部署环境对比
部署环境对比
Part 2：OpenClaw 部署环境对比
四大平台各有所长——没有"不能用"的平台，只有"最适合"的平台。这一章用数据和事实帮你做判断。
引言
你可能听过这样的说法："Linux 才是最稳定的""Mac 体验最好""Windows 装不了"。这些说法有几分真、几分假？
实际情况是：OpenClaw 在 Windows、macOS、Linux、云端四大平台上的体验差距确实存在，但远没有传言中那么极端。Windows 不是"装不了"，而是"需要多走一步"；Mac 不是"最好"，而是"功能最全"；Linux 不是"最难"，而是"最适合生产环境"。
这一章，我们不站队、不偏向，用真实的数据、GitHub Issues 记录和社区反馈帮你做判断。每个平台的稳定性如何？功能完整度多少？有哪些独占特性和已知坑点？哪些场景该选哪个平台？读完之后，你就知道自己该把 OpenClaw 装在哪里了。
Part 1 我们选好了"版本"，现在来选"地址"。
2.1 四大平台支持概览
在展开各平台的详细分析之前，我们先用一张表建立全局认知。这张表是整个 Part 2 的速查锚点——后面每个章节都是在展开解释这张表里的某一行。
核心指标对比表
| 维度 | Windows (原生) | Windows (WSL2) | macOS | Linux | 云端 |
|---|---|---|---|---|---|
| 官方定位 | ❌ 非一等公民 | ✅ 官方推荐 | ✅ 一等公民 | ✅ 原生平台 | ✅ 一键部署 |
| 稳定性 | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 功能完整度 | 60% | 90% | 100% | 95% | 85% |
| 部署难度 | 难 | 中等 | 简单 | 简单 | 极简 |
| RAM 占用 | 不推荐 | 11-17GB | 3-5GB | 2-4GB | 取决于实例 |
| 7x24 运行 | ❌ 不稳定 | ⚠️ 更新中断 | ✅ 可靠 | ✅ 最佳 | ✅ 依赖 SLA |
| 本地模型 | ❌ | ⚠️ 有限 | ✅ | ✅ 最佳 | ⚠️ 需 GPU 实例 |
| 维护成本 | 高 | 中 | 低 | 低 | 低（托管） |
| 适合场景 | 仅测试 | 开发/个人 | 开发/个人 | 生产/服务器 | 运营/7x24 |
怎么读这张表？
几个关键维度的含义需要对齐，避免产生误解：
- 稳定性：长时间运行不出问题的概率。五星意味着可以月不重启；两星意味着核心流程可能走不通
- 功能完整度：以 macOS 全功能版本为 100% 基准。Windows 原生（60%）缺失的功能最多，具体包括：
| 缺失类别 | 具体功能 | 原因 |
|---|---|---|
| 进程守护 | LaunchAgent 开机自启 + 崩溃恢复 | macOS 专属系统 API |
| 系统集成 | 菜单栏常驻 App、TCC 权限管理 | Apple 系统框架 |
| 消息通道 | iMessage 直连对话 | Apple 生态独占 |
| 多媒体 | Camera 集成、Screen Recording | macOS 系统权限 |
| 核心流程 | 安装/启动/Dashboard 存在已知 Bug | 兼容性缺陷（详见 2.2 节） |
- WSL2 方案（90%）解决了大部分兼容性问题，因为它运行的是真实 Linux 内核。但 LaunchAgent、菜单栏 App、iMessage、TCC 权限管理等 macOS 独占功能在 WSL2 下同样无法获得——这些功能依赖 Apple 系统 API，与操作系统无关。Linux 缺少 iMessage 等 macOS 独占通道所以是 95%；云端因网络限制和容器环境损失一些能力所以是 85%
- 部署难度：从零到运行需要多少步骤和前置知识。macOS 三步搞定，Windows 原生则可能在第一步就卡住
- RAM 占用：这是社区实测数据。Linux 的 2-4GB 和 WSL2 的 11-17GB 差距之所以这么大，是因为 WSL2 需要运行一个完整的 Linux 内核 + Hyper-V 虚拟化层，而 Windows 宿主机本身也在消耗内存
带着这张全局图谱，我们来逐一展开每个平台的细节。
2.2 Windows：能用，但要走对路
写在最前面：如果你是 Windows 用户，请先放心——Windows 完全可以运行 OpenClaw。这一节不是在"劝退"你，而是在帮你选对路线，避免踩坑。
Windows 的真实现状
OpenClaw 官方在文档中明确表态：
"OpenClaw on Windows should be deployed through WSL2 (Ubuntu preferred) rather than native Windows."
