1. 项目概述：从云端到本地的战略转移

最近在AI应用圈子里，一个明显的趋势是越来越多的开发者和团队开始将目光投向本地部署。OpenClaw，作为一个功能强大的AI智能体与工作流编排平台，其云端服务固然方便，但数据隐私、成本控制、模型定制化以及网络稳定性等问题，促使不少像我这样的技术实践者开始探索将其“搬回家”的可行性。简单来说，这个项目就是将原本运行在云服务商服务器上的OpenClaw系统，完整地迁移到你自己可控的物理机、虚拟机或私有云环境中。这不仅仅是换个地方运行软件，更是一次对架构自主性、数据主权和长期运维成本的深度思考。对于中小型团队、对数据安全有严格要求的行业（如金融、法律、医疗的某些非核心分析场景），或是希望深度集成并定制AI能力的极客们，本地部署OpenClaw提供了一个绝佳的沙盒。

迁移的核心价值在于“可控”。你不再受限于云服务商的API调用配额、网络延迟，也不必担心敏感的业务对话数据流经第三方服务器。你可以自由地接入任何开源或闭源的本地大模型，比如通过Ollama管理的Llama 3、Qwen系列，或是DeepSeek的最新版本，甚至是你自己微调过的专属模型。整个AI工作流的触发、执行和结果存储，都发生在你的防火墙之内。当然，这份自由也伴随着责任：你需要自己负责服务器的运维、资源的调度、系统的安全以及故障的排查。接下来，我将结合多次从零开始搭建和迁移的经验，为你拆解从云端思维切换到本地部署的全过程，涵盖设计思路、环境准备、核心配置、问题排查以及那些只有踩过坑才知道的实操技巧。

2. 整体迁移方案设计与核心考量

在动手之前，盲目执行安装命令是最忌讳的。一个清晰的迁移方案能帮你避开至少80%的后期麻烦。本地部署OpenClaw，本质上是在你的环境中重建其运行所需的所有依赖和服务链路。

2.1 架构选型：Docker组合拳还是原生安装？

这是你面临的第一个关键选择。目前主流且最推荐的方式是使用 Docker Compose 进行部署。

为什么是Docker？ OpenClaw本身是一个由多个微服务构成的应用，可能包括前端界面、后端API服务器、任务队列（如Celery）、数据库（PostgreSQL/MySQL）、向量数据库（如Weaviate、Qdrant）以及缓存（Redis）等。Docker容器化部署能将每个服务及其精确的依赖环境打包，确保在不同机器上运行的一致性，彻底解决“在我机器上好好的”这类问题。使用Docker Compose，你只需一个 docker-compose.yml 配置文件，就能一键拉起所有服务，管理生命周期（启动、停止、重启），并且非常方便地进行版本升级和配置变更。

为什么不推荐纯原生安装？ 直接在宿主机上通过 pip 安装所有Python包，并手动配置每一个服务（数据库、Redis等），会面临依赖冲突、权限复杂、环境污染和难以隔离等问题。升级或回滚将是噩梦。对于生产或准生产环境，Docker几乎是唯一的选择。

方案决策要点：

  • 开发/测试环境 ：强烈建议使用Docker Compose，快速搭建，干净利落。
  • 生产环境 ：同样推荐Docker或更进一步的Kubernetes编排。如果你有极强的运维能力，且对性能有极致要求，可以考虑基于Docker镜像进行更深入的定制化部署，但绝不建议从头裸机安装。

2.2 硬件与基础环境规划

本地部署吃的是你自己的资源，所以规划很重要。

1. 计算资源（CPU/GPU）：

  • CPU ：这是基础。建议至少4核以上现代CPU。如果主要运行较小参数量的模型（如7B、13B），且通过Ollama的CPU模式推理，那么强大的多核CPU是关键。
  • GPU（可选但强烈推荐） ：如果你想流畅运行更大的模型（如70B参数）或追求更快的响应速度，一块消费级显卡（如NVIDIA RTX 4090, 3090）或专业卡是必要的。确保你的驱动、CUDA和容器运行时（对于Docker，需要 nvidia-container-toolkit ）已正确安装。这是本地部署体验能否媲美云端的核心。

