OpenClaw多终端控制方案：百川2-13B模型+飞书+网页端协同操作

1. 为什么需要多终端协同控制

去年我接手了一个跨时区的项目协调工作，经常需要在凌晨三点爬起来查看任务进度。这种反人类的作息让我开始思考：有没有可能让AI助手帮我24小时盯着项目，而我只需要在手机上偶尔确认关键节点？

这就是我探索OpenClaw多终端方案的初衷。通过将百川2-13B模型作为决策大脑，配合飞书即时通讯和网页控制台，最终实现了：

• 早晨用网页端创建日报生成任务
• 通勤时用飞书查看实时日志
• 午休时用手机审核最终报告 三个终端无缝衔接的工作流。下面分享我的具体实现路径和踩坑经验。

2. 基础环境搭建

2.1 模型部署选择

我测试了多个量化版本的百川模型，最终选择Baichuan2-13B-Chat-4bits是因为：

• 显存占用仅10GB左右（我的RTX 3090轻松驾驭）
• 中英文混合场景下性能损失不到2%
• 支持商用授权（适合我的小团队协作场景）

部署命令非常简单：

docker run -d --gpus all -p 8000:8000 baichuan2-13b-chat:4bit-webui

但这里有个隐藏坑点：第一次启动时WebUI会自动下载约8GB的模型文件。我的解决方案是：

1. 提前用wget下载好模型文件
2. 通过-v参数挂载到容器内指定路径
3. 设置环境变量SKIP_DOWNLOAD=1

2.2 OpenClaw核心配置

在~/.openclaw/openclaw.json中配置模型端点：

{
  "models": {
    "providers": {
      "baichuan-local": {
        "baseUrl": "http://localhost:8000/v1",
        "api": "openai-completions",
        "models": [{
          "id": "baichuan2-13b-chat",
          "name": "本地百川13B"
        }]
      }
    }
  }
}

关键验证步骤：

openclaw models test baichuan2-13b-chat -p "你好"

如果返回正常响应但中文乱码，可能是Docker容器缺少中文字体，需要重建容器并安装fonts-wqy-zenhei。

3. 多终端接入实战

3.1 网页控制台任务创建

访问http://localhost:18789进入控制台后，我习惯用"任务模板"功能保存常用工作流。比如这个日报生成模板：

name: 项目日报生成
steps:
  - action: collect_data
    source: jira
    query: "project=DEMO updated>=-1d"
  - action: generate_report
    format: markdown
    style: "简洁技术风"
  - action: deliver
    channel: feishu
    recipients: "项目管理群"

实践发现两个优化点：

1. 复杂任务建议先用dry-run模式测试步骤拆解
2. 百川模型对YAML格式特别敏感，缩进错误会导致任务卡住

3.2 飞书实时监控配置

在飞书开放平台创建应用时，务必注意：

• 需要开启"机器人"和"消息与群组"权限
• IP白名单要包含OpenClaw服务所在服务器的公网IP

我的消息卡片模板是这样设计的：

{
  "header": {
    "template": "blue",
    "title": {
      "content": "任务进度提醒",
      "tag": "plain_text"
    }
  },
  "elements": [{
    "tag": "markdown",
    "content": "**任务ID**: {{task_id}}\n**进度**: {{progress}}%"
  }]
}

实际使用中发现，百川模型处理飞书消息模板时有这些特点：

• 对Markdown语法理解准确
• 能自动填充变量但偶尔会漏掉花括号
• 中文标点转换有时会出错（英文引号变中文引号）

3.3 手机端结果审核

通过飞书小程序可以完成最终审核，我设计了一套简单的审批流：

1. 任务完成后生成含水印的PDF预览
2. 飞书推送审批卡片（含"通过"/"驳回"按钮）
3. 点击按钮触发OpenClaw后续动作

这里遇到的最大挑战是移动端和PC端的cookie同步问题。解决方案是在nginx配置中添加：

proxy_cookie_path / "/; secure; HttpOnly; SameSite=None";

4. 性能优化经验

4.1 模型响应加速

百川13B在消费级GPU上的平均响应时间是3-5秒，对于即时交互场景来说还是太慢。我通过以下方法优化到1-2秒：

• 启用tensor_parallel_size=2充分利用多GPU
• 使用vllm作为推理后端
• 限制最大token数为512

4.2 多终端状态同步

最初各终端经常显示不一致的任务状态，后来引入Redis作为中央状态机：

import redis
r = redis.Redis()

def update_task(task_id, status):
    r.hset(f"task:{task_id}", mapping={
        "status": status,
        "updated": time.time()
    })
    r.publish(f"channel:{task_id}", status)

5. 典型工作流示例

以我每天早上的"自动化日报"流程为例：

1. 网页端（07:30）：

   • 创建任务："生成DEMO项目昨日进展报告"
   • 附加指令："重点标注阻塞问题"

2. 飞书移动端（07:35）：

   • 收到任务启动通知
   • 查看实时日志："正在从Jira提取23条issue记录"

3. 百川模型（07:37）：

   • 分析issue数据
   • 生成含优先级排序的Markdown草案

4. 手机审核（07:40）：

   • 预览报告并点击"通过"
   • 系统自动发布到团队知识库

整个过程中，模型消耗约1800 tokens，相当于花费不到0.1元就省去了我半小时的手动操作。

6. 安全注意事项

在多终端场景下要特别注意：

1. 飞书通道必须配置app_secret加密验证
2. 网页控制台要启用HTTPS和基础认证
3. Redis连接需要密码保护
4. 模型API建议增加速率限制

我的安全配置片段：

location /v1/ {
    limit_req zone=model burst=5;
    auth_basic "Restricted";
    auth_basic_user_file /etc/nginx/.htpasswd;
    proxy_pass http://baichuan-api;
}

---

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。