这句话的含义是：Windows 不是不行，而是要走 WSL2 这条路。
打个比方：在 Windows 上开发 iOS App 需要安装模拟器，在 Windows 上跑 OpenClaw 需要安装 WSL2——本质上都是"借用一个正确的运行环境"。这并不意味着 Windows 用户是"二等公民"。通过 WSL2 部署后，你获得的体验和原生 Linux 几乎没有区别。
三种 Windows 方案对比
| 方案 | 可行性 | 稳定性 | 推荐度 | 一句话说明 |
|---|---|---|---|---|
| WSL2 + Ubuntu | ✅ 可行 | ⭐⭐⭐⭐ | 官方推荐 | 一次设置，长期稳定。微软在 WSL2 上投入了大量工程资源 |
| 原生 Windows | ⚠️ 部分可行 | ⭐⭐ | 不推荐 | 6 个已确认 Bug，核心流程可能走不通 |
| Docker Desktop | ✅ 可行 | ⭐⭐⭐ | 替代方案 | 能用，但 Docker Desktop 本身占 2-4GB RAM，总开销最大 |
我们的建议很明确：走 WSL2。下面详细解释为什么。
原生 Windows 的已知问题
不回避缺点，是建立信任的最好方式。以下是 GitHub Issues 中已确认的原生 Windows 问题——每一个都有真实用户的复现记录和开发者的确认：
| # | 问题描述 | GitHub Issue | 严重度 | 影响范围 |
|---|---|---|---|---|
| 1 | 安装程序在全新 Win11 上崩溃，PowerShell 立即关闭 | #38054 | 🔴 高 | 安装流程 |
| 2 | Gateway 进程残留导致重启一致性失败，报"端口被占用" | #41804 | 🔴 高 | 启动流程 |
| 3 | Dashboard 打开显示 "Not Found"，macOS 正常 | #37036 | 🔴 高 | 管理界面 |
| 4 | OAuth 登录流程在回调阶段失败（TypeError: fetch failed） | #45036 | 🟡 中 | 账号认证 |
| 5 | 打开配置界面便卡住崩溃 | #40836 | 🟡 中 | 配置管理 |
| 6 | 重启脚本弹出多个命令行窗口（缺少 windowsHide: true） | #44693 | 🟢 低 | 用户体验 |
问题 1-3 直接影响安装、启动和管理这三个核心流程。这不是"偶尔有小问题"，而是核心流程可能走不通。如果你在原生 Windows 上遇到了类似的问题，不必怀疑是自己操作有误——这就是已知的兼容性缺陷。
WSL2 方案：Windows 用户的正确打开方式
WSL2（Windows Subsystem for Linux 2）是微软官方提供的 Linux 子系统。关键信息：它运行的是真实的 Linux 内核，不是模拟器，不是兼容层。对 OpenClaw 来说，WSL2 环境就是一个标准的 Linux 环境。
核心流程只需 4 步：
① 安装 WSL2 ② 装 Node.js ③ 装 OpenClaw ④ 运行引导
wsl --install → 22 LTS → npm install -g → openclaw onboard
（PowerShell 一条命令） （进入 Ubuntu 后操作） openclaw --install-daemon
安装 WSL2 本身只需要一条 PowerShell 命令（wsl --install），重启电脑后自动进入 Ubuntu 环境。之后在 Ubuntu 里的操作体验就和原生 Linux 完全一致——安装 Node.js、安装 OpenClaw、运行引导向导，整个过程不超过 15 分钟。
WSL2 还支持 systemd，这意味着你可以用 Linux 标准的方式管理 OpenClaw 服务——开机自启、崩溃恢复、日志收集，一切和原生 Linux 一样。
WSL2 方案的代价
任何方案都有代价，WSL2 也不例外。了解这些代价，才能做出知情的决策：
| 代价 | 具体影响 | 严重程度 | 应对建议 |
|---|---|---|---|
| 内存开销 | WSL2 默认预留 4GB，加上 Windows 宿主机，总占用 11-17GB | 🟡 中 | 16GB 是底线，32GB 更从容 |
| 跨文件系统性能 | WSL 内与 Windows 之间的文件操作慢 5-10 倍 | 🟢 低 | 把文件都放在 WSL 内（/home/ 路径），不要用 /mnt/c/ |
