ClawdBot镜像免配置：docker-compose一键启动多语言机器人教程

优质文章学习记录

— 12 min read

ClawdBot镜像免配置：docker-compose一键启动多语言机器人教程

你是否试过在本地搭一个真正能用的AI助手，结果卡在环境配置、模型下载、API密钥、端口冲突上，折腾半天连首页都打不开？ClawdBot不是又一个需要你手动编译、改配置、调依赖的“半成品项目”。它是一套开箱即用的个人AI工作流系统——后端由vLLM驱动，前端带可视化控制台，所有服务打包进一个轻量镜像，一条docker-compose up -d命令，5分钟内就能拥有自己的多语言智能机器人。

更关键的是，它不只做聊天。当你把ClawdBot和MoltBot组合起来，就诞生了一个真正落地的Telegram全能翻译官：语音发过去自动转文字再翻译，截图发进来立刻OCR识别+多语种输出，群聊里@一下就能实时互译，顺手还能查天气、换汇率、搜维基。整个流程全部离线运行、零额外费用、不上传任何数据——你的消息永远留在你自己的设备里。

这不是概念演示，而是已经跑在树莓派4、MacBook M1、甚至老旧笔记本上的真实方案。本文不讲原理、不堆参数，只带你一步步从空白系统开始，用最自然的方式完成部署、验证、调优和日常使用。所有操作都在终端里敲几行命令，所有配置都有图形界面可点选，所有问题都有明确解法。现在，我们就开始。

1. 为什么是ClawdBot + MoltBot？一次部署解决三类需求

很多人以为“本地AI助手”就是换个聊天窗口。但真实场景中，你需要的从来不是“能说话”，而是“能办事”。ClawdBot和MoltBot的组合，恰好覆盖了个人用户最常遇到的三类高频需求：对话理解、多模态输入、跨平台分发。它们不是两个独立工具，而是一套协同工作的系统。

1.1 ClawdBot：你的本地AI大脑

ClawdBot本质是一个AI网关（AI Gateway），它不自己训练模型，而是统一调度、编排、管理各种后端模型服务。你可以把它想象成一个“AI交通指挥中心”：

  • 所有请求先到ClawdBot；
  • 它根据任务类型（文本生成、语音转写、OCR识别）分发给对应引擎；
  • 再把结果整合、格式化、返回给前端或下游应用（比如Telegram机器人）。

它默认集成vLLM作为大模型推理后端，这意味着：
速度快：Qwen3-4B模型在普通CPU上也能跑出接近GPU的吞吐；
显存省：vLLM的PagedAttention技术让4GB显存也能稳跑7B级模型；
接口标准：完全兼容OpenAI API格式，你现有的提示词、代码、工具链全都能直接复用。

更重要的是，ClawdBot自带Web控制台（Dashboard），你不需要记命令、不用改JSON、不碰YAML——打开浏览器，点点鼠标就能切换模型、调整参数、查看日志、管理设备。

1.2 MoltBot：你的Telegram翻译前线

如果说ClawdBot是大脑，MoltBot就是伸向Telegram的“手和嘴”。它专为Telegram设计，但能力远超普通翻译机器人：

能力实现方式是否离线
实时文字翻译LibreTranslate（本地部署）+ Google Translate（可选回退）LibreTranslate完全离线
语音转译Whisper tiny 模型本地转写 → 翻译全链路离线
图片OCR翻译PaddleOCR轻量模型识别 → 翻译不依赖云API
快捷查询内置天气、汇率、维基API客户端❌ 需联网，但无敏感数据上传

MoltBot的“零配置”不是营销话术：它的Docker镜像已预装Whisper tiny、PaddleOCR、LibreTranslate服务，所有依赖打包进300MB镜像。你只需提供Telegram Bot Token，docker run moltbot之后，机器人立刻上线——连Nginx反代、HTTPS证书、Webhook配置都帮你绕过去了。

1.3 二者如何协同工作？

ClawdBot和MoltBot通过标准HTTP API通信，架构极简：

Telegram用户 → MoltBot（接收消息） ↓ MoltBot调用ClawdBot API（/v1/chat/completions） ↓ ClawdBot调度vLLM/Qwen3-4B → 生成响应 ↓ ClawdBot返回结果 → MoltBot格式化 → 发回Telegram

这意味着：
🔹 你升级ClawdBot里的模型（比如换成Qwen2.5-7B），MoltBot自动获得更强理解力；
🔹 你在ClawdBot控制台开启“阅后即焚”，所有经MoltBot处理的消息都不落盘；
🔹 你想加个新功能（比如PDF摘要），只需在ClawdBot里注册一个新Agent，MoltBot无需改动。

