superpowers再重启一次 OpenClaw就可以在对话里体验了。比如你问“帮我规划一个学习 Rust 的 30 天计划”它会调用 superpowers 里的深度规划类技能把目标拆成阶段任务表。从这刻起你的 AI 助理算是真正“上岗”了。4. Windows 本地部署完整实操4.1 为什么推荐 WSL2 路线Windows 上跑 OpenClaw 有三条路原生 PowerShell 直接跑、Docker Desktop、WSL2 Ubuntu。我的建议是无脑选 WSL2原因有两个。第一是行为一致性。OpenClaw 官方脚本、社区 Skills、依赖安装全都是按 Linux 编写的在 WSL2 里跑几乎跟阿里云服务器一模一样的路径、权限、环境变量你在本地调试成功后迁到云端直接复制目录就行基本不用改。第二是坑更少。原生 Windows 需要处理 PATH 分隔符、npm 原生模块编译、文件锁等问题我实测过光一个node-gyp编译就能劝退一半人。WSL2 也不是完全没有代价Windows 和 Linux 的文件系统互访有性能损耗所以代码和配置我建议放在 WSL2 的home目录底下不要放在/mnt/c/这种挂载路径里能明显提升 npm 安装速度和 AI 读写文件的效率。4.2 从零开始安装 WSL2 与 OpenClaw第一步以管理员身份打开 PowerShell执行wsl --install这个命令在 2026 年的 Windows 11 上已经相当智能会自动启用虚拟化组件、安装 WSL2 内核并拉取 Ubuntu 发行版。装完按提示重启电脑。重启后第一次启动 Ubuntu会让你设置 Linux 用户名和密码记住这不影响你的 Windows 账户。进到 Ubuntu 终端后先把系统依赖补齐sudo apt update sudo apt upgrade -y然后装 nvm 和 Node.js 20。这里有个细节nvm 的安装脚本会写入~/.bashrc如果你用的是 zsh 而不是 bash记得把source那行加到~/.zshrc不然每次开终端都找不到 node 命令。OpenClaw 的安装过程和上个章节几乎一致你可以直接把前面那个install_openclaw.sh拿过来用。只改一点不需要配置 systemd直接用进程方式启动或者写一个简单的启动脚本#!/usr/bin/env bash cd ~/openclaw node dist/index.js --port 3000保存为start.sh以后启动终端就跑一下这个脚本方便。4.3 原生 Windows 路线的替代方案如果你实在不想碰 WSL2原生 Windows 也不是完全不能跑只是我对它的评价是“能跑但别认真用”。你需要安装 Git for Windows它自带 Git Bash能模拟一个 Unix 风格的环境Node.js 直接下载 Windows 安装包装完命令行里就能用 npm。主要问题发生在有原生依赖的 npm 包上比如某些需要编译的库一旦报错就得去装 Visual Studio Build Tools那是纯折磨。另外 Skills 里的 Shell 脚本在原生 Windows 下经常因为#!/bin/bash解释器问题直接报错处理起来非常琐碎。我的态度是原生 Windows 只适合你临时验证一下 OpenClaw 能不能在这个机器上启动长期用一定要切 WSL2。5. Windows 上最常踩的三个坑与排查实录5.1 WSL2 环境校验失败很多人在安装或启动 OpenClaw 时会遇到一个报错could not safely verify the wsl2 environment。这个错误我也碰到过第一次看到的时候挺慌以为是 OpenClaw 不兼容后来排查下来发现是 WSL 内核版本太旧。原因是 OpenClaw 安装脚本会检查 WSL2 是否处于可用状态而老内核缺少某些系统调用支持导致检查无法通过。解决办法很简单在管理员 PowerShell 里执行wsl --update wsl --shutdown第一个命令升级到最新内核第二个命令完全停止 WSL让它重启时加载新内核。做完之后再重新打开 Ubuntu 终端问题基本就消失了。如果还不放心可以用wsl -l -v确认你的发行版运行在版本 2 上如果显示 VERSION 是 1就手动转换一下wsl --set-version Ubuntu-24.04 25.2 Session 文件锁导致的启动失败第二个高频报错是agent failed before reply: session file locked (timeout 60000ms)。这个错误的本质是某个会话进程没有正常退出对应的 session 文件还被锁着新请求等锁等了一分钟直接超时。最常见的触发场景是你之前开着的 OpenClaw 进程没关干净窗口一关以为结束了其实后台还有残留进程。解决思路就是三步杀掉旧进程、删锁文件、重新启动。pkill -f openclaw rm -f ~/.openclaw/sessions/*.lock如果在 Windows 本地的 WSL2 里也可以先从 PowerShell 里优雅关闭整个发行版wsl --shutdown然后重新启动 Ubuntu再跑 OpenClaw锁文件基本都会被清理干净。5.3 端口占用与 API 超时第三个常见问题是端口占用。默认的 3000 端口经常被别的东西抢走打开 WebUI 时白屏或者提示连接拒绝。