| IP 地址不稳定 | WSL IP 每次重启后变化，端口转发规则需刷新 | 🟡 中 | 用脚本自动更新端口转发规则 |
| 系统更新中断 | Windows 强制更新重启会中断 WSL2 服务 | 🟡 中 | 设置活动时间、延迟非安全更新 |
| 虚拟化开销 | Hyper-V 虚拟化层增加 5-15% CPU 开销 | 🟢 低 | 对 OpenClaw 影响不大 |
内存开销是最值得关注的代价。如果你的电脑只有 8GB RAM，WSL2 方案会让系统捉襟见肘——8GB 建议直接放弃本地部署，考虑云端方案（2.5 节，68 元/年起）。
好消息是，跨文件系统性能这个问题几乎不影响 OpenClaw——只要你把所有文件都放在 WSL 内部的 /home/ 路径下，而不是 Windows 的 /mnt/c/ 路径下，就不会触发性能瓶颈。
Windows 特有注意事项
| 问题 | 说明 | 应对方式 |
|---|---|---|
| 杀毒软件 | Windows Defender 或第三方杀软可能阻止 OpenClaw 的 Node.js 进程 | 将 Node.js 和 OpenClaw 安装目录加入白名单 |
| 防火墙 | 默认阻止端口 18789（Dashboard 端口） | 手动在入站规则中放行 18789 |
| 内存需求 | 16GB 是底线，8GB 建议放弃 WSL2 | 内存不足选云端部署（2.5 节） |
| 系统更新 | 强制重启中断 7x24 运行 | 设置活动时间，延迟更新 |
| 路径分隔符 | 跨 WSL/Windows 路径时 / vs \ 容易搞混 | 尽量在 WSL 内操作，避免跨文件系统 |
给 Windows 用户的一句话建议
电脑内存 >= 16GB：安装 WSL2，在 Ubuntu 中部署 OpenClaw，体验不输 Linux。
内存不足或不想折腾 WSL2：直接看 2.5 节云端部署方案，68 元/年起，比折腾本地更省心省力。
2.3 macOS：OpenClaw 的"主场"
为什么 macOS 是最佳体验？
这不是主观偏好，而是工程事实。OpenClaw 的创始人 Peter Steinberger 本人是 Apple 生态开发者，项目从第一天起就在 macOS 上开发和测试。可以说 OpenClaw 是在 Apple 生态中长大的。
体现在数据上：macOS 功能完整度 100%（其他平台都以它为基准）、独占功能最多（7 项）、已知 Bug 最少、社区教程最丰富。
macOS 独占功能一览
这张表展示的是只有 macOS 才有的功能。其他平台无论怎么配置都无法获得——因为它们依赖 Apple 的系统 API：
| 独占功能 | 说明 | 实际价值 |
|---|---|---|
| LaunchAgent 守护 | 开机自启 + 崩溃自恢复，零配置 | 7x24 运行的基石——装好就不用管了 |
| 菜单栏常驻 | 原生菜单栏图标，实时显示状态和通知 | 随时掌握 OpenClaw 运行状态 |
| iMessage 通道 | 用 Mac 的 iMessage 直接与 AI 对话 | Apple 生态用户的专属便利 |
| TCC 权限管理 | 系统级安全控制（通知/辅助功能/屏幕录制/麦克风） | 比手动配置安全策略更优雅 |
| Camera 集成 | 摄像头直连 OpenClaw | 多模态交互基础 |
| Screen Recording | 屏幕录制工具集成 | 视觉感知能力 |
| Canvas 工具 | UI 渲染和交互 | 可视化交互能力 |
其中 LaunchAgent 值得多说一句。Linux 上的 systemd 虽然也能实现类似的进程守护，但 macOS 的 LaunchAgent 是零配置的——安装时 openclaw onboard --install-daemon 一条命令就搞定，不需要手写 service 文件、不需要 enable-linger、不需要设置 XDG_RUNTIME_DIR。对于不熟悉 Linux 运维的用户来说，这个差距是显著的。
Apple Silicon 的额外优势
如果你用的是 M 系列芯片的 Mac（M1/M2/M3/M4），还能获得三个硬件层面的加成：
| 优势 | 细节 | 为什么重要 |
|---|---|---|
| 统一内存 | M3/M4 Max 最高 128GB 统一内存，CPU 和 GPU 共享 | 可以直接加载超大本地模型——Ollama 跑 230B MoE 模型（如 MiniMax M2.5）都不在话下 |
