企业官网建设流程全解析

1. 为什么要在 Ubuntu 上把 OpenClaw 和 Ollama 接起来

如果你在 Ubuntu 上折腾过本地 AI 工具链，大概率遇到过这种局面：Ollama 装好了，ollama run qwen2.5也能聊，但一旦想把它接进 OpenClaw 这类工具框架做自动化，就开始卡在配置上——环境变量写错、端口对不上、模型名不匹配，报错还特别含糊。这篇就围绕「Ubuntu 系统配置 OpenClaw 并使用 Ollama」这条链路，把每一步拆到可复制。

先说清楚这三个东西分别是什么、能做什么、适合谁。Ollama 是本地大模型运行工具，一条命令就能拉起 Qwen、Llama 这类模型，模型跑在你自己的机器上，不依赖外部网络。OpenClaw 是轻量级 AI 工具框架，支持对接本地或在线模型，通过技能扩展做自动化操作。TaoToken 则是统一 Key 接入层，当你需要在线模型（比如 Claude、GPT 系列）和本地 Ollama 模型混用时，用同一个 Key 和 Base URL 就能统一管理，不用在多个平台之间来回切换配置。

适合的读者：手上有一台 Ubuntu 22.04 或 24.04 的机器（物理机、虚拟机都行），内存 8GB 以上，想在本地跑通「工具框架 + 本地模型 + 统一 Key」这套组合的开发者。整条链路跑通后，你可以用 OpenClaw 调 Ollama 做本地问答，也可以在同一套配置里切到 TaoToken 接入的在线模型，做代码生成、文档处理这类任务。

我试过在一台 16GB 内存的 Ubuntu 22.04 上从零配这套环境，中间踩了几个坑，下面按顺序来，你跟着做基本能一次跑通。

2. 前置准备：Ubuntu 环境检查与 TaoToken Key 获取

2.1 系统依赖更新与基础工具安装

打开终端（Ctrl+Alt+T），先更新软件包列表并升级已安装的包。这一步别跳过，依赖版本过低是后面各种报错的根源。

sudo apt update sudo apt upgrade -y

升级完成后，安装 git、curl、python3 和 pip3。OpenClaw 拉源码要 git，下载 Ollama 要 curl，Python 依赖管理要 pip3。

sudo apt install git curl python3 python3-pip -y

验证一下四个工具是否都可用：

git --version curl --version python3 --version pip3 --version

每个命令都能输出版本号就说明没问题。如果某个提示command not found，重新执行对应的安装命令即可。Ubuntu 22.04 默认自带 python3，不要再去装 python2，容易引起环境冲突。

2.2 获取 TaoToken 统一 Key

TaoToken 的作用是把在线模型的接入统一到一个 Key 和 Base URL 上。你需要先拿到 API Key，再在 OpenClaw 的配置里填进去。

访问 TaoToken 官网注册并登录，然后进入控制台创建 API Key。地址是：

• 官网入口：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=
• API Keys 管理页：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite

创建好 Key 之后先复制保存，后面配置 OpenClaw 时要用。TaoToken 的 API Base URL 是https://taotoken.net/api，这个地址在配置在线模型时填写。

注意：API Key 只显示一次，创建后立刻复制到安全的地方。不要把它硬编码到会提交到 git 的文件里，建议用环境变量或.env文件管理。

2.3 确认 Ollama 服务端口

Ollama 默认监听11434端口，OpenClaw 配置里要填的ollama_url就是http://localhost:11434。先确认这个端口没有被其他程序占用：

ss -tlnp | grep 11434

如果没有输出，说明端口空闲，可以继续。如果有输出，记下占用进程，后面可能需要改 Ollama 的监听端口。

3. 可复制配置：OpenClaw 接入 Ollama 与 TaoToken

3.1 安装 Ollama 并拉取本地模型

Ollama 在 Ubuntu 上用官方脚本一键安装：

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

安装完成后验证版本：

ollama --version

输出版本号（比如ollama version 0.5.x）就说明安装成功。Ollama 安装后会自动注册为 systemd 服务并启动，监听 11434 端口。

拉取一个本地模型，这里用 Qwen2.5 7B 做示例，中文支持好、内存占用适中：

ollama pull qwen2.5:7b

模型文件大约 4-5GB，下载时间取决于网络。下载中断了重新执行ollama pull会自动续传。拉取完成后确认：

ollama list

能看到qwen2.5:7b就说明模型就绪。内存 8GB 的机器建议用 q4 量化版本，比如qwen2.5:7b-instruct-q4_K_M，占用更小。

3.2 OpenClaw 配置文件片段

OpenClaw 的核心配置是config.yaml。下面是一份可直接复制的配置片段，同时包含 Ollama 本地模型和 TaoToken 在线模型的接入：

# 服务配置 server: host: 0.0.0.0 port: 8080 # 模型配置 model: # 默认使用的模型提供方：ollama 或 taotoken provider: ollama # Ollama 本地模型配置 ollama: base_url: http://localhost:11434 default_model: qwen2.5:7b timeout: 120 # TaoToken 统一 Key 接入在线模型 taotoken: base_url: https://taotoken.net/api api_key: ${TAOTOKEN_API_KEY} default_model: claude-sonnet-4-20250514 timeout: 120

这里api_key用了环境变量${TAOTOKEN_API_KEY}，避免把 Key 写死在文件里。在~/.bashrc或.env里设置：

export TAOTOKEN_API_KEY="你的Key"

