企业官网建设流程全解析

2026年年初如果你搜过“AI智能体”“个人助理本地部署”这几个关键词，大概率会在各种帖子里碰到OpenClaw这个项目。OpenClaw，代号Clawdbot，本质上是一套把大模型能力转成“本地可控执行动作”的Agent运行时——你可以把它理解成一个能帮你调用工具、读写文件、跑脚本、回消息的数字管家。它不是又一个聊天网页，而是把“想法”变成“操作”的那一层胶水。

这篇文章我按自己实际搭建的经验来写，从Windows 11到Ubuntu 22.04，从本地Ollama到NVIDIA NIM，从首次启动报错到飞书、微信、Obsidian的接入，把整个流程和踩过的坑都摊开讲。不管你是想在笔记本上先体验，还是打算放到云端当常驻服务，都可以照着走一遍。

1. 先弄清楚OpenClaw到底是什么

1.1 它解决的不是“聊天”问题，而是“做事”问题

很多人第一次接触OpenClaw时容易有个误解：以为它跟ChatGPT客户端差不多，装完就开个对话框聊天。但实际上，OpenClaw的定位是“Agent框架”而不是“聊天前端”。它的核心逻辑是让大模型在获得你授权的前提下，去执行一系列具体动作：调用API、处理文件、执行命令、对接IM机器人、管理项目文档。

我个人的理解是：如果说大模型是“大脑”，那OpenClaw就是给这个大脑装上“手”和“嘴”。你告诉它“帮我把这个文件夹里所有图片压缩一下并生成一个汇总报告”，它会自己拆解步骤、调用工具、逐项完成，而不是停留在“教你如何做”的层面。这个差异，决定了它更适合自动化任务执行，而不是单纯的问答。

它为什么值得搭？因为2026年的Agent工具其实已经不少了，但OpenClaw的优势在于“本地优先”和“可插拔”。模型后端可以随时换，技能包可以增量装，消息渠道可以接好几个同时跑。对开发者来说，这意味着你可以把它当成一个私人自动化中枢，慢慢往里面加能力。

1.2 核心组件逐个拆开看

我第一次安装完OpenClaw后，先被它的目录结构上了一课。它跟你平时装的那种“一个exe搞定一切”的软件不太一样，有几个核心概念必须提前明白。

• CLI命令行工具：安装后你会获得一个openclaw命令，后续所有操作（启动、配置、装Skill、看状态）都通过它完成。新版还兼容了部分旧版ope指令，但主流用法已经统一到openclaw上。
• 运行时进程（runtime）：真正的Agent服务是一个常驻后台进程，负责加载模型配置、调度工具调用、维护上下文。启动方式通常是openclaw run或openclaw serve，区别类似“前台跑”和“后台服务化”。
• 工作区（workspace）：OpenClaw默认会在当前用户目录下创建.openclaw文件夹，里面有workspace目录。你让Agent处理的所有临时文件、输出结果、项目数据，默认都扔在这里。Windows下常见路径是c:\users\administrator\.openclaw\workspace。
• 技能包（Skill）：这是OpenClaw最像“手机应用商店”的设计。你可以安装现成的Skill来让Agent获得新能力，比如文件转换、网页抓取、表格处理、Git操作等。安装命令是openclaw skill add <名称或仓库地址>。
• 执行审批机制（exec-approvals）：Agent要执行Shell命令或修改文件时，OpenClaw会参照审批配置决定是直接放行、询问你还是拒绝。配置存放在.openclaw/exec-approvals.json里。这是安全设计的核心，也是新手最容易迷糊的地方。

把这些概念先装进脑子里，后面配置起来就不会一头雾水。我见过太多人卡在“明明装好了，但Agent就是不动”这种问题上，最后发现是审批机制没配好，Agent的命令全被拦下来了。

