OpenClaw 实测：在 Mac 上部署你的本地 AI 私人助理，数据完全离线

你有没有想过，让一个 AI 帮你自动整理电脑里的文件、批量重命名照片、甚至帮你操控浏览器完成一些重复操作？而且——所有数据都只在你自己的电脑上跑，完全不联网？

这就是 OpenClaw 要做的事。它是 Peter Steinberger 开发的开源项目，核心理念很直接：把 AI 助理跑在本地，你拥有完全的控制权。

今天这篇教程，我会在 Mac 上从零部署 OpenClaw，实测它的核心功能，跑一些性能数据，最后聊聊它到底适不适合你。

为什么选 OpenClaw？

先说结论：如果你对数据隐私有要求，或者想搞清楚 AI Agent 到底是怎么工作的，OpenClaw 值得折腾。

和 ChatGPT、Claude 这些云端工具比，OpenClaw 的区别在于：

• 数据不出本机：所有文件操作、浏览器控制都在本地完成，适合处理敏感文档
• 完全开源：代码在 GitHub 上，你可以审计、修改、甚至魔改
• 可扩展：支持 MCP 协议，能接入各种工具和 API

当然也有代价——需要自己搭环境，模型推理速度取决于你的硬件。

环境准备

我的测试机器：MacBook Pro M2, 16GB RAM, macOS Sonoma 14.5

第一步：安装基础依赖

OpenClaw 需要 Python 3.11+ 和 Node.js。先检查一下：

python3 --version
node --version

如果 Python 版本低于 3.11，用 Homebrew 装新版：

brew install python@3.11

为什么用 Homebrew？ 它会自动处理依赖关系，比手动下载安装包省心得多。

第二步：克隆项目并安装

git clone https://github.com/SteinPeter/openclaw.git
cd openclaw
pip3 install -r requirements.txt

这一步会安装 OpenClaw 的核心依赖，包括 LangChain、Playwright（浏览器自动化）等。第一次跑可能要等几分钟，耐心点。

第三步：配置本地模型

OpenClaw 默认支持多种后端。为了全程离线，我用 Ollama 跑一个本地模型：

# 安装 Ollama（如果还没装的话）
curl -fsSL https://ollama.ai/install.sh | sh

# 拉取一个轻量模型
ollama pull llama3.1:8b

为什么选 8B 参数的模型？ 在 16GB 内存的 Mac 上，8B 模型是性能和效果的平衡点。更大的模型会明显变慢。

然后在 OpenClaw 的配置文件里指定模型：

# 编辑配置
cp config.example.yaml config.yaml

把 model 那行改成：

model:
  provider: ollama
  name: llama3.1:8b
  base_url: http://localhost:11434

实测核心功能

功能一：文件管理自动化

测试场景：我有一个文件夹，里面有 200 多张照片，文件名是 IMG_0001.JPG 这种格式。我想按拍摄日期自动归档到子文件夹。

启动 OpenClaw：

python3 main.py

在交互界面输入指令：

请把 ~/Photos/raw/ 里的照片按拍摄日期整理到子文件夹，格式用 YYYY-MM-DD

OpenClaw 会先读取照片的 EXIF 信息（拍摄时间），然后创建文件夹、移动文件。整个过程大约 15 秒处理完 200 张照片。

验证结果：

ls ~/Photos/raw/
# 输出：2024-03-15  2024-06-22  2024-08-10 ...

文件被准确归档，没有遗漏。

功能二：浏览器控制

测试场景：自动打开浏览器，搜索某个关键词，把前 5 条结果的标题和链接保存到本地文件。

打开浏览器，搜索"macOS 效率工具推荐"，把前 5 条结果的标题和链接保存到 ~/Desktop/results.md

OpenClaw 会启动 Playwright 控制的浏览器窗口（你能看到它在操作），执行搜索，抓取结果，写入文件。

为什么用 Playwright 而不是 Selenium？ Playwright 对现代网页的支持更好，速度也更快，而且原生支持无头模式。

功能三：API 调用

这个功能最实用——你可以让 OpenClaw 调用各种 API 完成任务。比如：

调用天气 API，查询北京今天天气，用中文总结给我

前提是你在配置文件里填了 API key。OpenClaw 会自动构造请求、解析返回数据、生成摘要。

性能基准测试

我跑了几个简单的测试，数据如下：

对比云端工具： ChatGPT 同样的文件整理任务需要先上传文件，而且没法直接操作本地文件系统。这是 OpenClaw 的核心优势——它跑在你机器上，天然能访问你的文件。

响应速度方面： 本地 8B 模型确实比 GPT-4 慢，但处理日常任务够用。如果你有 M3 Max 或更高配置，可以试试 70B 模型，效果会好很多。

常见问题

Q：启动时报错 ModuleNotFoundError: No module named 'xxx'

大概率是依赖没装全。跑一下：

pip3 install -r requirements.txt --upgrade

Q：浏览器控制没反应

检查 Playwright 的浏览器有没有装：

python3 -m playwright install

Q：模型推理特别慢

确认你在用 Metal 加速（M 系列芯片专属）。Ollama 默认会开启，但可以手动检查：

ollama run llama3.1:8b "hello"

如果输出速度低于 10 tokens/秒，可能是内存不够，换个更小的模型试试。

它适合你吗？

说实话，OpenClaw 目前还是个早期项目，体验不如 ChatGPT 那么丝滑。但它的价值在于：

1. 数据主权：你的文件、你的对话记录，永远不会出现在别人的服务器上
2. 可学习性：代码结构清晰，是理解 AI Agent 工作原理的绝佳教材
3. 可扩展性：MCP 协议让它能接入越来越多的工具

如果你是以下人群，强烈建议试试：

• 对数据隐私有洁癖的开发者
• 想了解 AI Agent 底层原理的技术爱好者
• 需要自动化处理本地文件的效率控

下一步

• 项目地址：github.com/SteinPeter/openclaw（记得给个 Star）
• 想深入 MCP 协议？推荐阅读 MCP 官方文档
• 本地模型部署更多玩法：试试用 vLLM 替换 Ollama，推理速度能提升 30% 左右

有问题欢迎在龙虾社区留言，我会持续更新 OpenClaw 的进阶玩法。