1. 项目缘起：为什么要在QQ群里“塞”一个AI学长？

作为一名常年混迹于各种技术社区和项目组的“老鸟”，我见过太多因为信息差和重复性问题导致的效率瓶颈。尤其是在班级、社团或者项目组这类协作场景里，总有人会问“实验报告模板在哪？”、“下周的课表发一下”、“这个软件怎么安装”，而这些问题往往在群公告或者历史记录里就能找到答案。更头疼的是，当助教或者管理员不在线时，一些紧急但简单的问题就得不到及时响应。

于是，一个想法冒了出来：能不能在QQ群里放一个24小时在线的“智能助教”？它不需要多高的智商，但能记住群文件、记住群规、记住常见问题的答案，还能在有人@它的时候，像个耐心的学长一样给出指引。这个想法听起来很美好，但实现起来，传统的QQ机器人框架要么功能受限，要么配置复杂，对新手极不友好。

直到我遇到了 OpenClaw 。这个名字听起来有点“赛博朋克”，但它本质上是一个开源的、基于大语言模型的智能体（AI Agent）框架。它的核心魅力在于，你可以用自然语言告诉它“你是谁”、“你要做什么”，然后它就能自主地去调用工具、处理信息、完成任务。这简直是为“定制一个专属群聊助手”量身打造的工具。把OpenClaw部署在云端，让它接入QQ，一个不知疲倦、有问必答的“AI学长”就诞生了。这不仅仅是技术上的“炫技”，更是实实在在地解决信息流转低效、重复劳动繁重的痛点。

2. 核心工具选型：为什么是OpenClaw+腾讯云？

在动手之前，我们需要明确技术栈。市面上能做聊天机器人的方案很多，为什么偏偏选择OpenClaw和腾讯云这套组合拳？这背后是基于成本、易用性和可控性的综合考量。

2.1 OpenClaw：不止是“聊天”，更是“智能体”

很多同学一听到AI聊天机器人，可能首先想到的是调用某个大模型的API，然后写个简单的对话逻辑。但OpenClaw的定位更高一层，它是一个 AI Agent框架 。简单来说，一个普通的聊天机器人是你问一句，它根据固定规则或简单检索回一句。而一个Agent，则是一个拥有“记忆”、“思考”和“使用工具”能力的智能体。

  • 记忆能力 ：OpenClaw可以通过向量数据库（比如ChromaDB）持久化存储群聊记录、知识文档。这意味着你的“AI学长”能记住之前讨论过的问题，实现上下文连贯的对话，而不是每次都“失忆”。
  • 规划与思考能力 ：当用户提出一个复杂请求，比如“帮我总结一下上周关于项目进度的讨论”，OpenClaw Agent可以自主分解任务：先检索相关聊天记录，然后调用总结模型，最后组织语言回复。这个过程是它自己“想”出来的。
  • 工具使用能力 ：这是OpenClaw最强大的地方。你可以为它配置各种“工具”（Tools），比如：
    • SearchTool : 联网搜索最新信息。
    • RetrieverTool : 从本地知识库（如群文件、项目文档）中检索答案。
    • CalculatorTool : 进行简单计算。
    • 你甚至可以自定义工具，让它去查询课表API、检查服务器状态等。

所以，选择OpenClaw，意味着我们不是在做一个“问答机”，而是在培养一个能真正帮群友处理事务的“数字助理”。它的可扩展性远超传统机器人。

2.2 腾讯云：稳定、合规且对新手友好的“家”