2. 搭建前的准备与方案选型

2.1 先想清楚装到哪里：本机试玩还是服务器常驻

前面说过，OpenClaw装在哪里，决定了后续运维方式完全不同，所以动手之前请先回答一个问题：你到底想让它干什么？

如果你的需求是“在电脑上偶尔让它处理点文件、管理下文档”，那就直接装在本机Windows或macOS上，简单方便，不需要额外买服务器。如果你的需求是“做一个7x24小时在线的IM机器人”“定时跑任务”“团队共享使用”，那必须放到云服务器上，让进程常驻、通过公网或内网网关接入消息渠道。

我给一个比较务实的建议：第一次体验的人，先在Windows或Ubuntu本机上装好、跑通案例，再决定要不要迁移到云端。直接上云端也不是不行，但调试起来多一层服务器环境变量，排错成本高，新手容易劝退。先本地搞明白它怎么工作，再云端复制一份，是最快的路径。

2.2 Windows环境的最低要求和准备工作

在Windows上装OpenClaw，对电脑配置要求其实不高。CPU不差、内存16GB以上，就足够跑一个中等大小的本地模型；如果你打算用在线API当模型后端，那对硬件就更无所谓了，4GB内存的老笔记本也能跑。

关键要准备的是下面这几项：

• PowerShell版本：OpenClaw官方推荐用PowerShell 5.1以上执行安装脚本。Win11自带的PowerShell版本一般够用，但Win10老系统最好先检查一下版本。
• 执行策略：安装脚本往往会因为系统默认禁止运行脚本而失败，需要在管理员PowerShell里先放开：Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser。
• Git：如果你想从仓库安装Skill或拉取更新，Git是必须的。安装Git时保持默认选项即可。
• Node.js和Python：部分Skill依赖Node或者Python环境，建议提前装好LTS版Node和Python 3.10以上，能省掉后面很多“某某命令找不到”的麻烦。
• 底层运行时：OpenClaw在Windows上一般依赖WSL2或者原生二进制，视版本而定。2.x版本开始对WSL2的依赖越来越弱，有原生Windows包，但如果你要跑Docker容器类的Skill，WSL2还是不可少。

这两种方式我建议这样选：如果你只是跑纯Agent逻辑，用原生Windows安装；如果你同时要跑容器化工具、Linux专用脚本，直接装在WSL2的Ubuntu里反而省心。

2.3 Ubuntu 22.04 + CUDA方案

如果条件允许，我其实更推荐在Linux上跑OpenClaw，尤其是要做本地模型推理的场景。原因也简单：NVIDIA驱动、CUDA、模型运行时这些在Linux上生态最成熟，踩坑最少。

Ubuntu 22.04是目前兼容性最稳的选择，搭配CUDA 12.x和NVIDIA驱动535或以上版本，基本能覆盖主流本地模型。如果你手头有RTX 3060以上的显卡，完全可以让OpenClaw在本地跑一个蒸馏模型或量化模型，不依赖外部API，数据安全性也更高。

我自己最常用的搭配是：Ubuntu 22.04 + CUDA 12.2 + NVIDIA NIM作为推理后端，同时保留一个Ollama作为备选。NIM适合跑官方优化过的高质量模型，Ollama则胜在安装简单、模型管理方便，两者通过OpenClaw的模型配置随意切换，非常灵活。

3. Windows 11上一步步装好OpenClaw

3.1 PowerShell安装命令与执行权限处理

Windows 11安装OpenClaw，绝大部分情况下不需要去官网下载什么安装包，直接用官方安装脚本就行。开始之前，先打开一个管理员权限的PowerShell窗口，执行下面两行：

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser irm https://openclaw.example.com/install.ps1 | iex

