ClawdBot开源可部署：GitHub 2k Star MIT项目，支持商用与二次开发

92sweetie

667人浏览 · 2026-01-29 01:33:06

92sweetie · 2026-01-29 01:33:06 发布

ClawdBot开源可部署：GitHub 2k Star MIT项目，支持商用与二次开发

你可能已经用过不少AI助手，但有没有想过——它能不能真正属于你？不依赖云端API、不担心数据外泄、不被平台规则限制，完完全全装在你自己的设备里，想怎么改就怎么改，想接什么服务就接什么服务？

ClawdBot 就是这样一个答案。它不是又一个SaaS界面，而是一个可完整下载、本地运行、自由定制的个人AI助手框架。背后没有神秘黑盒，只有清晰的配置、开放的接口和MIT协议下毫无保留的代码权限。

更关键的是，它和另一个高人气项目 MoltBot 形成了极富启发性的技术对照：一个专注「通用智能体构建」，一个深耕「垂直场景极致交付」。两者都以极简部署、强隐私保护和真开源精神见长，却走出了截然不同的工程路径。本文不讲空泛概念，只带你亲手跑通 ClawdBot 的核心链路——从零启动、模型替换、界面验证，到真正理解它为什么值得你在本地服务器上留出一个常驻进程。

1. 它不是“另一个聊天框”，而是一套可生长的AI工作台

ClawdBot 的定位非常明确：为开发者和高级用户打造的本地化AI智能体运行时。它不像普通Web应用那样只提供前端交互，而是把整个AI能力栈——模型调度、工具调用、多通道接入、状态管理——全部封装成可编程、可观察、可调试的服务组件。

它的核心后端由 vLLM 驱动，这意味着你能直接享受工业级的推理吞吐与显存优化。但 ClawdBot 并不强制你用某一个模型，也不预设你必须走 OpenAI 兼容接口。相反，它用一套轻量但严谨的 JSON 配置体系，把模型来源、路由策略、上下文管理、安全策略全部暴露给你。你可以：

把 Qwen3-4B-Instruct 换成你自己微调的小模型；
把 http://localhost:8000/v1 指向任意兼容 OpenAI API 的服务（包括 Ollama、llama.cpp、甚至远程私有集群）；
给不同任务分配不同模型，比如用小模型处理日常问答，用大模型处理复杂推理；
开启“阅后即焚”模式，所有对话历史在响应完成后自动清除，不留痕迹。

这种设计哲学，让 ClawdBot 天然适合三类人：

隐私敏感者：聊天记录不出设备，语音/图片处理全程离线；
技术实践者：想真正搞懂 LLM 如何落地，而不是只调 API；
产品探索者：需要快速验证一个 AI 功能是否可行，再决定要不要投入开发。

它不承诺“一键拥有 ChatGPT”，但它保证：你每一次点击、每一行配置、每一次修改，都在加深对 AI 系统本质的理解。

2. 5分钟完成本地部署：从命令行到可视化控制台

ClawdBot 的安装体验，是它最打动人的第一印象。它没有冗长的 Python 依赖安装、没有手动编译、不强制你配 conda 环境。只要你的机器装了 Docker 和基础 CLI 工具，就能在终端里敲几行命令，把整套系统拉起来。

2.1 启动服务只需一条命令

官方未公开完整 docker-compose.yml，但实际使用中，ClawdBot 提供了高度集成的二进制 CLI 工具。你不需要写 YAML，只需要执行：

curl -fsSL https://get.clawd.bot | sh
clawdbot start

后台会自动拉取镜像、初始化配置目录（默认在 ~/.clawdbot/）、启动 vLLM 推理服务，并监听本地端口。整个过程安静、快速、无干扰。

2.2 控制台访问：三步解锁 Web 界面

但注意：ClawdBot 的 Web 控制台默认不对外网开放，这是隐私设计的一部分。首次访问时，你会遇到“页面无法加载”的提示——这不是故障，而是安全机制在起作用。

你需要按顺序完成三个操作：

第一步：查看待批准设备请求

clawdbot devices list

输出类似：

ID         Status    Created At           Last Seen
abc123     pending   2026-01-24 10:22:15  -

这表示你的浏览器已发起连接请求，但尚未被授权。

第二步：批准该设备

clawdbot devices approve abc123

执行后，终端会返回 Approved device abc123，此时刷新页面即可进入。

第三步：获取带 Token 的直连链接（备用方案）

如果仍无法访问，或你想从其他设备（比如手机、公司电脑）远程管理，运行：

clawdbot dashboard

它会生成一个含一次性 token 的 URL，例如：

Dashboard URL: http://127.0.0.1:7860/?token=23588143fd1588692851f6cbe9218ec6b874bb859e775762

复制链接，在本机浏览器打开即可。如需远程访问，按提示建立 SSH 端口转发：

ssh -N -L 7860:127.0.0.1:7860 user@your-server-ip

小贴士：这个 token 是短期有效的，且每次 clawdbot dashboard 都会生成新 token，无需担心泄露风险。它不是密码，而是临时会话凭证。

3. 模型不是“选一个就行”，而是“按需组合”的能力单元

ClawdBot 最区别于其他本地助手的地方，在于它把“模型”当作可插拔的能力模块，而非固定组件。你不需要为了换模型重装整个系统，也不用改代码——只需编辑一份 JSON 配置文件，或点几下 UI。