AI Agent需要7x24小时运行，你不可能用自己的电脑常开着。云服务器是必然选择。在众多云服务商中，我选择腾讯云轻量应用服务器，理由如下：

  1. 网络与合规性 ：QQ是腾讯的产品，将机器人部署在腾讯云上，内网通信效率更高，且从合规角度考虑，同一生态下的服务调用更为顺畅，减少了因跨运营商、跨平台带来的潜在连接或风控问题。
  2. 开箱即用与成本 ：腾讯云轻量应用服务器预装了常用镜像（如Docker、宝塔面板），对于不熟悉Linux命令的同学非常友好。它的价格也相对亲民，学生或有新用户优惠，最低配的服务器（2核2G）完全足以运行OpenClaw及其依赖。
  3. 生态集成 ：后续如果我们想为“AI学长”增加更多能力，比如使用腾讯云的语音识别（ASR）让它可以处理语音消息，或者使用云函数（SCF）处理突发任务，在腾讯云内部集成会更加方便。
  4. 避免“踩坑” ：一些教程会推荐使用海外的VPS，但这会引入不必要的网络延迟和复杂性（如反向代理）。对于国内服务（QQ）的机器人，国内云服务器是更稳妥、延迟更低的选择。

2.3 技术栈全景图

最终，我们的技术架构非常清晰：

  • 基础设施层 ：一台腾讯云轻量应用服务器（CentOS 7.9 或 Ubuntu 20.04 LTS）。
  • 容器与环境层 ：使用Docker和Docker Compose来部署所有服务，保证环境隔离和一键启停。
  • 核心应用层 ：OpenClaw框架作为大脑，它内部会连接一个大语言模型（如ChatGLM3、Qwen等开源模型，通过Ollama本地运行或调用云端API）和向量数据库（ChromaDB）。
  • 接入层 ：一个QQ机器人协议客户端（例如基于 go-cqhttp 或 Lagrange.Core 的项目），负责与QQ服务器通信，接收和发送消息，并将消息转发给OpenClaw处理。
  • 知识层 ：将班级的群公告、常用文件、课程表、规章制度等文档处理后存入向量数据库，作为“AI学长”的知识库。

这套组合，在功能、成本和可维护性上取得了很好的平衡。

3. 实战部署：从零开始搭建“AI学长”的家

理论讲完，我们进入最关键的实操环节。请跟着步骤一步步来，我会把每个环节的意图和可能遇到的坑都讲清楚。

3.1 腾讯云服务器初始化与安全组配置

首先，购买一台腾讯云轻量应用服务器。地域选择离你或主要用户群体近的，镜像推荐选择“Docker基础镜像”或“宝塔面板镜像”（方便管理文件）。系统盘建议30GB以上。

服务器启动后，第一件事不是急着安装软件，而是配置 安全组 （防火墙）。这是保障服务器安全的重中之重，很多同学部署完服务无法访问，问题都出在这里。

登录腾讯云控制台，找到你的轻量服务器实例，进入“防火墙”选项卡。我们需要添加几条规则：

  1. SSH端口（22） ：来源IP可以设置为 0.0.0.0/0 （任何IP）但强烈建议改为你自己的公网IP，或者通过“密钥对”登录更安全。
  2. HTTP/HTTPS端口（80/443） ：如果你后续想为机器人配置Web管理面板，需要开放。
  3. OpenClaw API端口（默认为 7860 或 8000 ） ：这是OpenClaw服务对外提供API的端口，必须开放。协议类型TCP，端口范围根据你后续的配置填写。
  4. QQ机器人客户端端口 ：例如 go-cqhttp 常用的 8080 端口（用于上报消息）和 6700 端口（用于反向WebSocket连接）。同样需要开放TCP协议。

注意 ：生产环境建议将来源IP设置为最小范围。但在测试阶段，为了方便，可以暂时设置为 0.0.0.0/0 ，待一切调试完毕后再收紧策略。

配置完成后，使用SSH工具（如PuTTY、Xshell或终端）连接到你的服务器。

3.2 基础环境搭建：Docker与Docker Compose

大多数云镜像已经预装了Docker。如果没有，安装也非常简单。以CentOS为例：

# 1. 卸载旧版本（如有）
sudo yum remove docker docker-client docker-client-latest docker-common docker-latest docker-latest-logrotate docker-logrotate docker-engine

# 2. 安装yum工具包并添加Docker仓库
sudo yum install -y yum-utils
sudo yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo

# 3. 安装Docker引擎
sudo yum install -y docker-ce docker-ce-cli containerd.io

# 4. 启动Docker并设置开机自启
sudo systemctl start docker
sudo systemctl enable docker

# 5. 验证安装
sudo docker run hello-world

接下来安装Docker Compose。它是一个用于定义和运行多容器Docker应用的工具，我们用一个 docker-compose.yml 文件就能管理OpenClaw、数据库等所有服务。