| 能效比 | 待机功耗极低，Mac mini 待机只有 2-5W | 7x24 运行电费可忽略不计，对比 Windows 台式机待机 10-20W |
| Metal GPU | Apple Metal 框架加速部分本地模型推理 | 虽然不如 NVIDIA CUDA 生态成熟，但 Ollama 已经做了很好的适配 |
一个真实的使用场景：如果你有一台 M4 Max 96GB 的 MacBook Pro，可以同时运行 OpenClaw Gateway + Ollama 加载 Qwen3-32B 模型，全部在本地完成，数据完全不出设备，而且续航依然能撑半天以上。这种"全本地、零依赖"的体验，目前没有其他平台能复制。
macOS 注意事项
虽然 macOS 是最佳平台，但也有几个需要注意的小坑：
- 避免 iCloud 同步：配置目录
~/.openclaw千万不要放在 iCloud 同步路径下，否则多设备同步会导致配置冲突和数据损坏 - 不推荐用 Bun 运行时：官方测试发现 Bun 在 WhatsApp/Telegram 通道上有兼容问题，老老实实用 Node.js
- exec-approvals.json：
system.run命令的白名单需谨慎配置——它控制着 OpenClaw 能在你电脑上执行哪些系统命令，配置过宽有安全风险
macOS 的部署流程堪称全平台最简：安装 Node.js → 安装 OpenClaw → 运行引导向导，三步搞定，总耗时不超过 10 分钟。
2.4 Linux：生产环境的首选
Linux 为什么是生产首选？
macOS 体验最好，但如果要部署一个 7x24 稳定运行的生产级 OpenClaw 实例，Linux 才是正解。原因在底层：
| 优势 | 技术解释 | 对比其他平台 |
|---|---|---|
| Node.js 原生土壤 | epoll、inotify、信号处理——所有系统调用都是直接的，没有兼容层、没有翻译开销 | macOS 用 kqueue（微小差异），Windows 需要 libuv 翻译层 |
| Docker 零虚拟化 | Docker 在 Linux 上共享主机内核，容器进程和宿主机普通进程没有本质区别 | macOS Docker Desktop 需要跑 Linux VM；Windows 更是需要 WSL2 + Hyper-V |
| systemd 企业级 | 崩溃自恢复、journalctl 日志、cgroups 资源限制、依赖管理——验证了二十多年的成熟方案 | macOS 有 LaunchAgent（也不错），Windows 计划任务相对原始 |
| 资源占用最低 | OpenClaw 实测仅需 2-4GB RAM 即可稳定运行 | WSL2 需要 11-17GB，macOS 需要 3-5GB |
支持的发行版
| 发行版 | 推荐度 | 说明 |
|---|---|---|
| Ubuntu 22.04 / 24.04 | ⭐⭐⭐⭐⭐ | 官方教程主要基于 Ubuntu，遇到问题最容易搜到答案 |
| Debian 12 (Bookworm) | ⭐⭐⭐⭐⭐ | Docker 官方镜像基于 Debian，生产环境首选 |
| CentOS / RHEL | ⭐⭐⭐⭐ | 企业常见环境，需手动安装 Node.js |
| Alpine | ⭐⭐⭐ | 极致轻量，Docker 镜像仅数十 MB |
| Arch / Fedora | ⭐⭐⭐ | 社区有安装指南，适合爱折腾的用户 |
没有特别偏好？选 Ubuntu 22.04。不是因为它技术上最优，而是因为"出问题时最容易搜到答案"——这在实际使用中的价值远超技术参数的细微差异。
三种部署方式
Linux 的灵活性体现在部署方式的多样性。三种方式对应三种不同的运维水平和使用场景：
| 部署方式 | 适合场景 | 技术门槛 | 安全隔离 | 推荐度 |
|---|---|---|---|---|
| npm 全局安装 + systemd | 个人服务器、VPS | 低 | 一般 | 个人首选 |
| Docker 容器 | 生产环境、多服务共存 | 中 | ✅ 好 | 生产首选 |
| Docker + Kubernetes | 企业级、多节点高可用 | 高 | ✅ 最佳 | 企业级 |
选择建议：个人用户直接 npm 安装就够了，不要过度工程化。Docker 方案留给需要安全隔离或多服务共存的场景。Kubernetes 只有真正需要弹性伸缩和多节点高可用时才值得投入。