2. 内存（RAM）： 这是最容易成为瓶颈的地方。你需要为以下几部分预留内存：

  • 操作系统及基础服务 ：约2-4GB。
  • OpenClaw应用本身 ：约2-4GB。
  • 大模型加载 ：这是大头。一个7B参数的模型，量化到4-bit（如Q4_K_M）可能需4-6GB显存/内存；一个70B的模型同样量化后可能需要35GB+。 务必根据你计划运行的模型来倒推所需内存。 建议总内存不低于16GB，若要玩转更大模型，32GB或64GB是更稳妥的起点。

3. 存储（磁盘）：

  • 系统盘 ：用于安装OS、Docker等。
  • 数据盘 ：这是重点。你需要存储：
    • Docker镜像和容器数据 。
    • 模型文件 ：每个模型动辄数GB到数十GB。例如，Llama 3 70B的Q4量化版可能超过40GB。规划一个足够大的SSD分区（NVMe最佳）来存放模型，能极大提升模型加载速度。
    • 向量数据库数据 ：如果你使用OpenClaw的知识库功能，向量数据库会存储嵌入向量，也可能占用不小空间。
  • 备份 ：制定定期备份数据库和关键配置文件的策略。

4. 网络：

  • 内部网络 ：确保部署服务器在内网中有稳定的IP，以便你和其他授权用户访问。
  • 外部访问（可选） ：如果你需要从公网访问（务必做好安全加固！），可能需要配置反向代理（如Nginx）和SSL证书（如Let‘s Encrypt）。

3. 分步实操：基于Docker的极速部署指南

假设我们在一台干净的Ubuntu 22.04 LTS服务器上操作。这是目前兼容性最好的基础系统之一。

3.1 基础环境准备

首先，以具有sudo权限的用户登录服务器。

1. 更新系统并安装基础工具： 

sudo apt update && sudo apt upgrade -y
sudo apt install -y curl wget git vim net-tools

2. 安装Docker Engine和Docker Compose Plugin： Docker官方提供了便捷的安装脚本，但为了可控性，我们分步执行。

# 卸载旧版本（如有）
sudo apt remove docker docker-engine docker.io containerd runc

# 安装依赖
sudo apt install -y ca-certificates curl gnupg lsb-release

# 添加Docker官方GPG密钥
sudo mkdir -p /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

# 设置稳定版仓库
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# 安装Docker Engine
sudo apt update
sudo apt install -y docker-ce docker-ce-cli containerd.io docker-compose-plugin

# 验证安装
sudo docker --version
sudo docker compose version # 注意是 `compose`，不是 `docker-compose`

3. （可选但重要）配置非root用户运行Docker： 为了避免每次都用 sudo ，将当前用户加入 docker 组。

sudo groupadd docker # 如果docker组已存在，会提示，可忽略
sudo usermod -aG docker $USER
newgrp docker # 刷新组权限，或直接退出终端重新登录
docker run hello-world # 测试是否可以不使用sudo运行

4. 安装NVIDIA容器工具包（如果使用GPU）： 如果你有NVIDIA GPU并打算用于模型推理，这是必须的一步。

# 添加NVIDIA容器工具包仓库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \
  sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