# 下载Docker Compose的稳定版本（请检查官网获取最新版本号）
sudo curl -L "https://github.com/docker/compose/releases/download/v2.23.0/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose

# 赋予执行权限
sudo chmod +x /usr/local/bin/docker-compose

# 创建软链接（可选，方便直接调用）
sudo ln -s /usr/local/bin/docker-compose /usr/bin/docker-compose

# 验证安装
docker-compose --version

3.3 部署OpenClaw：使用Docker一键启动

OpenClaw官方通常提供了Docker镜像，这是最便捷的部署方式。我们在服务器上创建一个项目目录，例如 /home/qq-ai-assistant 。

mkdir -p /home/qq-ai-assistant
cd /home/qq-ai-assistant

然后，创建我们的核心配置文件 docker-compose.yml 。这里我们假设使用一个兼容OpenAI API的本地模型（通过Ollama部署）作为OpenClaw的“大脑”。

version: '3.8'

services:
  # 向量数据库服务，用于存储“记忆”和“知识”
  chromadb:
    image: chromadb/chroma:latest
    container_name: openclaw-chromadb
    restart: unless-stopped
    ports:
      - "8001:8000" # 将容器内的8000端口映射到宿主机的8001端口
    volumes:
      - ./chroma_data:/chroma/chroma  # 持久化数据
    environment:
      - IS_PERSISTENT=TRUE
      - PERSIST_DIRECTORY=/chroma/chroma

  # 本地大模型服务（例如使用Qwen1.5-7B-Chat）
  ollama:
    image: ollama/ollama:latest
    container_name: openclaw-ollama
    restart: unless-stopped
    ports:
      - "11434:11434"
    volumes:
      - ./ollama_data:/root/.ollama  # 持久化模型文件
    # 注意：首次运行需要进入容器拉取模型，或者使用部署后脚本

  # OpenClaw核心服务
  openclaw:
    image: <openclaw官方镜像地址> # 此处需要替换为真实的镜像名，例如 openclaw/openclaw:latest
    container_name: openclaw-core
    restart: unless-stopped
    depends_on:
      - chromadb
      - ollama
    ports:
      - "7860:7860" # OpenClaw的Web UI或API端口
    volumes:
      - ./openclaw_data:/app/data  # 持久化OpenClaw配置和数据
      - ./knowledge_base:/app/knowledge_base # 挂载知识库文档目录
    environment:
      - OPENAI_API_BASE=http://ollama:11434/v1 # 告诉OpenClaw，你的“OpenAI API”在ollama这个服务上
      - OPENAI_API_KEY=ollama # 本地Ollama通常不需要真密钥，但需要填一个非空值
      - CHROMA_SERVER_HOST=chromadb
      - CHROMA_SERVER_HTTP_PORT=8000
    # 可能需要更多的环境变量来配置Agent，具体参考OpenClaw文档

重要提示 ：上面的 <openclaw官方镜像地址> 需要你根据OpenClaw项目的最新发布来填写。由于OpenClaw是一个快速迭代的开源项目，其部署方式可能更新。请务必查阅其GitHub仓库的README或Docker Hub页面获取准确的镜像名和配置参数。环境变量（如 OPENAI_API_BASE ）的配置是连接Ollama的关键。

创建好文件后，在目录下执行 docker-compose up -d ，Docker就会自动拉取镜像并启动所有服务。使用 docker-compose logs -f openclaw 可以查看OpenClaw的启动日志，确保没有报错。