npm + systemd 方案是最直接的路径：三条命令安装、一个 systemd service 文件管理进程、用 loginctl enable-linger 确保 SSH 断开后服务继续运行。整个过程不超过 10 分钟。
Docker 方案的核心优势在于安全隔离——OpenClaw 运行在一个沙箱容器里，即使 Agent 执行了恶意命令也不会影响宿主机。对于跑在公网上的生产实例来说，这层隔离值得额外的配置成本。
离线部署方案
100% 纯离线部署是 Linux 的独占优势场景。在完全断网的内网环境中（政企、军工、金融合规），只有 Linux 能可靠地实现全离线部署。
部署思路分两步：
┌─ 有网环境（准备阶段）──────────────────────────────┐
│ 1. 下载 OpenClaw npm 包及全部依赖 │
│ 2. 下载 Node.js 安装包 │
│ 3. 下载 Ollama + 模型权重文件（几 GB ~ 几十 GB） │
│ 4. 打包为 tar 包或 Docker 镜像 │
└────────────────────────────────────────────────────┘
↓ USB / 内网传输
┌─ 离线环境（部署阶段）──────────────────────────────┐
│ 1. 安装 Node.js │
│ 2. npm install 从本地 tar 包 │
│ 3. 安装 Ollama，导入本地模型权重 │
│ 4. 配置 OpenClaw 指向本地 Ollama 端点 │
│ 5. 启动 Gateway → 完全离线运行 │
└────────────────────────────────────────────────────┘
Docker 离线方案更简洁：在有网环境中 docker save 导出镜像，传输到离线环境后 docker load 导入，一条 docker compose up -d 就能启动。
无 systemd 环境（容器/AutoDL）
一些特殊环境——比如 AutoDL 的 Docker 容器、部分轻量 VPS——没有 systemd。这种情况下有三种替代方案：
| 方案 | 命令示例 | 特点 |
|---|---|---|
| screen | screen -dmS openclaw bash -c 'openclaw gateway' | 最简单，可随时 attach 查看日志 |
| nohup | nohup openclaw gateway > /tmp/openclaw.log 2>&1 & | 标准 Unix 方式，后台静默运行 |
| supervisor | 配置文件管理 | 类 systemd 体验，支持自动重启 |
这不是什么大问题——无 systemd 只是少了"自动管理"的便利，手动管理一样能稳定运行。我们后续的 Mac 本地部署实战课中在 AutoDL 上部署 OpenClaw，用的就是 screen 方案。
2.5 云端部署：零运维的选择
什么样的人应该选云端？
如果你满足以下任一条件，云端部署就是你的最优解：
- 不想折腾本地环境配置——"装东西"本身就让你头疼
- 需要 7x24 稳定在线（比如挂飞书/钉钉/Telegram 机器人）
- 电脑内存不足 16GB——本地跑 WSL2 会很吃力
- 只想用在线 API，不需要本地模型——服务器不需要 GPU
国内云厂商一键部署
国内主流云厂商都已提供 OpenClaw 的预装镜像，部署时间可以压缩到 5 分钟以内：
| 厂商 | 方案 | 最低价格 | 推荐配置 | 亮点 |
|---|---|---|---|---|
| 阿里云 | 轻量应用服务器 | 68 元/年 | 2C2G 40GB | 预装 OpenClaw 镜像，最省心 |
| 腾讯云 | Lighthouse | 99 元/年 | 2C2G 50GB | 控制台可视化配置 |
| 百度云 | 轻量服务器 | 0.01 元/月 | 2C2G | "穷鬼套餐"，适合试用体验 |
| 火山引擎 | 云服务器 | 类似价位 | 2C4G | 有详细踩坑文档 |
68 元/年是什么概念？一杯奶茶钱就能让 OpenClaw 7x24 在线跑一整年。不用担心内存不够、系统更新中断、杀毒软件干扰这些本地部署的烦心事。
下面是四家云厂商的产品页面实拍，可以直接点击链接查看详细的部署教程和价格信息：
阿里云 — 提供 OpenClaw 预装镜像，部署最省心：