# 安装工具包
sudo apt update
sudo apt install -y nvidia-container-toolkit

# 配置Docker使用NVIDIA运行时
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

# 验证GPU在容器内是否可见
docker run --rm --gpus all nvidia/cuda:12.1.1-base-ubuntu22.04 nvidia-smi

你应该能看到和宿主机上运行 nvidia-smi 类似的GPU信息输出。

3.2 获取与配置OpenClaw部署文件

OpenClaw的社区通常会提供官方的Docker Compose部署模板。我们需要获取并调整它。

1. 创建项目目录并获取配置文件： 

mkdir -p ~/openclaw-local && cd ~/openclaw-local
# 假设我们从官方GitHub仓库获取（请替换为实际可用的仓库地址）
# 这里以示例形式说明，实际操作时请查找最新的官方或社区维护的docker-compose.yml
# 例如，你可能需要下载一个预置的docker-compose.yml和环境变量模板
wget -O docker-compose.yml https://raw.githubusercontent.com/example/openclaw/main/deploy/docker-compose.yml
wget -O .env.example https://raw.githubusercontent.com/example/openclaw/main/deploy/.env.example
cp .env.example .env

2. 关键配置文件解析与定制（ .env 文件）： .env 文件是Docker Compose的灵魂，它定义了所有服务的配置参数。用文本编辑器（如 vim 或 nano ）打开 .env 文件，你需要关注并修改以下核心部分：

# 数据库配置
DATABASE_URL=postgresql://postgres:your_strong_password@db:5432/openclaw
# 将 `your_strong_password` 替换为一个高强度的随机密码。

# Redis配置
REDIS_URL=redis://redis:6379/0

# 应用密钥，用于加密等，务必修改！
SECRET_KEY=your_very_long_and_random_secret_key_here
# 可以使用命令生成：openssl rand -hex 32

# 前端访问地址，根据你的网络环境设置
# 如果仅本地访问，可以是 http://localhost:3000
# 如果服务器有IP，且你想从同局域网其他机器访问，改为 http://YOUR_SERVER_IP:3000
NEXT_PUBLIC_API_BASE_URL=http://localhost:3000/api

# 大模型后端配置：这是连接本地模型的关键！
# 假设你使用Ollama作为本地模型服务
OLLAMA_API_BASE_URL=http://host.docker.internal:11434
# 注意：`host.docker.internal` 是Docker容器内访问宿主机服务的特殊域名。
# 如果你的Docker版本较旧或系统不支持，可能需要改为宿主机在Docker网桥中的IP（如172.17.0.1）。
# 可以在容器内运行 `ip route | grep default | awk '{print $3}'` 查看网关IP，通常就是宿主机IP。

# 默认模型设置
DEFAULT_MODEL=llama3.1:8b
# 这里填写你的Ollama中已拉取的模型名称，例如 `llama3.1:8b`, `qwen2.5:7b` 等。

重要提示 ： OLLAMA_API_BASE_URL 的配置是本地部署成败的关键之一。Docker容器默认运行在独立的网络命名空间。 host.docker.internal 是Docker为桌面版（Mac/Windows）和较新Linux版本提供的特性，用于解析到宿主机。在纯Linux服务器上，如果这个域名不工作，你有两个选择：

  1. 使用宿主机在Docker网桥（通常是 docker0 ）上的IP地址（如 172.17.0.1 ）。
  2. 在 docker-compose.yml 中，将Ollama服务也作为一个服务定义进去，并通过Docker的内部网络（服务名）进行通信。这更优雅，但需要编排Ollama的容器。

3. 编写或调整 docker-compose.yml ： 如果你下载的模板已经比较完整，可能只需要微调。如果没有，你需要一个包含PostgreSQL、Redis、OpenClaw后端和前端（如果有独立前端）的服务定义。以下是一个极度简化的示例结构，实际文件会更复杂：

version: '3.8'

services:
  db:
    image: postgres:15-alpine
    container_name: openclaw_db
    restart: unless-stopped
    environment:
      POSTGRES_DB: openclaw
      POSTGRES_USER: postgres
      POSTGRES_PASSWORD: ${DATABASE_PASSWORD} # 从.env文件读取
    volumes:
      - postgres_data:/var/lib/postgresql/data
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U postgres"]
      interval: 10s
      timeout: 5s
      retries: 5

  redis:
    image: redis:7-alpine
    container_name: openclaw_redis
    restart: unless-stopped
    command: redis-server --appendonly yes
    volumes:
      - redis_data:/data
    healthcheck:
      test: ["CMD", "redis-cli", "ping"]
      interval: 10s
      timeout: 5s
      retries: 5