第一行是放开当前用户的脚本执行权限，不然后面肯定会报“因为在此系统上禁止运行脚本”。第二行是从远程拉取安装脚本并直接执行，这一套在Windows社区很常见，跟装Homebrew、装Oh My Zsh是一个逻辑。

irm全称是Invoke-RestMethod，iex是Invoke-Expression，组合起来就一句话：拉取脚本然后执行。安装过程会帮你在用户目录下放好可执行文件，并自动配置PATH环境变量。装完以后，重启一下PowerShell窗口，然后运行：

openclaw --version

能正常打印版本号，说明核心CLI装好了。我试过版本输出类似OpenClaw CLI 2.1.x，就代表你拿到的是2.x的最新版本。

3.2 指定安装目录：能改吗

热词里有一条特别常见的搜索：“PowerShell安装openclaw能指定目录吗”。答案是：能，但不同版本的安装方式不一样。

如果你用官方脚本安装，默认会装到$HOME\.openclaw或者$HOME\.local\bin这类用户目录下，目的就是避免需要管理员权限写Program Files。如果你确实想指定目录，官方脚本一般支持环境变量传入，比如：

$env:OPENCLAW_INSTALL_DIR = "D:\Tools\OpenClaw" irm https://openclaw.example.com/install.ps1 | iex

还有另一种更可控的做法：不用远程脚本，而是从GitHub Release页手动下载对应Windows平台的压缩包，解压到你想要的位置，然后把解压目录手动加入系统PATH。这种方式本质上就是“便携版”，社区里常说的“OpenClaw便携包”就是这么制作的。

我自己两种方式都试过，说实话，如果你不是有特殊洁癖或者公司电脑软件管理严格，选默认路径最省心，后面升级、卸载都是脚本一条命令的事。手动指定目录一旦路径写错或者Python/Node环境对不上，排错成本会高不少。

3.3 “无法将openclaw识别为cmdlet”排查

这应该是Windows安装OpenClaw最常见的报错，没有之一。报错提示通常是：

openclaw : 无法将“openclaw”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。

我遇到这个问题的原因有五种，挨个排查基本能解决：

• 安装后没有重启终端。PATH修改只对新开的进程生效，你直接在当前窗口运行当然找不到。关掉重开就能解决大半。
• PATH里没有安装目录。手动指定安装目录的话容易出现这种情况。解决方法是去系统环境变量里确认路径已加入，或者运行where.exe openclaw查看是否能找到。
• 执行策略导致脚本只装了一半。这种情况最隐蔽，看起来装完了，其实关键文件没写进去。重新执行一遍官方安装脚本，并在前面确保Set-ExecutionPolicy已生效。
• 杀毒软件拦截。Windows Defender偶尔会把新安装的可执行文件隔离，检查一下“保护历史记录”，把OpenClaw目录加入排除项。
• 装了多个版本冲突。如果你以前装过旧版或者手动删过文件，可能会导致openclaw.ps1和openclaw.exe同时存在于PATH中，互相打架。建议彻底卸载后重新安装。

记住一个排查原则：先看文件到底存不存在，再看PATH到底指没指向，最后才怀疑脚本问题。顺序搞反了会浪费很多时间。

4. Linux/云端部署与NVIDIA NIM加速

4.1 云端部署的一般流程

云端部署OpenClaw，本质上就是在一台干净的Linux服务器上把运行时跑起来。流程不难，但新手经常栽在“环境不干净”上。

我建议的部署路径是这样的：

# 更新系统包 sudo apt update && sudo apt upgrade -y # 安装基础依赖 sudo apt install -y curl git build-essential # 安装OpenClaw curl -fsSL https://openclaw.example.com/install.sh | bash # 验证安装 openclaw --version

装完之后，openclaw命令默认会被放到~/.openclaw/bin或/usr/local/bin，如果提示找不到命令，需要把对应目录加到PATH并重新登录Shell。

云端部署和本机最大的不同是网络架构。本机你直接openclaw run就行，云端则要思考：Agent进程怎么保持后台运行？消息渠道如何接入？数据目录放哪？我通常用systemd来托管OpenClaw服务，这样重启服务器后Agent能自动拉起，比用什么nohup、tmux挂后台靠谱得多。创建一个service文件，指定好启动用户、工作目录、环境变量，然后systemctl enable openclaw即可。

