离线环境部署指南：OpenClaw+nanobot在内网机器的适配

1. 为什么需要离线部署方案

上周在帮某研究所部署自动化工具时，遇到了一个典型问题：他们的内网服务器完全隔离，无法连接外网下载依赖包。这让我意识到，很多特殊场景（军工、实验室、金融等）都需要完整的离线部署方案。经过三天折腾，终于摸索出一套可靠的OpenClaw+nanobot内网部署方法。

与常规安装不同，离线部署需要解决三个核心问题：

• 依赖包缺失：无法通过npm install在线获取
• 模型服务本地化：不能依赖云端API
• 更新机制禁用：避免触发外网连接

nanobot镜像恰好解决了最棘手的模型部署问题。这个超轻量级方案内置了Qwen3-4B模型，通过vllm提供本地推理服务，完美契合内网环境需求。

2. 离线环境准备要点

2.1 硬件与系统要求

在开始前，请确保目标机器满足：

• x86_64架构（暂不支持ARM）
• 最低32GB内存（运行Qwen3-4B模型需要）
• Ubuntu 20.04/22.04或CentOS 7+系统
• 至少50GB可用磁盘空间

特别提醒：如果机器有NVIDIA显卡，建议提前安装好CUDA 11.8驱动，这能让vllm的推理速度提升3-5倍。

2.2 离线资源包准备

需要在外网环境提前下载：

1. OpenClaw离线安装包（含所有node_modules）

   npm pack openclaw@latest
   

   会生成类似openclaw-1.2.3.tgz的文件

2. nanobot镜像压缩包

   docker save nanobot > nanobot.tar
   

3. Python依赖包（创建离线仓库）

   pip download -r requirements.txt --platform manylinux2014_x86_64
   

建议将所有资源打包成ISO文件，方便通过物理介质传输。我通常会按这个目录结构组织：

offline_package/
├── openclaw/
│   ├── openclaw-1.2.3.tgz
│   └── clawhub-0.8.1.tgz  
├── docker/
│   └── nanobot.tar
└── python/
    ├── chainlit-0.12.0-py3-none-any.whl
    └── vllm-0.3.0-cp310-cp310-manylinux1_x86_64.whl

3. 关键部署步骤详解

3.1 基础环境配置

首先在内网机器上配置离线环境：

# 创建离线pip源
mkdir -p /opt/pypkg
tar xzf python_deps.tar.gz -C /opt/pypkg
pip config set global.index-url "file:///opt/pypkg"

# 加载docker镜像
docker load < nanobot.tar

这里有个坑点：某些系统默认的glibc版本可能不兼容。如果遇到version GLIBC_2.28 not found错误，需要手动升级基础库。我的解决方案是携带编译好的高版本glibc离线包。

3.2 OpenClaw离线安装

不同于在线安装，离线部署需要手动处理依赖：

# 安装Node.js运行环境（需提前准备离线包）
tar xzf node-v18.16.0-linux-x64.tar.gz -C /usr/local

# 安装OpenClaw
npm install -g ./openclaw-1.2.3.tgz --offline

# 验证安装
openclaw --version

如果安装失败，通常是因为缺少系统库。我整理了常见依赖的离线安装方法：

# 示例：离线安装libvips
dpkg -i libvips-8.14.1.x86_64.deb

3.3 nanobot模型服务启动

nanobot镜像已经内置了模型和chainlit界面，启动非常简单：

docker run -d --name nanobot \
  -p 8000:8000 \
  -p 8001:8001 \
  --gpus all \
  nanobot:latest \
  --model qwen3-4b-instruct \
  --trust-remote-code

启动后可以通过http://localhost:8001访问Web界面。这里要注意两点：

1. 首次加载模型需要5-10分钟（视机器性能而定）
2. 如果报CUDA错误，尝试添加--env CUDA_VISIBLE_DEVICES=0

4. OpenClaw与本地模型对接

4.1 配置文件修改

关键是要让OpenClaw使用本地的nanobot服务。编辑~/.openclaw/openclaw.json：

{
  "models": {
    "providers": {
      "nanobot-local": {
        "baseUrl": "http://localhost:8000/v1",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3-4b-instruct",
            "name": "Local Qwen 4B",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

4.2 服务连通性测试

执行以下命令验证：

openclaw gateway restart
openclaw models list

正常应该看到类似输出：

PROVIDER        MODEL ID                STATUS  
nanobot-local   qwen3-4b-instruct      active

如果显示connection refused，检查nanobot容器是否正常运行，以及防火墙是否放行了8000端口。

5. 特殊配置与优化

5.1 彻底禁用更新检查

在内网环境中，我们需要关闭所有可能的对外连接：

{
  "updates": {
    "enabled": false,
    "channel": "disable"
  },
  "telemetry": {
    "enabled": false
  }
}

5.2 内存优化技巧

Qwen3-4B模型在32GB内存机器上可能比较吃紧。可以通过这些参数优化：

docker run ... \
  --env MAX_MODEL_LEN=4096 \
  --env TENSOR_PARALLEL_SIZE=2 \
  --env QUANTIZATION=awq

这能降低约40%的内存占用，代价是略微降低推理质量。

6. 典型问题排查

6.1 模型加载失败

如果nanobot日志出现OutOfMemoryError：

1. 尝试减小MAX_MODEL_LEN
2. 添加swap空间：

   fallocate -l 16G /swapfile
   mkswap /swapfile
   swapon /swapfile
   

6.2 中文乱码问题

在纯内网环境可能缺少中文字体：

# 从外网机器拷贝字体
scp /usr/share/fonts/winfonts/simhei.ttf user@内网机器:/usr/share/fonts/
fc-cache -fv

7. 实际应用示例

部署完成后，可以尝试这些内网自动化场景：

• 日志监控：定时扫描/var/log目录，发现异常关键词自动告警
• 数据整理：将每日生成的实验数据自动归类到指定目录
• 报告生成：根据模板将CSV数据转换为Word周报

例如创建一个日志监控任务：

openclaw tasks create \
  --name "error-log-monitor" \
  --schedule "*/30 * * * *" \
  --command "grep -rn 'ERROR' /var/log > /tmp/error-report.txt"

---

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。