  backend:
    image: openclaw/backend:latest # 请替换为实际的镜像名
    container_name: openclaw_backend
    restart: unless-stopped
    depends_on:
      db:
        condition: service_healthy
      redis:
        condition: service_healthy
    environment:
      - DATABASE_URL=postgresql://postgres:${DATABASE_PASSWORD}@db:5432/openclaw
      - REDIS_URL=redis://redis:6379/0
      - SECRET_KEY=${SECRET_KEY}
      - OLLAMA_API_BASE_URL=${OLLAMA_API_BASE_URL}
      - DEFAULT_MODEL=${DEFAULT_MODEL}
    ports:
      - "8000:8000" # 后端API端口映射
    volumes:
      - ./data:/app/data # 挂载本地目录，持久化上传文件等

  frontend:
    image: openclaw/frontend:latest # 请替换为实际的镜像名
    container_name: openclaw_frontend
    restart: unless-stopped
    depends_on:
      - backend
    environment:
      - NEXT_PUBLIC_API_BASE_URL=http://localhost:8000 # 指向后端服务
    ports:
      - "3000:3000" # 前端访问端口

volumes:
  postgres_data:
  redis_data:

3.3 部署与启动

配置好 .env 和 docker-compose.yml 后，启动服务就变得非常简单。

# 在项目目录 (~/openclaw-local) 下执行
docker compose up -d

-d 参数表示在后台运行（detached mode）。

使用以下命令查看服务状态和日志：

docker compose ps # 查看所有容器状态
docker compose logs -f backend # 实时查看后端日志，`-f`是跟随输出，Ctrl+C退出
docker compose logs frontend # 查看前端日志

如果一切顺利，你应该能看到容器全部处于“Up”状态。此时，你可以通过浏览器访问 http://你的服务器IP:3000 来打开OpenClaw的前端界面。

3.4 配置本地模型服务（Ollama）

OpenClaw本身是智能体平台，它需要连接一个“模型供应商”来提供AI能力。在本地，Ollama是目前管理并运行开源大模型最流行的工具。

1. 在宿主机上安装并运行Ollama： 

# 使用一键安装脚本
curl -fsSL https://ollama.com/install.sh | sh

# 启动Ollama服务（通常安装后会自动启动并设为系统服务）
sudo systemctl status ollama # 检查状态
sudo systemctl enable --now ollama # 如果未启动，则启用并立即启动

2. 拉取并运行你需要的模型： Ollama支持众多模型。你可以从 Ollama官方模型库 查找。

# 拉取一个模型，例如 Llama 3.1 8B
ollama pull llama3.1:8b
# 拉取 DeepSeek 模型（如果可用）
# ollama pull deepseek-coder:6.7b
# 拉取 Qwen 模型
# ollama pull qwen2.5:7b

# 运行模型（以对话形式测试，非必须，因为Ollama服务会管理模型加载）
# ollama run llama3.1:8b

3. 验证Ollama API是否可用： Ollama默认在宿主机 11434 端口提供API服务。

curl http://localhost:11434/api/tags

如果返回一个JSON，列出了你已拉取的模型，说明Ollama服务正常。

关键点 ：确保OpenClaw的Docker容器能够访问到宿主机的 11434 端口。这就是之前在 .env 文件中配置 OLLAMA_API_BASE_URL=http://host.docker.internal:11434 的原因。如果遇到连接问题，尝试在宿主机上运行 ifconfig 或 ip addr show docker0 ，找到Docker网桥IP（如 172.17.0.1 ），然后将 .env 中的URL改为 http://172.17.0.1:11434 。