3.4 配置AI大脑：为OpenClaw连接大语言模型

现在，OpenClaw和向量数据库跑起来了，但它还没有“脑子”。我们需要在Ollama中下载一个大语言模型。

首先，进入Ollama容器内部：

docker exec -it openclaw-ollama bash

然后在容器内，拉取一个适合的中文模型。考虑到服务器资源（2核2G），我们选择较小的模型，例如 qwen2.5:0.5b （非常小，适合测试）或 qwen2.5:1.5b 。如果服务器配置更高（4核8G以上），可以尝试 qwen2.5:7b 。

ollama pull qwen2.5:1.5b

拉取完成后，退出容器。现在，OpenClaw应该可以通过 http://ollama:11434 访问到这个模型了。你需要根据OpenClaw的配置方式，在它的Web UI或配置文件中，将模型端点（Endpoint）指向这里，并设置正确的模型名称。

3.5 知识库喂养：让“学长”变得博学

一个空的AI Agent是没用的。我们需要把班级的知识喂给它。在宿主机上，我们创建了 knowledge_base 目录，并挂载到了OpenClaw容器中。现在，将你的班级资料（如 课程表.pdf 、 实验指导书.docx 、 群规.txt 等）放入这个目录。

然后，我们需要通过OpenClaw提供的工具（可能是Web UI上的一个上传/处理按钮，或者一个特定的API）来将这些文档“注入”到向量数据库（ChromaDB）中。这个过程叫做“嵌入”（Embedding）和“索引”（Indexing）。OpenClaw会自动读取这些文件，将其切分成片段，转换成向量，并存储起来。

此后，当群友提问“下周一下午是什么课？”时，OpenClaw的 RetrieverTool 就会从向量数据库中搜索与“周一 下午 课”最相关的文本片段，并将其作为上下文提供给大模型，模型就能生成准确的答案：“下周一下午2点至4点是《高等数学》课程，地点在A栋301。”

4. 打通任督二脉：让QQ机器人连接OpenClaw

OpenClaw在服务器上跑起来了，但它还是一个“孤岛”。我们需要一个桥梁，把QQ群的消息传给它，并把它的回复传回QQ群。这里我们选用 go-cqhttp ，这是一个功能强大且稳定的QQ机器人协议实现。

4.1 配置go-cqhttp

在服务器上单独创建一个目录用于运行 go-cqhttp ，或者你也可以将其作为一个服务加入之前的 docker-compose.yml 。这里我们选择单独运行，便于管理。

  1. 从 go-cqhttp 的GitHub Release页面下载对应Linux系统的二进制文件。
  2. 解压后，首次运行会生成配置文件 config.yml 。
  3. 编辑 config.yml ，关键配置如下：
account: # 账号配置
  uin: 123456789 # 你的机器人QQ号
  password: '' # 密码，不推荐使用。现在更推荐使用扫码登录或密码加密，具体看go-cqhttp文档

# 连接服务列表（反向WebSocket，让go-cqhttp主动连接我们的OpenClaw服务）
servers:
  - ws-reverse:
      # 反向WebSocket Universal接口
      - url: 'ws://openclaw-core:7860/ws/qq/' # 注意：这里用的是Docker容器服务名`openclaw-core`和端口`7860`，因为它们在同一个Docker网络内。如果是宿主机独立运行，可能是`ws://localhost:7860/ws/qq/`
        api-recall: false

这个配置的意思是： go-cqhttp 会以反向WebSocket的方式，主动连接到我们OpenClaw服务在 7860 端口提供的特定WebSocket端点（ /ws/qq/ ）。这样，QQ消息就能流向OpenClaw。

4.2 在OpenClaw中创建QQ消息处理Agent

OpenClaw的强大之处在于你可以用自然语言定义Agent。我们需要创建一个专门处理QQ消息的Agent。通常可以通过OpenClaw的Web UI（访问 http://你的服务器IP:7860 ）进行操作。

在创建Agent时，你需要：

  1. 给它起个名字和设定角色 ：例如“班级智能助教”，并描述它的职责：“你是一个乐于助人的班级AI学长，负责解答同学们关于课程、作业、群规等常见问题。回答要简洁、准确、友善。如果不知道，就如实告知，并建议其联系班长或助教。”
  2. 为它配置工具 ：至少绑定 RetrieverTool （连接我们之前创建的向量知识库）和 SearchTool （用于回答实时性问题，如天气）。
  3. 配置连接器 ：在OpenClaw的设置中，需要启用并配置QQ WebSocket连接器，指定监听的路径（如 /ws/qq/ ），这样它才能接收来自 go-cqhttp 的连接。