然后source ~/.bashrc让它生效。

如果你用的是 JSON 格式的配置（部分 OpenClaw 版本支持config.json），对应片段如下：

{ "server": { "host": "0.0.0.0", "port": 8080 }, "model": { "provider": "ollama", "ollama": { "base_url": "http://localhost:11434", "default_model": "qwen2.5:7b", "timeout": 120 }, "taotoken": { "base_url": "https://taotoken.net/api", "api_key": "${TAOTOKEN_API_KEY}", "default_model": "claude-sonnet-4-20250514", "timeout": 120 } } }

三件套对照表，配置时逐项核对：

3.3 启动 OpenClaw 服务

配置写好后启动服务：

python3 main.py

看到OpenClaw server started on http://0.0.0.0:8080就说明启动成功。想后台运行：

nohup python3 main.py > openclaw.log 2>&1 &

日志会写到openclaw.log，排查问题时看这个文件。

4. 验证请求：curl 测试模型连通性

配置写完不算完，得实际发请求验证链路通不通。分两步：先验证 Ollama 本身，再验证 OpenClaw 转发。

4.1 直接测试 Ollama 接口

用 curl 直接调 Ollama 的 API，确认本地模型能正常响应：

curl -X POST http://localhost:11434/api/generate \ -H "Content-Type: application/json" \ -d '{ "model": "qwen2.5:7b", "prompt": "用一句话介绍Ubuntu", "stream": false }'

预期返回是一段 JSON，包含"response"字段，里面是模型的回答。如果返回{"error":"model not found"}，说明模型名写错了，用ollama list核对。如果连接被拒绝，说明 Ollama 服务没起来，执行sudo systemctl start ollama。

4.2 测试 OpenClaw 转发到 Ollama

通过 OpenClaw 的 API 间接调用 Ollama：

curl -X POST http://localhost:8080/api/chat \ -H "Content-Type: application/json" \ -d '{ "model": "qwen2.5:7b", "message": "如何查看Ubuntu的内存占用" }'

预期返回 JSON，response字段是模型回答。这一步通了，说明 OpenClaw 到 Ollama 的链路没问题。

4.3 测试 TaoToken 在线模型

切换到 TaoToken 接入的在线模型，验证统一 Key 是否生效：

curl -X POST https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "回复OK"}] }'

预期返回标准的 OpenAI 兼容格式，choices[0].message.content里有模型回复。如果返回 401，说明 Key 不对或没生效，检查环境变量是否source过。

5. 本篇常见报错排查

配置过程中最容易卡在这几个报错上，逐个对照排查。

报错一：401 Unauthorized

{"error":{"message":"Invalid API key","type":"authentication_error"}}

原因通常是 Key 没设置或环境变量没生效。检查echo $TAOTOKEN_API_KEY是否有输出，没有就重新source ~/.bashrc。如果 Key 里有特殊字符，确认引号包裹正确。另外确认请求头是Authorization: Bearer <key>格式，Bearer 后面有一个空格。

报错二：local proxy failed / connection refused

curl: (7) Failed to connect to localhost port 11434

Ollama 服务没启动或端口不对。执行sudo systemctl status ollama看状态，没运行就sudo systemctl start ollama。如果 Ollama 跑在别的端口，改配置里的base_url。还有一种情况是 OpenClaw 跑在容器里，localhost指向容器自身而不是宿主机，这时要把localhost换成宿主机的实际 IP。

报错三：reading choices 相关错误

Error reading choices: unexpected end of JSON input

这通常是模型返回了空响应或流式响应被截断。检查stream参数是否和客户端处理逻辑匹配。如果用的是流式接口但客户端按非流式解析，就会报这个。把stream设为false再试一次，能通说明是流式处理的问题。

报错四：OAuth / 认证流程报错

OAuth error: invalid_client

如果你在 OpenClaw 里配了需要 OAuth 的在线服务，确认回调地址和客户端信息填对。用 TaoToken 统一 Key 接入的话，走的是 Bearer Token 认证，不涉及 OAuth 流程，把 provider 切到 taotoken 就能绕过这类问题。

报错五：模型名不匹配

model "qwen2.5" not found, try pulling it first

Ollama 的模型名要带 tag，qwen2.5和qwen2.5:7b是两个不同的标识。用ollama list看实际拉下来的完整名称，配置里一字不差地填进去。

报错六：端口被占用

OSError: [Errno 98] Address already in use

8080 端口被别的程序占了。ss -tlnp | grep 8080找到占用进程，要么停掉它，要么把 OpenClaw 的port改成 8081 或其他空闲端口。

6. 统一 Key 接入后的扩展用法

链路跑通之后，OpenClaw 的价值在于把本地模型和在线模型放在同一套配置里调度。日常问答、代码补全这类对延迟敏感、数据不想出本地的任务，走 Ollama 的qwen2.5:7b；需要更强推理能力或处理复杂文档时，切到 TaoToken 接入的在线模型，改一下provider字段就行，不用重新配 Key 和地址。

如果你打算长期用这套组合做编码或 Agent 类任务，可以了解下 Coding Plan，它针对持续性的代码生成场景做了额度优化：

• Coding Plan 入口：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite

想直接在网页上对比不同模型的效果，可以用模型对话页快速测试：

• 模型对话：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite

接入过程中遇到配置细节问题，文档里有各语言的完整示例：

• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite

最后提醒一个实操细节：Ollama 的模型文件默认存在/usr/share/ollama/.ollama/models，拉多个模型后磁盘占用会涨得很快。定期用ollama list检查，不需要的用ollama rm 模型名删掉。另外 OpenClaw 的config.yaml改完后一定要重启服务才生效，前台启动的 Ctrl+C 再跑一次，后台启动的用pkill -f main.py停掉再重新nohup拉起。