🔗 阿里云帮助文档：https://help.aliyun.com/zh/simple-application-server/use-cases/quickly-deploy-and-use-openclaw
腾讯云 — Lighthouse 轻量应用服务器，控制台可视化配置：
🔗 腾讯云 Lighthouse：https://cloud.tencent.com/product/lighthouse
百度智能云 — 轻量应用服务器，推出过 OpenClaw 限时免费一键部署活动：
🔗 百度智能云轻量服务器：https://cloud.baidu.com/product/lightserver.html
火山引擎 — 字节跳动旗下云平台，ECS 云服务器方案：
🔗 火山引擎 ECS：https://www.volcengine.com/product/ecs
选哪家没有本质区别，看哪家有活动价即可。如果没有特别偏好，阿里云 68 元/年的轻量应用服务器是当前性价比最高的选择——预装镜像省去了所有配置步骤。
云端部署的优势与限制
每个技术选择都有两面性。云端部署省心，但也要清楚它的边界：
| 维度 | 优势 | 限制 |
|---|---|---|
| 部署难度 | 一键部署，5 分钟上手 | 需懂最基础的云服务概念（安全组、SSH） |
| 7x24 运行 | 天然支持，不受本地开关机影响 | 依赖云厂商 SLA，免费试用实例可能被回收 |
| 安全性 | 天然网络隔离 | Dashboard 暴露在公网需配安全组，建议走 SSH 隧道 |
| 本地模型 | 需另租 GPU 实例（价格较高） | 普通 2C2G 实例只能调用在线 API |
| 网络 | 国内直连各大 API | 无法直连 HuggingFace / GitHub，需用国内源 |
| 数据安全 | 取决于云厂商的安全机制 | 敏感场景需评估合规性 |
云 GPU 方案
如果你想在云端跑本地模型（而不是调用在线 API），就需要 GPU 实例。以下是国内主流的按需 GPU 云平台：
| 平台 | 可用 GPU | 参考价格 | 适用场景 |
|---|---|---|---|
| AutoDL | A800 80GB / A100 / 3090 | ¥2-6/小时 | 大模型推理，按需使用性价比最高 |
| 恒源云 | A100 / 3090 / 4090 | ¥1-4/小时 | 中等模型，竞品替代 |
| 阿里云 GPU | V100 / A10G | 包月制 | 企业级、固定需求 |
GPU 云的核心逻辑是按需使用——你不需要 7x24 跑着一块 A800。实际使用中，大多数场景是"白天开机跑推理，晚上关机省钱"。一天用 8 小时，A800 的日成本也就 20-48 元，远低于自购硬件的摊销成本。
其中 AutoDL 是国内开发者使用最广泛的 GPU 云平台之一，以高性价比和丰富的 GPU 型号选择著称：
🔗 AutoDL 官网：https://www.autodl.com
课程预告：本课程后续在 OpenClaw + 开源模型部署的章节（Part 2），就是使用 AutoDL 作为云服务器环境，搭配 Qwen3.5 开源模型 + 本地 OpenClaw 混合方案进行实操演示。届时你将亲手在 AutoDL 的 A800 80GB GPU 上部署 vLLM + Qwen3.5，并将其接入 OpenClaw Gateway，体验完整的"云端大模型 + 本地智能体"工作流。
云端 + 本地混合方案
真正聪明的做法是让合适的东西跑在合适的地方：
┌─ 云服务器（68 元/年，7x24 运行）─────────────────┐
│ OpenClaw Gateway（消息接收和路由） │
│ 消息通道（飞书 / 钉钉 / Telegram） │
│ 调用在线 API（日常轻量任务） │
└──────────────┬────────────────────────────────────┘
│ 需要本地推理时，通过 API 调用
▼
┌─ 本地 GPU 服务器（按需启动）──────────────────────┐
│ Ollama / vLLM 本地推理 │
│ 大模型权重存储 │
│ 计算密集型 / 隐私敏感任务 │
└───────────────────────────────────────────────────┘
这种架构的好处是：
- Gateway 7x24 在线接收消息（68 元/年的成本可以忽略）
- 本地 GPU 只在需要时启动（节省大量算力费用）
- 隐私敏感的数据留在本地处理（合规友好）
2.6 本地模型集成概览
