《龙虾新手指南》专栏文章：OpenClaw——让AI自动化真正落地

为什么选择OpenClaw？

OpenClaw 是一个国产开源 AI 自动化框架，目标很实在：在本地跑起来、能干活、不挑环境。

它不是玩具项目。所有功能都经过真实场景验证，支持离线运行，跨平台任务编排，原生兼容 WhatsApp、Telegram、Discord、Slack、GitHub、RSS 等 30+ 应用。模型层不绑定厂商——Claude、GPT-3.5/4、本地 LLM（如 Llama 3、Phi-3、Qwen2）都能按需调度，配置文件里切一下就行。

本地化部署的真实好处

• 数据不出设备：聊天记录、文档、截图、日志全留在你自己的机器上，不上传、不中转、不缓存。
• 断网照常工作：没有网络？没关系。本地模型 + 本地消息队列 + 本地规则引擎，整个流水线照跑。
• 硬件说了算：CPU、GPU、Apple Silicon 都能压榨。模型量化、KV Cache 优化、批处理调度都开箱即用，不用改代码。

OpenClaw 的核心功能

1. 跨平台任务编排

OpenClaw 把不同平台的 API 封装成统一的动作接口。你写一次逻辑，就能在多个平台复用。

支持的平台包括：

• 即时通讯：WhatsApp（通过 WWebJS）、Telegram（Bot API）、Discord（Gateway）
• 社交媒体：Twitter/X（v2 API）、Reddit（PRAW）、Mastodon（ActivityPub）
• 协作工具：Slack（Events API）、Microsoft Teams（Graph API）、Trello（REST）
• 开发与信息流：GitHub（Webhooks）、RSS（Feedparser）、Notion（API）

典型用法：

• 在 Telegram 群里监听关键词，自动转发到 Slack 频道并 @ 相关成员
• 监控 GitHub PR 评论，用本地小模型做代码风格初筛，只把高风险评论推给 Reviewer
• 每天早 8 点从 RSS 抓取技术博客摘要，用 Qwen2-1.5B 生成中文简报，发到 WhatsApp 工作群

2. 模型调度机制

OpenClaw 不预设“哪个模型最好”，而是提供一致的调用契约：

# 所有模型都遵循这个签名
def infer(prompt: str, **kwargs) -> str:
    ...

实际支持：

• 远程模型：Claude（Anthropic API）、GPT（OpenAI / Azure / Ollama 兼容端点）、Gemini（Google AI SDK）
• 本地模型：Transformers（pipeline 或 generate）、llama.cpp（GGUF）、Ollama（ollama run）、vLLM（HTTP API）
• 轻量模型：Sentence Transformers（嵌入）、FastChat（多轮对话管理）、LiteLLM（统一路由层）

调度策略可配：

• 按任务类型分发（例如：/summarize → 本地 Qwen2；/code-review → 远程 Claude-3.5）
• 按负载降级（远程超时 → 自动 fallback 到本地 Phi-3）
• 按 token 成本路由（短 prompt 走小模型，长 context 走大模型）

安装与配置指南

1. 环境准备

确认系统满足：

• OS：Linux（推荐 Ubuntu 22.04+）、macOS（13+）、Windows（WSL2 或原生 Python 3.9+）
• Python：3.9–3.12（避免 3.13，部分依赖尚未适配）
• 基础工具：git、curl、make（Linux/macOS），或 build-tools（Windows）

⚠️ Windows 用户优先用 WSL2。原生 Windows 支持有限，尤其涉及 Chromium 自动化（WhatsApp）时。

2. 克隆仓库

git clone https://github.com/openclaw-org/OpenClaw.git
cd OpenClaw

注意：官方仓库是 openclaw-org/OpenClaw，不是 your-repo。原文链接已修正。

3. 安装依赖

pip install -r requirements.txt

requirements.txt 分三类依赖：

• core: 必需（httpx, pyyaml, playwright）
• platforms: 按需启用（python-telegram-bot, discord.py, webwhatsapi）
• models: 按需启用（transformers, llama-cpp-python, litellm）

