OpenClaw对接ollama-QwQ-32B实战：本地部署与模型调用全流程

1. 为什么选择OpenClaw+ollama-QwQ-32B组合？

去年我在尝试构建个人AI助手时，发现现成的SaaS工具要么功能受限，要么隐私性存疑。直到遇到OpenClaw这个开源框架，配合ollama-QwQ-32B本地模型，终于实现了完全自主可控的自动化助手。这套组合最吸引我的三个特点：

数据不出本地：所有操作和推理都在本机完成，处理敏感文档时特别安心。记得有次需要整理财务报告，用云端工具总担心数据泄露，现在完全没这个顾虑。

24小时待命：我的OpenClaw实例已经连续运行47天，期间自动完成了数百次文件整理、信息检索和日报生成。有次凌晨三点突然想到个点子，直接发消息让它记录并扩展成完整方案。

成本可控：相比按次收费的API服务，本地部署后只需承担电费成本。虽然初期配置麻烦些，但长期来看性价比极高。

2. 双平台安装指南

2.1 macOS安装（推荐方式）

我的2019款MacBook Pro（Intel芯片）实测安装过程：

# 先确保有Homebrew
brew update
brew install node@20

# 官方推荐安装方式（国内用户可替换npm源）
npm config set registry https://registry.npmmirror.com
sudo npm install -g openclaw@latest

# 验证安装
openclaw --version

安装时遇到node-gyp编译错误？这是常见坑点。我的解决方法是：

xcode-select --install
sudo npm install -g node-gyp

2.2 Windows安装要点

在Surface Pro 8（Win11）上的注意事项：

1. 务必以管理员身份运行PowerShell
2. 提前安装Python 3.10+并添加到PATH
3. 执行以下命令：

npm install -g --production windows-build-tools
npm install -g openclaw

如果遇到权限问题，可以尝试：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

3. ollama-QwQ-32B模型准备

3.1 模型部署

我使用Docker方式部署ollama服务：

docker run -d --name ollama-qwq -p 11434:11434 ollama/ollama
docker exec ollama-qwq ollama pull qwq:32b

关键参数说明：

• 11434是ollama默认API端口
• 模型加载需要约30GB空闲内存
• 首次运行会自动下载约60GB模型文件

3.2 服务验证

用curl测试模型是否正常工作：

curl http://localhost:11434/api/generate -d '{
  "model": "qwq:32b",
  "prompt": "你好",
  "stream": false
}'

正常应返回JSON格式的生成结果。如果遇到超时，可能是显存不足导致，可以尝试在docker run时添加--gpus all参数。

4. OpenClaw配置关键步骤

4.1 初始化向导

执行openclaw onboard时，我的推荐配置：

• Mode选择Advanced（才能自定义模型）
• Provider选择Skip for now（后面手动配置）
• Channels建议先跳过（完成基础测试再加飞书等）
• Skills选择No（保持最小化配置）

4.2 模型配置核心

修改~/.openclaw/openclaw.json（Windows在%USERPROFILE%\.openclaw）：

{
  "models": {
    "providers": {
      "ollama-qwq": {
        "baseUrl": "http://localhost:11434",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwq:32b",
            "name": "QwQ-32B-Local",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

避坑指南：

1. baseUrl末尾不能有斜杠
2. ollama的API路径不需要/v1后缀
3. 修改配置后必须重启网关：openclaw gateway restart

5. Token消耗优化实践

OpenClaw的每个操作都会消耗Token，经过两周调优，我的配置建议：

5.1 任务拆分策略

原始方式：

"任务": "请打开Chrome搜索AI最新进展，将结果整理成Markdown保存"

优化后：

"任务分解": [
  "启动Chrome",
  "访问https://news.google.com",
  "搜索'AI最新进展'",
  "提取前3条结果",
  "按模板生成Markdown"
]

通过明确步骤可减少约40%的Token消耗。

5.2 模型参数调优

在openclaw.json中添加：

"execution": {
  "maxTokensPerTask": 500,
  "temperature": 0.3,
  "topP": 0.9
}

这些参数使QwQ-32B的输出更简洁直接，避免冗余内容消耗Token。

6. 实战测试与效果验证

6.1 基础功能测试

启动网关后访问http://localhost:18789，在控制台输入：

帮我用一句话介绍OpenClaw

正常应返回类似：

OpenClaw是一个开源的个人自动化助手框架，能在本地电脑执行文件操作、网页浏览等任务。

6.2 文件操作测试

创建测试文件后输入：

请读取/tmp/test.txt的内容并统计字数

我观察到的一个有趣现象：当文件路径包含中文时，需要额外配置系统编码：

export LC_ALL=en_US.UTF-8
openclaw gateway start

7. 进阶技巧与维护建议

运行一个月后总结的经验：

内存管理：

• ollama-QwQ-32B建议预留64GB内存
• 可添加SWAP空间缓解压力：

sudo fallocate -l 32G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile

日志监控：

# 查看OpenClaw日志
tail -f ~/.openclaw/logs/gateway.log

# 查看模型调用情况
grep "Model inference" ~/.openclaw/logs/agent.log

定期维护：

# 每周清理一次缓存
openclaw cache clean

# 更新所有组件
npm update -g openclaw
docker exec ollama-qwq ollama pull qwq:32b

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。