4.3 登录与测试

配置完成后，先启动OpenClaw服务（ docker-compose up -d ），再启动 go-cqhttp 。首次启动 go-cqhttp 时，它可能会提示扫码登录。用你的机器人QQ号扫码授权即可。

登录成功后，将机器人拉入你的班级QQ群。在群里@机器人并提问：“学长，我们班的群文件在哪里？”。如果一切顺利，OpenClaw会通过 RetrieverTool 在知识库中搜索“群文件”相关描述，然后组织语言，通过 go-cqhttp 将回复发送到群里。

5. 深度优化与避坑指南：让“AI学长”更可靠

把基础流程跑通只是第一步。要让这个“AI学长”真正好用、可靠，还需要进行一系列优化和避坑操作。

5.1 处理网络热词中的“异常”：OpenClaw Llamap Svr Operator Error

在搜索相关热词时，我看到了这样的错误信息： openclaw llamap svr operator(): got exception: { "error": { "code": 400, ... 。这通常指向一个关键问题： OpenClaw与底层大模型服务（如Ollama）的通信或参数不匹配 。

  • 根因分析 ：这个错误发生在OpenClaw调用其内部或集成的 llamap （可能指LLM API）服务时。HTTP 400错误是“客户端错误”，意味着OpenClaw发送给模型API的请求格式不对。可能的原因包括：

    1. API端点或密钥错误 ： OPENAI_API_BASE 或 OPENAI_API_KEY 环境变量设置不正确。对于本地Ollama， OPENAI_API_BASE 必须是 http://ollama:11434/v1 ，且 OPENAI_API_KEY 可以设为任意非空字符串（如 ollama ）。
    2. 模型名称不匹配 ：OpenClaw配置中指定的模型名称（如 gpt-3.5-turbo ）与Ollama中实际拉取的模型名称（如 qwen2.5:1.5b ）不一致。你需要在OpenClaw的模型配置处，将其改为Ollama支持的模型名。
    3. 请求参数不兼容 ：某些模型对请求的 temperature 、 max_tokens 等参数有特定范围要求，超出会导致400错误。

  • 排查步骤 ：

    1. 首先，检查Ollama服务是否健康： curl http://localhost:11434/api/tags ，看是否能列出已下载的模型。
    2. 其次，直接测试Ollama的聊天API： curl http://localhost:11434/api/chat -d '{"model": "qwen2.5:1.5b", "messages": [{"role": "user", "content": "Hello"}]}' 。如果这里也报400，说明是Ollama模型本身的问题。
    3. 查看OpenClaw的详细日志，找到它具体发送的请求内容，与Ollama的API文档进行比对。

5.2 知识库构建的“脏活累活”

向量检索的效果，直接取决于知识库的质量。你不能简单地把一个100页的PDF扔进去就完事了。

  • 文档预处理 ：对于PDF、Word等文档，最好先将其转换为纯文本格式。可以使用 pandoc 或专门的Python库（如 pdfplumber , python-docx ）。
  • 文本清洗与分割 ：转换后的文本可能包含大量无意义的页眉页脚、换行符。需要编写脚本进行清洗。更重要的是 文本分割（Chunking） 。不能把整篇文档作为一个向量，那样检索精度极低。需要根据语义（如段落）或固定长度（如200-500字符）进行分割，并保留一定的重叠部分，以保证上下文连贯。
  • 给片段添加元数据 ：为每个文本片段添加来源信息，如 {“source”: “高等数学课程大纲.pdf”, “page”: 5} 。这样当AI引用时，可以告诉用户“该信息来源于《高等数学课程大纲》第5页”，增加可信度。
  • 定期更新 ：课程信息、活动通知会变，知识库也需要定期更新。可以编写一个定时任务脚本，每周扫描一次指定的共享目录，将新文件或修改过的文件重新注入向量库。