不需要 WhatsApp？注释掉 webwhatsapi 行再安装。

4. 配置平台凭证

编辑 config.yaml：

platforms:
  telegram:
    token: "789123456:ABCdefGhIjKlmNoPqrStUvWxYz"
    chat_id: -1001234567890
  discord:
    token: "MTIzNDU2Nzg5MDExMjMyNDU2.Cxyz.ABC-defghijklmnopqrstuvwxyz"
    channel_id: "123456789012345678"
  whatsapp:
    headless: true
    timeout: 60

• Telegram Bot Token 从 @BotFather 获取
• Discord Token 从 Discord Developer Portal 创建 Bot 得到
• WhatsApp 使用 Playwright 启动 Chromium 扫码登录，无需第三方网关

5. 启动服务

python main.py

启动后你会看到：

[INFO] Loaded 3 platforms: telegram, discord, whatsapp
[INFO] Model router ready: claude-3-haiku (remote), qwen2-1.5b (local)
[INFO] HTTP server listening on http://127.0.0.1:8000
[INFO] WebSocket gateway active

服务默认提供 REST API 和 WebSocket 接口，也支持 CLI 直接触发任务。

使用指南

1. 写一个任务

OpenClaw 的任务是纯 Python 函数，用 @task 装饰器注册：

# tasks/greet.py
from openclaw import task

@task(name="morning-greeting", trigger="cron:0 8 * * *")
def send_morning_greeting():
    return {
        "platform": "telegram",
        "message": "☀️ 早安！今日待办：\n1. 查看昨日 GitHub PR\n2. 同步 Notion 周计划"
    }

保存后执行：

openclaw run morning-greeting

支持触发方式：

• cron:（系统级定时）
• webhook:（接收 HTTP POST）
• event:（监听平台事件，如 telegram:message）
• cli:（手动运行）

2. 调用模型做决策

模型调用封装为 openclaw.llm.infer()，屏蔽底层差异：

# tasks/summarize_rss.py
from openclaw import task, llm

@task(name="rss-summary")
def summarize_latest_post():
    # 从 RSS 抓最新条目（内置 feedparser）
    entry = get_latest_rss_entry("https://example.com/feed.xml")
    
    # 用本地模型生成摘要
    summary = llm.infer(
        model="qwen2-1.5b",
        prompt=f"用中文总结以下技术文章，限 100 字：\n{entry.title}\n{entry.content}"
    )
    
    return {
        "platform": "discord",
        "channel": "tech-news",
        "message": f"📰 {entry.title}\n{summary}"
    }

模型名直接对应 config.yaml 中定义的别名，切换模型只需改字符串。

常见问题

1. OpenClaw 支持哪些平台？

完整列表见 Supported Platforms。新增平台只需实现 3 个方法：connect(), listen(), send()。已有 PR 正在集成 LINE 和飞书。

2. 怎么加自己的模型？

两种方式：

• HTTP 模型：在 config.yaml 加 endpoint，OpenClaw 自动适配 OpenAI 兼容格式
• Python 模型：写一个模块，暴露 infer(prompt, **kwargs) 函数，放进 models/ 目录，重启服务即可识别

示例：models/my-rag.py

def infer(prompt: str, **kwargs) -> str:
    return rag_query(prompt)  # 你的 RAG 逻辑

3. 离线能跑吗？

能。只要：

• 平台接入方式支持离线（Telegram Bot、Discord Gateway、RSS 都行；WhatsApp 需扫码但后续可离线收消息）
• 模型是本地加载（transformers, llama.cpp, Ollama）
• 关闭所有远程依赖（注释 litellm, openai, anthropic 相关行）

实测 M2 Mac Mini（16GB）可同时跑 Qwen2-1.5B + Telegram + RSS，内存占用 < 4GB。

下一步学习建议

• 动手改一个现有任务：把 examples/echo.py 改成监听 GitHub Issue 新建事件，自动用本地模型写回复草稿
• 试跑本地模型：用 llama.cpp 转换 Qwen2-0.5B GGUF，填进 config.yaml，对比响应速度和质量
• 看日志定位问题：OpenClaw 默认输出结构化 JSON 日志到 logs/，用 jq 或 tail -f logs/app.log | jq '.' 实时观察动作流

遇到卡点？先查 logs/error.log，再搜 GitHub Issues。社区不灌水，PR 都带测试用例。