OpenClaw 的一大卖点是可以对接本地模型，完全摆脱对在线 API 的依赖。这一节帮你快速了解：需要哪些组件？你的硬件能跑多大的模型？
三大推理框架对比
把大模型跑起来需要一个"推理框架"——它负责加载模型权重、处理推理请求、对外暴露 API。目前主流的四个选择：
| 框架 | 易用性 | 并发吞吐 | 适合场景 | OpenClaw 兼容 |
|---|---|---|---|---|
| Ollama | ⭐⭐⭐⭐⭐ | 低 | 个人使用，一键安装即跑 | ✅ |
| vLLM | ⭐⭐⭐ | 极高（16x+） | 生产部署，多并发场景 | ✅（推荐） |
| LM Studio | ⭐⭐⭐⭐ | 低 | 桌面用户，GUI 操作 | ✅ |
| llama.cpp | ⭐⭐ | 中 | 极致性能、边缘设备、CPU 推理 | 需适配 |
一句话选择指南：个人用 Ollama，生产用 vLLM。
展开说几句：Ollama 的核心价值是简单——ollama run qwen3:32b 一条命令就能下载模型并启动推理，它自动管理模型权重、量化格式、GPU 调度。代价是并发能力有限，不适合多人或多 Agent 同时使用。
vLLM 是另一个方向——它使用 PagedAttention 技术，能在相同 GPU 显存下支持比 Ollama 高 3-5 倍的并发吞吐。如果你需要在一台 A800 上同时服务多个 Agent（比如 Agent Swarm 场景），vLLM 是唯一合理的选择。
所有框架都通过 OpenAI 兼容 API 与 OpenClaw 对接——配置方式完全相同，只需要填写 base_url 和 model 两个参数。
Ollama：个人使用的首选
Ollama 的设计哲学是"像用 Docker 一样用大模型"——一条命令下载、一条命令运行，对新手极其友好。
🔗 Ollama 官网：https://ollama.com
🔗 Ollama GitHub：https://github.com/ollama/ollama
Ollama 支持 macOS、Linux、Windows 三大平台，安装后 ollama run qwen3:32b 即可自动下载模型并启动推理服务。它的模型库覆盖了主流开源模型，包括 Qwen、Llama、Mistral、DeepSeek 等系列。
vLLM：生产环境的首选
vLLM 是 UC Berkeley 团队开发的高性能推理引擎，专为高并发场景设计。它的 PagedAttention 技术能显著提升 GPU 显存利用率，在相同硬件上服务更多请求。
🔗 vLLM 官网：https://vllm.ai/
🔗 vLLM GitHub：https://github.com/vllm-project/vllm
vLLM 的安装和配置比 Ollama 复杂一些（需要 CUDA 环境 + pip install），但在多用户或多 Agent 并发场景下性能优势显著——这也是我们后续实操课选择在 AutoDL 上用 vLLM 部署的原因。
硬件 ↔ 模型速查表
"我的显卡能跑多大的模型？"——这可能是最高频的问题。速查表给出直接的答案：
| 硬件 | 显存/内存 | 可运行模型 | 典型代表 |
|---|---|---|---|
| RTX 3060 | 12GB | 7-8B 模型 | Qwen 2.5 Coder 7B |
| RTX 3090 / 4090 | 24GB | 32B 量化模型 | Qwen3.5-32B (Q4)、Mistral Small 3.1 |
| A800 / A100 | 80GB | 70B+ 完整精度 | Qwen3.5-72B (Q4) |
| Mac M3/M4 Max | 128GB 统一内存 | 122 MoE 模型 | Qwen3.5-122B-A10B |
| 无 GPU（纯 CPU） | 依赖 RAM | 7B 量化模型（较慢） | Qwen 2.5 7B (Q4) |
几个关键判断点：
- 24GB 是甜蜜点：RTX 4090 的 24GB 显存可以舒服地跑 32B 量化模型，这个规模的模型在代码和通用任务上已经相当能打
- 80GB 解锁 70B+：如果你需要跑 70B 级别的大模型，至少需要 A100/A800 80GB。这也是云 GPU 方案（如 AutoDL）最常用的场景
- Mac 统一内存是隐藏大杀器：128GB 统一内存意味着不受"显存"限制，Ollama 可以直接利用全部内存的80%加载模型