5.3 提示词工程：塑造“学长”的人格与边界

Agent的行为很大程度上由你给它的“系统提示词”（System Prompt）决定。你需要精心设计这段描述：

  • 明确身份与能力 ：“你是2024级计算机科学与技术3班的智能助教‘小智’，由OpenClaw驱动。你可以访问班级知识库（包含课表、群规、常用文件索引），并可以联网搜索公开信息。”
  • 规定回答风格 ：“回答应简洁、清晰、友好。对于事实性问题（如课表、地点），必须严格依据知识库内容回答。对于主观或复杂问题（如‘这门课难吗？’），可以给出基于一般经验的建议，但必须声明‘此为个人观点，仅供参考’。”
  • 设定安全边界 ：“严禁讨论任何违法违规、敏感政治、暴力色情等内容。如果用户请求涉及此类内容，或请求执行超出你能力范围的操作（如修改成绩、发送诈骗信息），你必须明确拒绝，并回复：‘抱歉，我无法协助处理该请求。’”
  • 管理对话上下文 ：在提示词中说明对话历史的管理方式，例如“只参考最近10轮对话作为上下文，避免话题无限扩散。”

5.4 监控、日志与成本控制

  • 监控 ：使用简单的 docker stats 查看容器资源占用，或使用 cAdvisor + Prometheus + Grafana 搭建可视化监控。重点关注内存使用量，大模型是内存消耗大户。
  • 日志 ：确保OpenClaw、 go-cqhttp 、Ollama的日志都输出到文件，并定期归档。使用 docker-compose logs -f service_name 可以实时跟踪。日志是排查机器人“说胡话”或“不回应”问题的最重要依据。
  • 成本控制 ：如果使用云端大模型API（如OpenAI、DeepSeek），务必设置月度预算和用量告警。在OpenClaw的Agent配置中，可以限制单次对话的 max_tokens ，避免生成过于冗长的回复消耗额外费用。对于班级内部使用，优先考虑本地部署开源小模型，虽然能力稍弱，但成本为零，且数据完全私有。

6. 超越基础：探索更多可能性

当你的“AI学长”稳定运行后，可以尝试给它增加更多“技能”，让它从“问答机”进化成真正的“助理”。

6.1 集成外部工具与API

OpenClaw支持自定义工具。这意味着你可以写一个Python函数，然后把它“教”给AI学长。例如：

  • 课表查询工具 ：连接学校的教务系统API（如果有的话），让AI能实时查询当天或明天的课程。
  • 作业提交提醒工具 ：对接班级的在线表格或Notion数据库，在每周日晚上@全体成员，提醒大家提交作业。
  • 活动报名工具 ：通过解析群消息中的“报名”关键词，自动将报名者信息记录到在线表格。

6.2 多模态能力

虽然QQ群以文字为主，但OpenClaw也可以处理图片。你可以集成一个视觉理解模型（如GPT-4V或开源的Qwen-VL），让AI学长能“看懂”群友发的截图。比如，有人发了一张错误代码的截图，AI可以识别出错误信息并给出排查建议。

6.3 分群与权限管理

如果你的机器人加入了多个群，可以为不同的群配置不同的知识库和Agent角色。比如，在“班级群”里，它是严肃的助教；在“社团游戏群”里，它可以是一个会讲笑话的伙伴。这可以通过在OpenClaw中为不同的WebSocket连接路径配置不同的Agent来实现。

整个项目从构想到落地，最深的体会是：技术是为场景服务的。OpenClaw和QQ机器人的结合，提供了一个低成本、高自由度的智能体落地范式。它不再是一个遥不可及的实验室概念，而是任何一个有基本运维能力的开发者或学生都能玩转的工具。过程中最大的挑战往往不是代码本身，而是对需求的精准把握、对提示词的反复打磨，以及对整个系统稳定性的细致运维。当你看到群里的同学开始习惯性地@机器人问问题，并且能得到靠谱的回复时，那种成就感远超单纯完成一个技术项目。这个“AI学长”就像你在数字世界里的一个分身，默默地为集体提供着价值。

# 腾讯云
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