OpenClaw安装教程：从零开始，把AI代理请进你的设备|OpenClaw安装教程

OpenClaw安装教程：从零开始，把AI代理请进你的设备

一份覆盖macOS、Linux与Windows的详细安装指南，从环境准备到第一条消息往返，每一步都拆开揉碎讲清楚

OpenClaw安装流程概览：环境准备、脚本安装、配置、通道对接 — OpenClaw的安装路径清晰直接：一行命令启动核心，几步配置接通消息入口

安装OpenClaw这件事，说起来并不复杂。官方给出的安装命令只有一行，复制粘贴到终端里敲个回车，核心部分就能跑起来。但真正的挑战往往藏在那些“下一步”里——怎么选安装方式、怎么配置消息通道、怎么让代理真正听懂你的指令。这篇文章要做的，就是把整个安装链条从头到尾梳理一遍，让无论是刚接触命令行的新手，还是习惯自己编译源码的老手，都能找到适合自己的那条路径。

在开始之前，有两点值得先想清楚。第一，你是打算装在个人电脑上偶尔使用，还是部署到一台云服务器上让它全天候待命。前者适合尝鲜和日常辅助，后者适合作为生产力工具长期运行。第二，你准备用哪种方式安装：官方推荐的一键脚本最省事，Docker部署隔离性更好，手动从源码构建则提供了最大的定制空间。三者没有绝对的优劣，只看你的习惯和场景。

安装前的环境准备

无论选择哪种安装方式，有几样基础条件需要先备齐。首先是Node.js运行环境，OpenClaw的核心基于Node构建，推荐使用18.x或更高版本。如果你的机器上还没有Node，去官网下载安装包是最稳妥的做法，macOS用户也可以直接用Homebrew搞定：brew install node。安装完成后在终端里执行node -v确认版本号，确保环境就绪。

其次是包管理器。Node自带的npm可以用，但更推荐安装pnpm——OpenClaw的源码仓库使用pnpm管理依赖，用同一套工具能避免不少兼容性问题。装pnpm只需要一行：npm install -g pnpm。另外，如果你打算用Docker方式部署，那么Docker和Docker Compose也需要提前装好。Docker Desktop对个人使用是免费的，安装过程在各平台都很成熟，这里不再赘述。

最后是大模型的API密钥。OpenClaw本身不包含模型推理能力，它需要连接一个大模型后端来理解你的指令并做出决策。目前最常用的选择是OpenAI的API，但国内用户同样可以选用阿里云百炼、百度智能云文心等兼容接口。拿到API密钥后记下来，稍后配置环节会用到。如果你特别在意数据隐私，也可以在本地用Ollama部署一个开源模型，这部分属于进阶配置，后文会简要提及。

方式一：官方脚本安装（最推荐新手）

OpenClaw官网提供了一行安装命令，这是目前最快捷的上手方式。打开终端，输入：

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

脚本会自动检测你的操作系统和Node版本，下载依赖包，并把OpenClaw安装到全局路径。整个过程通常在两三分钟内完成。安装成功后，你可以在终端里直接执行openclaw命令来启动交互式配置向导。向导会引导你完成几项关键设置：选择模型提供商、填入API密钥、配置一个消息通道（比如Telegram或微信）。

这种方式的优点是零思考成本，脚本帮你处理了大部分环境适配问题。缺点也很明显：直接以脚本方式安装在系统环境中，卸载和清理不如容器化方案干净。如果你只是想快速体验一下OpenClaw的功能，脚本安装完全够用；如果打算长期使用并深度定制，后面两种方式可能更适合你。

方式二：Docker容器部署（推荐追求隔离性的用户）

Docker部署最大的好处是环境隔离。OpenClaw和它的所有依赖都被封装在容器里，不会对宿主机的系统环境产生任何污染，卸载时也只需删除容器和镜像即可。官方在GitHub仓库中提供了标准的Docker Compose模板，把它复制到本地稍作修改就能用。

首先在任意位置创建一个项目文件夹，比如~/openclaw-docker，在里面新建一个docker-compose.yml文件。内容可以参考以下简化版（完整模板请从官方仓库获取）：

version: '3.8'
services:
  gateway:
    image: openclaw/gateway:stable
    ports:
      - "8080:8080"
    volumes:
      - ./config:/app/config
      - ./logs:/app/logs
    environment:
      - API_KEY=你设定的安全密钥
      - MODEL_PROVIDER=openai
      - MODEL_API_KEY=你的模型API密钥
    restart: unless-stopped

  agent:
    image: openclaw/agent:stable
    depends_on:
      - gateway
    volumes:
      - ./skills:/app/skills
      - ./memory:/app/memory
    environment:
      - GATEWAY_URL=http://gateway:8080
    restart: unless-stopped