4.2 安装CUDA并配置NVIDIA NIM

如果你在云端或本地Linux机器上配置了NVIDIA显卡，并且想用NIM来提供模型推理服务，那环境准备的重点就是驱动和CUDA。

以Ubuntu 22.04为例，先确认显卡驱动已经装好：

nvidia-smi

能看到显卡信息就说明驱动OK。然后安装CUDA工具包，建议直接装12.x版本，匹配市面上大多数模型的编译环境：

sudo apt install -y nvidia-cuda-toolkit nvcc --version

驱动和CUDA就绪后，开始配置NVIDIA NIM。NIM本质上是把模型打包成高性能推理端点，OpenClaw只需要配置一个base_url就能连上。在OpenClaw的模型配置文件里，把runtime指定为NIM：

model: provider: nim base_url: http://localhost:8000/v1 model_name: meta/llama3-70b-instruct api_key: your_nim_api_key

这里要注意的是，OpenClaw配置NIM时最关键的是base_url要符合OpenAI兼容的/v1接口格式。NIM默认跑在8000端口，如果你改了端口，记得同步修改配置。另外，NIM首次加载模型会下载权重，需要等一段时间，启动时不要一看进度条不动就以为卡死了。

4.3 切到本地Ollama做推理

如果你不想折腾NIM，或者手里的显卡显存不够大，Ollama是更轻量的选择。它最大的优势是安装一条命令、模型管理方便，适合入门和日常折腾。

安装Ollama也很简单：

curl -fsSL https://ollama.com/install.sh | sh

然后拉取模型：

ollama pull qwen2.5:14b

在OpenClaw的模型配置里，把provider改成ollama就行：

model: provider: ollama base_url: http://localhost:11434/v1 model_name: qwen2.5:14b

Ollama默认监听11434端口，同样兼容OpenAI接口格式，所以OpenClaw接得很顺。我实测下来，14B的量化模型配合NIM和Ollama跑简单任务，体感差异不大。NIM在长上下文、高并发场景下优势更明显，个人使用的话Ollama完全够用。根据自己的显存和需求选一个就行，没必要一开始就上重型方案。

5. 第一次启动、技能与workspace配置

5.1 初始化启动与exec-approvals.json权限

安装完成、模型配置也填好之后，第一次启动是一个比较有意思的阶段。此时你会在终端里看到一个交互式会话，OpenClaw会先加载配置、检查环境，然后进入待命状态。

如果你是从旧版本升级上来的，启动时可能会看到这样一条提示：

legacy exec approvals exist at /root/.openclaw/exec-approvals.json. run `openclaw migrate approvals` to migrate to the new format.

意思是你之前版本的执行审批文件还在旧位置，需要运行openclaw migrate approvals把旧格式迁移到新格式。直接用openclaw migrate approvals命令处理即可，它会自动备份旧文件、生成新文件。

为什么OpenClaw要把审批文件单独拎出来？因为它涉及Agent执行命令的安全边界。默认情况下，OpenClaw不会傻乎乎地执行Agent提出的所有命令，而是根据审批配置决定策略。你可以把审批策略理解成三种模式：

• allow all：所有命令直接放行，适合完全信任的本地环境。
• ask me：每次执行高危操作都先问一下你，适合刚上手、想看清楚Agent在干嘛的阶段。
• deny all：只允许白名单里的命令，适合云端或生产环境，最大程度限制风险。

我建议新手一开始用“ask me”模式，多观察几次Agent的决策过程，对理解它怎么干活非常有帮助。等熟悉了再放开权限也不迟。

5.2 workspace目录结构和文件习惯

OpenClaw的workspace是它“思考和工作”的地方，所有与Agent交互产生的文件都会落到这个目录里。Windows下通常是c:\users\administrator\.openclaw\workspace，Linux下是~/.openclaw/workspace。

