🚀 龙虾新手指南

OpenClaw与Claw系列AI工具链入门指南：中文本地部署大模型实战

发布时间：2026-04-13 分类：龙虾新手指南

摘要：龙虾新手指南：OpenClaw与国产Claw系列AI工具链入门什么是“龙虾AI”？“龙虾AI”不是生物分类，也不是餐饮术语——它指代以 OpenClaw 和国产 Claw 系列为代表的开源大模型工具链。这些项目专注中文场景，提供本地部署、轻量推理、中文指令微调等能力。它们不追求通用性，而是把中文理解、低资源适配和数据可控性放在第一位。为什么用龙虾AI？本地化部署很多中文业务场景不能上传数据。...

龙虾新手指南：OpenClaw与国产Claw系列AI工具链入门

什么是“龙虾AI”？

“龙虾AI”不是生物分类，也不是餐饮术语——它指代以 OpenClaw 和国产 Claw 系列为代表的开源大模型工具链。这些项目专注中文场景，提供本地部署、轻量推理、中文指令微调等能力。它们不追求通用性，而是把中文理解、低资源适配和数据可控性放在第一位。

为什么用龙虾AI？

本地化部署

很多中文业务场景不能上传数据。OpenClaw 和 Claw 系列默认走本地路径：模型加载、推理、微调全在你自己的机器上完成。没有 API 密钥，没有网络请求，也没有隐式的数据回传。

轻量化推理

它们不是靠堆显存跑起来的。OpenClaw 默认支持 GGUF 格式量化模型，4GB 显存的笔记本能跑 7B 模型；AutoClaw 还内置了 ONNX Runtime 后端，连 NVIDIA GPU 都不是必须的——Intel 核显或 macOS Metal 也能跑通。

中文指令微调

预训练模型用的是中文语料，但真正好用的是指令微调层。OpenClaw 自带 claw-tune 工具，支持 LoRA + QLoRA 微调；Claw 系列则直接集成中文对话模板（如 zh-alpaca 和 firefly 格式），微调时不用改一行 prompt 模板。

安装与配置 OpenClaw

前提条件

确保系统已安装：

Python 3.8–3.11（推荐 3.10）
Git
pip（≥22.0）

检查命令：

python3 --version
git --version
pip --version

克隆与安装

git clone https://github.com/OpenClaw/OpenClaw.git
cd OpenClaw
pip install -r requirements.txt

注意：requirements.txt 中已锁定 torch 与 transformers 版本，避免 CUDA 兼容问题。若用 Apple Silicon，会自动启用 MPS 后端。

环境变量（可选但推荐）

编辑 ~/.zshrc 或 ~/.bashrc：

export OPENCLAW_HOME=$(pwd)
export PATH=$OPENCLAW_HOME/bin:$PATH

生效：

source ~/.zshrc

验证安装

openclaw --version

输出类似 openclaw 0.4.2 即成功。

用 OpenClaw 做一次对话

下载模型

OpenClaw 自带模型仓库，国内节点已镜像。运行：

openclaw download model qwen2-0.5b-chat-gguf

该模型约 480MB，纯 CPU 推理延迟 < 800ms（M2 MacBook Air）。

加载并生成

openclaw load model qwen2-0.5b-chat-gguf
openclaw generate "你好，今天想学点什么？"

你会看到类似输出：

你好！今天我们来聊聊大模型的量化原理吧——比如 GGUF 是如何把浮点权重压缩成 4-bit 整数的。

提示：generate 命令默认启用 chat template，自动拼接 system/user/assistant 角色标记。

国产 Claw 系列：从 AutoClaw 开始

Claw 系列不是 OpenClaw 的分支，而是另一条技术路线：更激进的中文优化、更少的抽象层、更强的 CLI 可组合性。

安装 AutoClaw

git clone https://github.com/ClawSeries/AutoClaw.git
cd AutoClaw
pip install -r requirements.txt

下载并运行中文模型

autoclaw download model phi-3-mini-chinese-q4_k_m
autoclaw load model phi-3-mini-chinese-q4_k_m
autoclaw generate "请用三句话解释 RAG。"

输出示例：

RAG（检索增强生成）是一种将外部知识库接入大模型的方法。  
它先用查询向量从向量数据库中检索相关文档片段，再把检索结果拼接到 prompt 中交给 LLM 生成回答。  
相比微调，RAG 更灵活、更新成本更低，适合知识高频变动的场景。

下一步怎么走？

试试 openclaw tune：用自己收集的客服对话微调一个 1.5B 模型，1 小时内完成
查看 autoclaw serve：一键启动 Web UI（基于 Ollama 兼容协议），直接对接 LangChain
翻翻 examples/ 目录：有 PDF 解析 pipeline、微信聊天摘要脚本、本地知识库问答 demo
加入 Discord #claw-cn 频道：大部分 PR 都来自国内开发者，issue 响应平均 3 小时内

快速参考

OpenClaw 文档（含 CLI 手册和量化指南）
AutoClaw GitHub（README 里有各型号 Mac/Windows/Linux 实测性能表）
中文模型镜像站（所有模型带 GGUF/Qwen2/Phi-3 中文版，免翻墙）

返回首页