4. 核心配置详解与模型接入

当基础服务跑起来后，真正的挑战在于如何让OpenClaw顺畅地与你的本地模型协同工作。

4.1 OpenClaw中的模型供应商配置

通常，OpenClaw的后端管理界面或API提供了添加“模型供应商”的选项。你需要添加一个类型为“Ollama”或“自定义API”的供应商。

  • 名称 ： 自定义，如“Local-Ollama”。
  • API Base URL ： 这里填写的就是我们在 .env 中定义的 OLLAMA_API_BASE_URL 。对于Docker容器内的后端服务，它需要能访问到这个地址。如果使用 host.docker.internal ，容器内会解析到宿主机。
  • API Key ： Ollama默认不需要API Key，留空即可。
  • 模型列表 ： 有些配置需要你手动填写模型名称（如 llama3.1:8b ），有些则可以通过“测试连接”或“同步模型”按钮自动从Ollama API获取。

配置成功后，你应该能在OpenClaw的聊天界面或工作流配置中，选择你刚刚添加的“Local-Ollama”供应商下的具体模型（如 llama3.1:8b ）。

4.2 模型性能调优与量化选择

本地部署的模型性能直接决定了用户体验。Ollama支持多种量化精度，在模型大小、推理速度和效果之间进行权衡。

  • 量化等级 ：常见的如 q4_0 , q4_k_m , q5_0 , q5_k_m , q8_0 等。数字越小（如q4），模型体积越小，所需内存/显存越少，推理越快，但可能损失一些精度。
  • 如何选择 ：
    • 显存/内存紧张 ：优先选择 q4_k_m 或 q4_0 ，这是速度和体积的较好平衡。
    • 追求更好效果 ：如果资源充足，可以选择 q5_k_m 或 q6_k 。
    • 纯CPU推理 ： q8_0 量化对CPU更友好，但模型体积最大。

在Ollama中拉取模型时，可以指定标签来获取特定量化版本：

ollama pull llama3.1:8b-q4_k_m

如果不指定，通常会拉取一个推荐的默认版本（可能是 q4_k_m ）。你可以在Ollama的模型库页面查看每个模型支持的标签。

4.3 多模型管理与切换

一个强大的本地部署环境往往不止一个模型。你可能需要一个代码能力强的（如DeepSeek-Coder），一个通用对话能力强的（如Llama 3.1），还有一个小巧快速的（如Phi-3-mini）用于简单任务。

在Ollama中管理多个模型非常简单：

# 拉取不同模型
ollama pull deepseek-coder:6.7b
ollama pull phi3:mini

# 查看本地已有模型
ollama list

在OpenClaw中，你可以：

  1. 在模型供应商配置中，确保API Base URL正确，然后同步模型列表。如果支持，所有本地模型都会出现。
  2. 为不同的技能（Skill）或工作流（Workflow）分配不同的模型。例如，创建一个“代码审查”技能，绑定 deepseek-coder:6.7b 模型；创建一个“日常助手”技能，绑定 llama3.1:8b 模型。

5. 常见问题排查与实战技巧

迁移过程中，你几乎一定会遇到各种问题。下面是我踩过坑后总结的“排错手册”。

5.1 容器网络与连接问题

问题1：OpenClaw后端无法连接Ollama ( host.docker.internal 无法解析)

  • 症状 ：OpenClaw日志中报错“Connection refused”或“Failed to fetch models from Ollama”。
  • 排查 ：
    1. 进入OpenClaw后端容器内部测试连接： 
      docker compose exec backend bash
# 在容器内执行
curl http://host.docker.internal:11434/api/tags
      如果报错“未知主机”，说明容器内无法解析这个主机名。
  • 解决 ：
    1. 方法A（推荐） ：在 docker-compose.yml 中为 backend 服务添加 extra_hosts 配置，手动绑定宿主机IP。 
      services:
  backend:
    ...
    extra_hosts:
      - "host.docker.internal:host-gateway" # Docker v20.10+ 支持
      # 或者直接写死IP，例如：
      # - "host.docker.internal:172.17.0.1"
      然后重启服务： docker compose down && docker compose up -d 。
    2. 方法B ：改用宿主机在Docker网桥的IP。在宿主机运行 ip addr show docker0 ，找到 inet 后面的IP（如 172.17.0.1 ）。将 .env 中的 OLLAMA_API_BASE_URL 改为 http://172.17.0.1:11434 。 注意 ：这个IP可能在Docker服务重启后变化，不够稳定。
    3. 方法C（最干净） ：将Ollama也容器化，并在同一个Docker Compose网络中定义。这样服务间可以通过服务名（如 ollama ）直接通信，完全屏蔽宿主机网络差异。这需要你编写Ollama的service配置。