这个目录结构我建议你规划一下再开工，别让所有文件堆在一层。我自己的习惯是：

workspace/ ├── projects/ # 按项目名分子目录 ├── downloads/ # Agent抓取或生成的临时文件 ├── reports/ # 输出报告 └── assets/ # 图片、附件等静态资源

目录分好，Agent在处理任务时会更清晰地知道“该从哪读数据、往哪写结果”。如果你上来就一股脑丢到一个目录里，文件一多Agent自己也会蒙。

另外有个细节：OpenClaw在处理任务时会把运行元数据（runtime metadata）记录在.openclaw目录下，包括Agent身份、会话ID、运行日志等。如果你是开发人员或者喜欢查日志定位问题，这些元数据非常有用。平时不用管它，但排查问题时要知道去那里翻。

5.3 给OpenClaw安装Skill

Skill是OpenClaw的扩展机制，也是它能“越用越顺手”的原因。安装Skill的命令是：

openclaw skill add <skill-name> # 或者从仓库地址安装 openclaw skill add https://github.com/example/openclaw-skill-pdf

比如你想让它能做PDF解析、网页抓取、Excel处理，就分别装对应的Skill包。装完后，OpenClaw会自动更新技能索引，之后给Agent分配任务时，它能自动判断该调用哪个Skill。

这里有一个本地模型用户常问的问题：“OpenClaw使用本地Ollama如何安装Skill？”其实Skill安装跟模型后端没有任何关系。Skill是OpenClaw层的工具，不管你是用NIM还是Ollama还是云端API，Skill安装方式完全一样。区别只在于：本地小模型的工具调用能力弱一些，面对复杂任务时可能不会主动选择正确的Skill，这时候你需要在指令里明确指出“用XX技能处理”，效果会好很多。

Skill装太多也会带来副作用。Agent在判断该用哪个技能时，如果候选列表过长，可能出现选择困难或调用错工具的情况。我的经验是：按需安装，不用的先禁用。就像手机App，装一堆不用，反而拖慢系统。

6. 实战接入：飞书、微信、Codex、Obsidian

6.1 把飞书和微信当操作入口

把OpenClaw接入飞书或微信，属于真正的“实战化”操作。装好之后，你就不用天天蹲在终端前面了，直接在IM里给机器人发指令，它会自己去干活再汇报结果。

飞书接入的常规路径是：在飞书开放平台创建企业自建应用，拿到App ID和App Secret，然后配置事件订阅和消息回调地址。OpenClaw这边把应用凭证填进去，启动一个回调服务，就能收到飞书消息。需要配置的大致内容：

• 消息接收地址：指向OpenClaw运行的公网地址或内网网关。
• 事件订阅：开启im.message.receive_v1事件。
• 权限配置：至少要有“获取与发送单聊、群组消息”的权限。

微信接入稍微麻烦一些，因为微信个人号没有官方开放平台接口，社区方案通常是基于微信机器人框架或企业微信来接。如果你个人使用，企业微信或者第三方微信机器人框架是比较稳定的选择。接入思路跟飞书类似：配置好接收地址，把消息转发给OpenClaw的接口。

这里提醒一句：IM接入会把Agent暴露到真实的社交环境里，安全问题要格外重视。建议给OpenClaw设置一个唤醒词或指令前缀，比如“机器人，帮我...”，避免误触发。热词里“呼唤OpenClaw的口令”其实就是配置里的机器人指令前缀，一般可以在渠道配置中自定义。

6.2 和Codex配合做编码任务

OpenClaw单独用已经能干不少活，但如果让它和OpenAI Codex CLI配合，编码自动化这块会非常顺手。Codex擅长的是理解代码上下文、编写和修改代码，而OpenClaw的优势在于调度工具和执行任务，两者天然互补。

我通常的用法是：在OpenClaw里配置一个针对编码场景的Skill，让它调用Codex CLI执行代码生成、测试修复等任务。比如可以让OpenClaw先分析项目里的TODO列表，然后白给Codex指定子任务，跑代码、跑测试、收集反馈，再循环调整。