在 Windows 上排查端口最直接的方法是netstat -ano | findstr :3000看到输出里有 LISTENING 状态记下最后一列的 PID然后taskkill /PID PID /F把占用端口的老进程干掉再启动 OpenClaw 就正常了。如果你不想每次跟别人抢 3000 端口直接在 config.yaml 里把端口改成 3210 或别的冷门值一劳永逸。API 超时是另一类问题在本地跑时如果网络状况不佳请求通义千问或海外模型经常出现timeout或429。我的做法是把所有模型请求都走一个稳定的国内服务商千问 API 在本地网络下响应速度是能接受的如果确实要接海外模型那就得接受超时概率并在 OpenClaw 的配置里把超时时间从默认 60 秒调大一点给慢网络留出缓冲。错误现象可能原因解决动作could not safely verify the wsl2 environmentWSL 内核过旧或未运行在 v2wsl --update后wsl --shutdownsession file locked (timeout 60000ms)残留进程未退出导致会话锁pkill -f openclaw删.lock文件3000 端口无法访问端口被其他程序占用netstat -ano定位 PID 后强制结束模型请求超时/429网络不稳定或 API 配额不足换稳定的模型供应商、调大超时时间6. Skills 进阶安装、开发与调优6.1 安装社区 Skills 的推荐清单Skills 是 OpenClaw 的灵魂光装好不用 Skills 等于买了个跑车只用来买菜。我这里说几个我实际用下来觉得“真能提效”的方向你可以按需去社区仓库里找对应的 skills 包。第一个是前端开发 Skills它能让 AI 直接读取你的 React/Vue 项目目录理解组件树和状态管理逻辑然后在你描述需求后直接产出可运行代码并落盘。第二个是图片生成 Skills适合做自媒体配图、设计初稿底层一般调用各家绘图 API配置一个 Key 就能用。第三个是浏览器自动化 Skills它通过 Playwright 驱动真实浏览器能帮你自动填表、抓取页面数据、跑端到端测试不过这个技能对内存要求高建议只在云服务器或者性能好的 Windows 主机上开。社区包的安装方式基本都是git clone到~/.openclaw/skills目录然后在配置文件里写上 include 路径。注意一次别装太多每装一个都要花时间学习它的触发方式和输出格式装十个不如精用三个。6.2 手写一个最简单的 Skills自己写 Skills 其实没有想象中的门槛一个最小的 Skill 甚至只需要一个 markdown 文件和一段可执行脚本。核心是让 OpenClaw 知道你定义了“什么触发条件”和“怎么执行”。我拿一个“整理下载目录”的 Skill 举例。它的诉求是当我对 AI 说“清理下载文件夹”时它自动把下载目录里的文件按扩展名分类到不同子文件夹。Skill 目录结构如下~/.openclaw/skills/file-organizer/ ├── SKILL.md └── organize.shSKILL.md里写清楚技能描述、触发关键词和脚本调用方式--- name: file-organizer description: 将指定目录中的文件按扩展名分类到子文件夹用于整理下载目录。 triggers: - 整理下载 - 清理文件 - organize --- 用户触发该技能时执行 bash organize.sh传入需要整理的目录路径。 脚本会将文件移动到 Images、Documents、Archives、Others 等分类文件夹。organize.sh里就是纯 Shell 逻辑按扩展名case分发到对应目录再把未知类型放到 Others。写完这个 Skill重启 OpenClaw 就能直接在对话里触发。整个过程从零到一也就半小时但你会发现通过这种方式AI 能帮你干的活一下子具体了很多。6.3 让 Skills 更好用的调优经验Skills 装完之后真正决定好不好用的是“触发精度”和“权限边界”。我踩过不少坑总结三条心得分享给你。第一触发词要写得窄。很多技能表现不稳定是因为 SKILL.md 里的触发词写得太大正常对话也会误触发。写技能时宁可多列几个明确的近义词也不要写一个“都能触发”的大词。第二给模型足够的上下文提示。Skill 脚本里的每一步最好都有注释和示例输入输出模型在调用时才能动态生成正确参数否则它只知道“要执行”不知道“传什么值”。第三权限控制要在配置层做死。OpenClaw 允许 Skill 执行任意 Shell 命令这很强大也很危险。建议在 config.yaml 里配置允许访问的目录白名单禁止 Skill 请求公网不相关的资源尤其是你安装了社区技能但看不懂它代码的情况下一定要先读一遍再启用。AI 助理好用是好用但安全意识要时刻在线这是长期运维的底线。最后再说个小技巧迁移到云服务器时直接打包~/.openclaw目录到你本地机器对应的路径你的 Skills、配置、会话历史就全过去了几乎无损。我个人在实际操作中的体会是OpenClaw 这个项目的上手曲线其实已经被官方控制得很低最难的部分反而在“想清楚你要让 AI 替你干什么”。先用本地环境练手再把成熟的技能部署上云这条路线对大多数人来说是最稳的。希望这份部署指南能帮你少走弯路早点把你的 AI 助理真正用起来。