这不是两个工具拼凑，而是一体化工作流的前后端分离设计。

2. 一键部署：从空目录到可访问Dashboard

整个过程只需要三个终端命令，全程无需sudo、不改系统配置、不装Python包。我们以Linux/macOS为例（Windows用户请用WSL2）。

2.1 准备工作：确认基础环境

确保你已安装：

  • Docker ≥ 24.0
  • docker-compose ≥ 2.20
  • 4GB以上可用内存（推荐8GB）

验证命令：

docker --version && docker-compose --version

如果未安装，请先执行（Ubuntu/Debian）：

curl -fsSL https://get.docker.com | sh sudo usermod -aG docker $USER newgrp docker # 刷新组权限，避免后续sudo
注意：ClawdBot对硬件要求极低。我们在树莓派4（4GB RAM）实测：同时运行vLLM（Qwen3-4B）、LibreTranslate、Whisper tiny、PaddleOCR，15人并发翻译无延迟。如果你的设备能跑Docker，它就能跑ClawdBot。

2.2 下载并启动docker-compose.yml

创建空目录，进入后执行：

mkdir clawdbot-moltbot && cd clawdbot-moltbot curl -O https://raw.githubusercontent.com/clawd-bot/clawdbot/main/docker-compose.yml

这个docker-compose.yml已预配置好所有服务：

  • clawdbot-gateway: 主网关，含Dashboard UI
  • vllm-engine: vLLM推理服务，加载Qwen3-4B模型
  • libretranslate: 本地翻译引擎
  • whisper: 语音转写服务
  • paddleocr: 图片文字识别服务

启动全部服务：

docker-compose up -d

你会看到类似输出：

[+] Running 5/5 ⠿ Network clawdbot-moltbot_default Created ⠿ Container clawdbot-vllm-engine-1 Started ⠿ Container clawdbot-libretranslate-1 Started ⠿ Container clawdbot-whisper-1 Started ⠿ Container clawdbot-paddleocr-1 Started

等待约90秒（模型首次加载需时间），检查服务状态：

docker-compose ps

所有状态应为healthy。

2.3 获取Dashboard访问地址

ClawdBot Dashboard默认监听localhost:7860，但首次启动需设备授权。执行：

docker-compose exec clawdbot-gateway clawdbot devices list

输出类似：

ID Status Created Last Seen abc123 pending 2026-01-24 10:22:15 -

复制ID（如abc123），批准设备：

docker-compose exec clawdbot-gateway clawdbot devices approve abc123

批准后，再次执行：

docker-compose exec clawdbot-gateway clawdbot dashboard

你会看到类似输出：

Dashboard URL: http://127.0.0.1:7860/?token=23588143fd1588692851f6cbe9218ec6b874bb859e775762

将URL粘贴到浏览器，即可打开ClawdBot控制台。如果本地无法访问（常见于远程服务器），按提示执行SSH端口转发：

ssh -N -L 7860:127.0.0.1:7860 user@your-server-ip

然后在本机浏览器打开http://localhost:7860。

小技巧：Dashboard右上角有“Token”按钮，可随时生成新token，避免链接泄露。

3. 模型配置实战：不改代码，三步切换更强模型

ClawdBot默认加载Qwen3-4B-Instruct，适合大多数场景。但如果你需要更强逻辑、更长上下文或特定领域能力，切换模型只需三步——全部在UI中完成，无需编辑JSON。

3.1 进入模型配置界面

打开Dashboard → 左侧菜单点击 Config → Models → Providers。

你会看到当前配置的vllm提供方，以及已注册的模型列表。

3.2 添加新模型（以Qwen2.5-7B为例）

点击右上角 + Add Model，填写：

  • Provider: vllm（保持默认）
  • Model ID: Qwen2.5-7B-Instruct
  • Name: Qwen2.5-7B-Instruct
  • Base URL: http://vllm-engine:8000/v1（注意：这是容器内地址，非localhost）
  • API Key: sk-local（ClawdBot与vLLM约定的固定密钥）

点击 Save。

为什么Base URL写vllm-engine:8000？因为这是Docker Compose服务名，在容器网络中可直接解析。写localhost会失败。

3.3 设为默认模型并验证

回到 Config → Agents → Defaults，找到model.primary字段，将值改为：

vllm/Qwen2.5-7B-Instruct

保存后，终端执行验证命令：

docker-compose exec clawdbot-gateway clawdbot models list

输出应包含新模型：

Model Input Ctx Local Auth Tags vllm/Qwen2.5-7B-Instruct text 32k yes yes default vllm/Qwen3-4B-Instruct-2507 text 195k yes yes