OpenClaw与Codex的接口一般通过CLI调用完成：

codex exec "重构src/utils.py中的日期处理函数，并补充单元测试"

OpenClaw负责解析你的自然语言指令，拆解成可执行的小任务，把每个任务交给Codex执行，再把结果汇总给你。实际体验上，等于你多了一个“项目经理”和一个“程序员”。

6.3 用Obsidian结合OpenClaw做项目管理

这个组合是社区里呼声比较高的工作流，尤其是对需要大量整理笔记、维护知识库的人。

思路很简单：把Obsidian的Vault目录作为OpenClaw的workspace或者子目录，然后你只需要告诉Agent“把这个周报整理进项目笔记”“把这几篇会议记录归档到对应项目”，OpenClaw就会直接操作Markdown文件，自动维护目录结构、添加标签、甚至按模板生成笔记。

我自己的实战案例是：每周五让OpenClaw扫描workspace里的周报文件，按照年月周目录归档，然后在Obsidian里生成一份带链接的周回顾笔记。原来半小时的手工整理，现在一句指令就搞定。这种自动化不复杂，但确实能让内容管理习惯坚持下来。

需要注意的点是：使用Obsidian时最好给它装一个“Obsidian Git”插件做自动版本提交，这样Agent误改了文件还能快速回滚。毕竟自动化越深入，备份机制越不能少。

7. 日常维护与问题排查

7.1 常见问题速查表

把我在安装和使用中遇到的典型问题整理成一个表格，方便大家对照排查。这些问题在社区里反复出现，基本覆盖了新手到进阶的常见坑。

7.2 关闭、卸载与清理

OpenClaw用久了，偶尔会碰到“我到底怎么把这个东西关掉”的疑问。关闭和卸载其实是两回事。

临时关掉Agent进程很简单：在终端里按Ctrl+C，或者用系统命令杀掉进程：

ps aux | grep -i openclaw kill <pid>

Windows下用任务管理器关掉对应的进程，或者在终端Stop-Process -Name openclaw -Force。

如果你确定要彻底卸载OpenClaw，那就不能只杀进程了，需要把安装文件和配置一起清干净。官方卸载脚本会自动移除可执行文件和PATH配置，但.openclaw目录里的workspace、配置、日志通常不会自动删。这是设计如此，避免误删你的数据。手动清理时确认一下：

• 安装目录（可执行文件）
• ~/.openclaw配置目录
• 系统PATH里的相关条目

卸载之前，记得备份workspace和exec-approvals.json。不然哪天你又想装回来，这些配置和数据丢了就得从头折腾。

7.3 个人实操心得

Build了几个完整项目之后，我有几点比较深的体会，放这里分享一下。

第一，OpenClaw的维护成本主要在模型层，而不是框架本身。框架装好了基本很稳，但它调用的模型质量直接决定了Agent的表现上限。与其花时间折腾各种配置文件，不如把一个好的模型端调明白，收益更大。

第二，审批机制千万别一上来就全关。我见过太多人为了省事把审批设成allow all，结果Agent误操作删了文件还浑然不觉。用“ask me”模式跑几天，熟悉了它的决策路径再放开，这是最稳的节奏。

第三，指令描述能力值得专门练一练。OpenClaw虽然强，但它不是你肚里的蛔虫。你给的指令越具体（包含目标、约束、输入路径、输出方式），它完成的质量就越高。哪怕你是给自己用，也值得按写PRD的标准去思考怎么提需求。

第四，社区资源特别重要。类似Clawhub就是共享技能包的社区，很多现成的Skill能让你少走很多弯路。遇到问题了，先查官方文档和社区，很多时候别人已经在同样场景下踩过坑了。

OpenClaw这类的个人Agent框架，其实还在快速演进期。我最后的建议是：先搭一个最小的能跑通的闭环，然后边用边加能力，不要一上来就追求“全家桶”。一套能解决你真实问题的配置，比一堆花里胡哨但不常用的功能有价值得多。