问题2：前端无法访问后端API

  • 症状 ：浏览器打开前端页面白屏，或控制台报错API连接失败。
  • 排查 ：检查前端容器日志 docker compose logs frontend ，看是否有连接后端 http://backend:8000 （或你配置的地址）的错误。同时检查后端容器是否正常运行且端口映射正确。
  • 解决 ：
    1. 确保 docker-compose.yml 中前端服务的环境变量 NEXT_PUBLIC_API_BASE_URL （或类似配置）指向正确的后端地址。 在Docker Compose网络内部，应使用服务名（如 http://backend:8000 ） ，而不是 localhost 。 localhost 在前端容器内指向它自己。
    2. 前端构建时，这个API地址可能被写死。如果是这样，你可能需要重建前端镜像，或者通过反向代理（如Nginx）在外部统一代理前后端请求。

5.2 模型加载与推理错误

问题1：Ollama拉取模型速度极慢或失败

  • 症状 ： ollama pull 卡住或报网络错误。
  • 解决 ：
    1. 配置镜像加速 ：对于国内用户，这是必经之路。创建或修改Ollama的配置文件 ~/.ollama/config.json （Linux）或 C:\Users\<你的用户名>\.ollama\config.json （Windows）。 
      {
  "registry": {
    "mirrors": {
      "docker.io": "https://docker.m.daocloud.io",
      "gcr.io": "https://gcr.m.daocloud.io",
      "ghcr.io": "https://ghcr.m.daocloud.io",
      "registry.ollama.ai": "https://ollama.m.daocloud.io" // 关键！Ollama模型镜像加速
    }
  }
}
      修改后重启Ollama服务： sudo systemctl restart ollama 。
    2. 使用代理（如果合法合规且你拥有相关权限）。注意，此部分需严格遵守当地法律法规和网络使用政策。

问题2：推理时显存/内存不足（OOM）

  • 症状 ：Ollama日志或OpenClaw调用返回“CUDA out of memory”或进程被系统杀死。
  • 解决 ：
    1. 选择更小的量化模型 ：从 q8_0 降到 q4_k_m 。
    2. 减小上下文长度 ：在OpenClaw调用模型时，可以尝试减小 max_tokens 或上下文窗口参数。这需要在OpenClaw的模型配置或技能配置中调整。
    3. 使用CPU卸载 ：如果GPU显存不足，Ollama可以自动将部分层卸载到CPU内存。但这会极大降低速度。可以通过Ollama的 Modelfile 或环境变量配置，但对普通用户较复杂。
    4. 升级硬件 ：这是最根本的解决方案。

5.3 数据持久化与备份

问题：Docker容器重启后数据丢失

  • 症状 ：重新 docker compose up 后，之前创建的技能、工作流、对话记录全没了。
  • 原因 ：数据库（PostgreSQL）和Redis的数据没有持久化到宿主机。
  • 解决 ：确保 docker-compose.yml 中为 db 和 redis 服务配置了 volumes 映射，就像我们示例中那样： 
    volumes:
  - postgres_data:/var/lib/postgresql/data
  - redis_data:/data
    以及文件末尾的 volumes 声明。这样数据会保存在Docker管理的命名卷中，即使容器删除，卷依然存在。你也可以将其映射到宿主机的特定路径，如 - ./data/db:/var/lib/postgresql/data ，更方便直接备份。