提示：以上是 Q4 量化下的参考值。4-bit 量化模型的显存需求约为全精度（BF16）的 1/3 ~ 1/4，推理质量损失在大多数场景中可以接受。
2.7 平台选择推荐与总结
前面六节拆解了每个平台的细节，这一节把它们拼回一张完整的决策地图。不管你是什么背景、什么需求，在这里都能找到明确的推荐。
按用户画像选平台
| 你是谁 | 推荐平台 | 理由 | 月成本参考 |
|---|---|---|---|
| Mac 用户 | macOS 原生安装 | 体验最佳、功能最全、零额外配置 | 电费可忽略 |
| Mac + 本地大模型 | macOS + Ollama | Apple Silicon 统一内存优势大，数据不出设备 | 电费可忽略 |
| Windows 用户 | WSL2 + Ubuntu | 官方推荐路线，避免原生 6 个已知 Bug | 电费可忽略 |
| Linux 服务器运维 | Linux + Docker | 生产级稳定、安全隔离、资源占用最低 | VPS ¥5-50/月 |
| 零运维新手 | 阿里云/腾讯云一键部署 | 68 元/年起，5 分钟上手，最省心 | ¥6-8/月 |
| 隐私优先 | Linux + Ollama 离线 | 数据完全不出本机，满足合规要求 | 硬件一次性投入 |
| GPU 大模型玩家 | AutoDL/恒源云 + vLLM | GPU 按需租用，成本可控 | 按用量 ¥20-150/月 |
| 企业/团队 | 云服务器 + Docker + K8s | 弹性伸缩、多节点、SLA 保障 | 取决于规模 |
如果还在犹豫，给一个最简单的判断流程：
你有 Mac 吗？
├── 是 → macOS 原生安装，结束 ✅
└── 否 → 你愿意折腾 WSL2 吗？
├── 是（且内存 >= 16GB）→ WSL2 + Ubuntu，结束 ✅
└── 否 → 阿里云 68 元/年一键部署，结束 ✅
三条路，都能到达目的地。差别只在于路上的风景不同。
平台独占功能汇总
最后用一张表梳理各平台的独占能力，帮助你理解选择某个平台时"得到了什么"和"放弃了什么"：
| 功能 | macOS | Linux | Windows WSL2 | 云端 |
|---|---|---|---|---|
| LaunchAgent 守护 | ✅ | — | — | — |
| 菜单栏 App | ✅ | — | — | — |
| iMessage 通道 | ✅ | — | — | — |
| TCC 权限管理 | ✅ | — | — | — |
| systemd 服务 | — | ✅ | ✅ | 部分 |
| Docker 零开销 | — | ✅ | — | ✅ |
| 一键部署镜像 | — | — | — | ✅ |
| GPU 直通推理 | ✅ (Metal) | ✅ (CUDA) | ⚠️ 有限 | ✅ (CUDA) |
| 离线部署 | ⚠️ 可行 | ✅ 最佳 | ⚠️ 可行 | ❌ |
几个值得注意的发现：
- macOS 独占 4 项功能：LaunchAgent、菜单栏、iMessage、TCC——都是 Apple 系统 API 深度集成的结果
- Linux 的核心优势不在独占功能，而在"做什么都最好"：Docker 零开销、systemd、CUDA、离线部署——其他平台也能做，但 Linux 做得最干净、最高效
- 云端的独占价值是"一键部署"和"7x24 免运维"：如果你不需要这两点，本地部署在各方面都更灵活
- Windows WSL2 没有独占功能：它的价值是"让 Windows 用户也能用上 Linux 的能力"——本质上是在 Windows 上借用 Linux 的优势
本章小结
这一章我们用数据和事实替代了各种传言，完成了一次全面的平台"体检"：
| 平台 | 一句话定位 | 关键数据 |
|---|---|---|
| macOS | OpenClaw 的主场 | 功能完整度 100%，7 项独占功能 |
| Linux | 生产环境首选 | RAM 仅需 2-4GB，Docker 零虚拟化开销 |
| Windows | WSL2 可用，绕开原生 Bug | 原生 6 个已知 Bug，WSL2 稳定性 ⭐⭐⭐⭐ |
| 云端 | 零运维最优解 | 68 元/年起，5 分钟部署完成 |
平台选好了，方向明确了。但你可能还有一个最现实的问题没解决——这玩意到底要花多少钱？ 用在线 API 一个月多少钱？自己买 GPU 跑本地模型划不划算？不同使用强度下费用差多少？
下一章（Part 3），我们来认真算一笔账。