保存文件后在当前目录执行docker compose up -d，Docker会自动拉取镜像并启动两个容器。看到状态显示为Up，核心服务就运行起来了。如果你想部署到云服务器上，这个模板同样适用，只需把文件夹上传到服务器然后执行同样的命令即可。腾讯云、阿里云、华为云等平台都提供了预装Docker的轻量应用服务器，购买后直接上传compose文件就能启动，省去了手动安装Docker的步骤。

方式三：从源码构建（适合喜欢完全掌控的开发者）

如果你有定制化需求，或者单纯想看看OpenClaw的内部实现，从源码构建是最彻底的方式。首先克隆GitHub仓库：

git clone https://github.com/openclaw/openclaw.git
cd openclaw
pnpm install
pnpm build

构建完成后，核心可执行文件会出现在packages/cli目录下。你可以直接运行node packages/cli/dist/index.js来启动，也可以用pnpm link把它注册为全局命令。从源码构建的优势是你可以修改任何一行代码，添加自定义功能或调整默认行为。但需要注意的是，每次官方发布新版本时，你需要手动拉取更新并重新构建，维护成本比前两种方式略高。

一个小提醒：无论选择哪种安装方式，首次启动后建议先不要急着装一堆技能。让OpenClaw在基础状态下运行一两天，观察日志是否正常，通道是否稳定，确认一切无误后再逐步扩展功能。这样可以更准确地定位问题来源。

配置消息通道：让它能听能说

安装完成后的OpenClaw本身是一个没有对外接口的后台服务，你需要为它配置至少一条消息通道，才能通过聊天应用与它交互。官方支持Telegram、Discord、WhatsApp、Slack、微信公众平台等多种渠道。对于国内用户来说，微信无疑是最自然的选择。

配置微信通道需要先在微信公众平台注册一个服务号或订阅号，获取AppID和AppSecret。然后在OpenClaw的配置文件中启用微信通道并填入这些信息。配置文件通常位于安装目录下的config文件夹中，结构清晰，参照官方文档填入对应的值即可。需要注意的是，微信公众平台的服务器配置需要填写一个公网可访问的回调地址。如果你是在本地机器上安装，需要使用内网穿透工具（比如ngrok）来暴露一个公网URL；如果是在云服务器上部署，直接用服务器的公网IP或域名就行。

Telegram通道的配置更为简单，找BotFather创建一个机器人拿到Token，填入配置文件后重启网关容器即可。很多用户在初次安装时会先配置Telegram通道来验证功能是否正常，等一切跑顺之后再接入微信。

连接模型后端：给代理装上大脑

OpenClaw支持多种模型后端，配置文件中的MODEL_PROVIDER字段决定了使用哪一种。设为openai则连接OpenAI官方API，设为openai_compatible则可以连接任何兼容OpenAI格式的第三方服务，包括阿里云百炼、百度智能云文心等。设为ollama则使用本地部署的Ollama模型，实现完全离线的推理。

对于初次安装的用户，建议先用云端API跑通整个流程，模型响应快、配置简单，不容易踩坑。等整体使用熟练后，再考虑在本地用Ollama部署一个7B或13B的开源模型。需要提醒的是，本地模型对硬件有一定要求，建议至少8GB内存，推理速度也比云端API慢一些，但在数据隐私和长期成本方面有明显优势。

安装第一个技能：从“会聊天”到“能干活”

通道打通、模型就绪之后，OpenClaw已经可以和你正常对话了。但如果只停留在聊天层面，它就还没有发挥出作为AI代理的真正价值。让它能够操作文件、抓取数据、发送邮件，需要安装技能。技能安装的途径有两条：通过对话指令直接安装，或者手动把技能文件放入skills目录。

对话安装最简单，只需向OpenClaw发送/install 技能名称或GitHub地址，系统会自动下载并挂载。社区技能仓库里已经有文件整理、天气查询、RSS监控、股票数据抓取等上百种选择。手动安装则适合你自己编写的定制技能，把脚本文件放到skills目录下，代理会在下一次任务规划时自动发现并加载，无需重启服务。

建议先装一个“文件整理”类技能来测试执行能力。比如发送“帮我把下载文件夹里的图片和文档分类放到不同子目录”，观察代理是否能理解指令、调用技能、完成操作并返回结果。这个过程走通之后，你就可以根据自己的需求逐步扩展技能库了。