备份策略 ：

  • 数据库备份 ：定期使用 pg_dump 命令备份PostgreSQL数据。 
    docker compose exec db pg_dump -U postgres openclaw > backup_$(date +%Y%m%d).sql
  • 卷备份 ：直接备份Docker卷所在的物理目录（位于 /var/lib/docker/volumes/ 下，但具体路径因安装而异），或者备份你映射的宿主机目录。

5.4 性能优化与监控

1. 给Ollama容器分配GPU： 如果你使用Docker运行Ollama，需要在 docker-compose.yml 中为Ollama服务添加GPU支持：

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    restart: unless-stopped
    deploy: # 注意，这里是deploy.resources，不是简单的runtime
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    # 或者使用旧的、更直接的runtime方式（部分版本支持）
    # runtime: nvidia
    # environment:
    #   - NVIDIA_VISIBLE_DEVICES=all
    volumes:
      - ollama_data:/root/.ollama
    ports:
      - "11434:11434"

2. 监控资源使用：

  • docker stats ：查看所有容器的CPU、内存、网络IO实时使用情况。
  • nvidia-smi （GPU）：监控GPU利用率和显存占用。
  • 宿主机 htop 或 glances ：查看整体系统资源。

3. 调整OpenClaw后端并发数： 如果遇到高并发请求响应慢，可能需要调整后端工作进程数。这通常在OpenClaw的后端配置或Docker Compose的环境变量中设置（例如 WORKER_COUNT ）。参考其官方文档。

6. 进阶：生产环境加固与高可用思考

对于真正用于团队或轻度生产的环境，除了能跑起来，还需要考虑更多。

1. 安全加固：

  • 修改默认端口 ：将前端 3000 端口、后端 8000 端口、Ollama 11434 端口映射到不常见的宿主机端口。
  • 设置防火墙 ：使用 ufw 或 firewalld 只开放必要的端口（如SSH，以及你映射的Web端口）。
  • 配置反向代理与HTTPS ：使用Nginx或Caddy作为反向代理，配置SSL证书（如Let‘s Encrypt免费证书），实现HTTPS加密访问。 切勿将OpenClaw或Ollama的API端口直接暴露在公网！
  • 强密码与密钥 ：确保 .env 文件中的 SECRET_KEY 、数据库密码等都是高强度随机字符串，并且 .env 文件权限设置为 600 ，避免泄露。

2. 配置分离： 将敏感的配置（密码、密钥）与 docker-compose.yml 分离，始终使用 .env 文件。并且不要将 .env 文件提交到版本控制系统（如Git）。

3. 日志收集与集中管理： 配置Docker容器的日志驱动，将日志统一收集到ELK（Elasticsearch, Logstash, Kibana）或Loki+Grafana等平台，方便问题追踪。

4. 考虑高可用（HA）： 对于关键业务，单点部署风险高。可以考虑：

  • 数据库高可用 ：PostgreSQL配置主从复制。
  • 应用多实例 ：部署多个OpenClaw后端实例，通过Nginx进行负载均衡。
  • 容器编排 ：使用Kubernetes或Docker Swarm管理容器集群，实现故障自动恢复和滚动更新。

将OpenClaw从云端迁移至本地，是一次充满成就感的旅程。它让你从API调用者转变为基础设施的掌控者。这个过程会迫使你深入理解网络、容器、模型服务和应用配置之间的交互。虽然初期搭建会碰到各种“坑”，但一旦跑通，那种数据尽在掌握、模型任我调配的自由感和灵活性，是云端服务难以比拟的。我的建议是，先从一台有GPU的闲置电脑或开发服务器开始，按照本指南一步步实践，处理好每一个报错信息。当你成功在本地与属于自己的AI智能体进行第一次对话时，你会发现这一切的折腾都是值得的。后续，你可以探索更复杂的技能链编排、与内部系统的深度集成，或是基于本地数据微调专属模型，真正释放AI在私有环境中的巨大潜力。

# Ollama
Logo
亚马逊云科技技术品牌专区

更多推荐

cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！人工智能的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区