3.1 配置文件结构：清晰分层，各司其职

ClawdBot 的主配置文件位于 /app/clawdbot.json（容器内路径），实际映射自 ~/.clawdbot/clawdbot.json。它的结构分为两大块：

agents：定义谁来干活（比如默认助手用哪个模型、最大并发数、工作区路径）；
models：定义有哪些模型可用、从哪来、怎么调用。

下面是一段典型配置（已精简）：

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "vllm/Qwen3-4B-Instruct-2507"
      },
      "workspace": "/app/workspace",
      "maxConcurrent": 4
    }
  },
  "models": {
    "mode": "merge",
    "providers": {
      "vllm": {
        "baseUrl": "http://localhost:8000/v1",
        "apiKey": "sk-local",
        "api": "openai-responses",
        "models": [
          {
            "id": "Qwen3-4B-Instruct-2507",
            "name": "Qwen3-4B-Instruct-2507"
          }
        ]
      }
    }
  }
}

这里的关键点在于：

"primary": "vllm/Qwen3-4B-Instruct-2507" 中的 vllm/ 是前缀，代表模型来源类型；
"baseUrl": "http://localhost:8000/v1" 指向的是 vLLM 服务地址，你完全可以把它改成 http://192.168.1.100:8000/v1，让 ClawdBot 调用局域网内另一台机器上的模型；
"mode": "merge" 表示多个 provider 的模型列表会合并展示，方便统一管理。

3.2 UI 修改：所见即所得，实时生效

如果你不想碰 JSON，ClawdBot 还提供了图形化配置入口：

打开控制台 → 左侧导航栏点击 Config → Models → Providers；
在 vllm Provider 下，点击右上角 + Add Model；
填入模型 ID（如 Qwen2.5-7B-Instruct）、名称、并确认 baseUrl 正确；
保存后，回到首页刷新，新模型就会出现在下拉菜单中。

整个过程无需重启服务，配置变更通过热重载即时生效。

3.3 验证模型是否就位：一行命令，一目了然

改完配置，别急着试聊，先用 CLI 确认模型已注册成功：

clawdbot models list

正常输出应类似：

Model                                      Input      Ctx      Local Auth  Tags
vllm/Qwen3-4B-Instruct-2507                text       195k     yes   yes   default
vllm/Qwen2.5-7B-Instruct                   text       131k     yes   yes

看到 Local Auth: yes，说明模型服务可达；看到 Ctx: 131k，说明上下文长度已正确识别；如果有多个模型，它们会按优先级排序显示。

这才是真正的“掌控感”——不是等一个黑盒返回结果，而是清楚知道每个环节在哪、状态如何、能否替换。

4. 与 MoltBot 对照：两种开源智慧，同一种务实精神

看到这里，你可能会问：ClawdBot 和前面提到的 MoltBot，到底有什么关系？它们看起来都是 Telegram 机器人，都强调“零配置”“离线处理”“MIT 协议”。

答案是：它们是同一片土壤上长出的不同植物。

维度	ClawdBot	MoltBot
核心目标	构建通用 AI 智能体的运行时环境	解决 Telegram 用户最痛的翻译+信息查询需求
抽象层级	底层框架（Framework）	成品应用（Application）
扩展方式	修改配置、编写插件、替换模型	增加新翻译引擎、接入新 API、适配新平台
部署粒度	单服务 + 可选 vLLM + 可选通道模块	单容器，开箱即用
典型用户	工程师、研究员、AI 产品原型开发者	社群运营者、多语言工作者、Telegram 群主

MoltBot 的惊艳之处，在于它把一件复杂事做到了“看不见技术”：语音转文字、OCR 识别、双引擎翻译、汇率查询……全部压缩进一个 300MB 的镜像里，树莓派都能扛住 15 人并发。它追求的是功能密度与交付速度的极致平衡。

ClawdBot 则反其道而行之：它不隐藏复杂性，而是把复杂性变成可读、可调、可学的结构。它不承诺“5分钟上线一个翻译机器人”，但它保证“5分钟之后，你知道这个机器人每一步是怎么工作的”。

两者没有高下，只有分工。MoltBot 让你立刻受益；ClawdBot 让你长期成长。

5. 它为什么值得你花时间部署一次？

最后，我们回到最朴素的问题：在已有那么多在线 AI 工具的今天，为什么还要在自己机器上跑一个 ClawdBot？

答案藏在三个不可替代的价值里：

5.1 真正的隐私主权

你输入的每一句提问、上传的每一张截图、发出的每一条指令，都不会离开你的设备。ClawdBot 默认关闭日志、禁用遥测、不收集任何元数据。你可以打开 clawdbot.json，亲手把 "telemetry": true 改成 false，也可以直接删掉整个 telemetry 模块——因为源码就在 GitHub 上，MIT 协议允许你这么做。

这不是“厂商说我们很安全”，而是“你亲眼看见它有多干净”。