此时所有新会话将自动使用Qwen2.5-7B。你也可以在单次请求中指定模型，例如在Dashboard的Chat界面，输入：

/model vllm/Qwen2.5-7B-Instruct 你好，用中文总结这篇论文
提示：Qwen2.5-7B需约6GB显存。若设备显存不足，可改用Qwen2.5-1.5B-Instruct（2GB显存足够），速度更快，适合日常对话。

4. 接入Telegram：让MoltBot成为你的翻译助手

MoltBot是ClawdBot的能力出口。部署完ClawdBot后，MoltBot只需一行命令即可接入Telegram，无需修改ClawdBot配置。

4.1 获取Telegram Bot Token

  1. 在Telegram中搜索@BotFather
  2. 发送 /newbot
  3. 按提示输入机器人名称（如MyClawdTranslator）和用户名（如my_clawd_translator_bot）
  4. BotFather会返回Token，形如：1234567890:ABCdefGhIJKlmNoPQRstUvwXYZaBcDeFgHiJkLm

4.2 启动MoltBot并关联ClawdBot

在同一目录下，执行：

docker run -d \ --name moltbot \ --network clawdbot-moltbot_default \ -e TELEGRAM_BOT_TOKEN="1234567890:ABCdefGhIJKlmNoPQRstUvwXYZaBcDeFgHiJkLm" \ -e CLAWDBOT_API_URL="http://clawdbot-gateway:7860" \ -e CLAWDBOT_API_KEY="sk-local" \ -p 8080:8080 \ moltbot/moltbot

关键参数说明：

  • --network clawdbot-moltbot_default: 复用ClawdBot的Docker网络，使MoltBot能直接访问clawdbot-gateway服务
  • CLAWDBOT_API_URL: 指向ClawdBot网关（容器内地址）
  • CLAWDBOT_API_KEY: 与ClawdBot配置一致的密钥

4.3 测试与使用

  1. 打开Telegram，搜索你创建的机器人用户名（如@my_clawd_translator_bot）
  2. 点击Start
  3. 发送任意消息，例如：
    Hello, how's the weather in Beijing?
    机器人将调用ClawdBot，用Qwen模型理解意图，再调用天气插件返回结果。

群聊中，只需@my_clawd_translator_bot Hello，即可触发翻译。发送语音或图片，同样自动处理。

故障排查：如果机器人无响应，检查MoltBot日志：
docker logs moltbot | tail -20
常见错误是网络不通（确认--network参数）或Token错误（重新获取）。

5. 日常维护与实用技巧

部署只是开始。让ClawdBot长期稳定运行，需要几个简单但关键的习惯。

5.1 日志查看：快速定位问题

ClawdBot所有服务日志集中输出到clawdbot-gateway容器：

# 查看整体日志流 docker-compose logs -f clawdbot-gateway # 查看最近100行（不实时） docker-compose logs --tail 100 clawdbot-gateway # 只看错误（关键词error/fail） docker-compose logs clawdbot-gateway 2>&1 | grep -i "error\|fail\|exception"

MoltBot日志单独查看：

docker logs moltbot

5.2 模型热更新：不重启服务更换模型

ClawdBot支持运行时重载模型配置。当你在UI中修改模型设置并保存后，无需重启容器。ClawdBot会自动检测/app/clawdbot.json变更，并在30秒内生效。

验证是否生效：在Dashboard Chat界面发送/status，返回的模型信息会实时更新。

5.3 数据隐私控制：真正“我的数据，我做主”

ClawdBot默认不存储任何用户消息。但你仍可进一步加固：

  • 启用阅后即焚：Dashboard → Config → Agents → Defaults → ephemeral设为true
  • 禁用历史记录：同页面关闭history.enabled

代理出口流量：在clawdbot.json中添加代理配置（适用于国内网络）：

"proxy": { "http": "http://127.0.0.1:7890", "https": "http://127.0.0.1:7890" }

所有配置修改后，保存并等待自动重载即可。

5.4 性能优化小贴士

  • 显存不足？ 在docker-compose.yml中降低vLLM的--max-num-seqs（默认256），改为128或64
  • 响应慢？ 检查clawdbot-gateway容器CPU占用：docker stats clawdbot-moltbot-clawdbot-gateway-1，若持续>90%，考虑增加CPU配额
  • 想省空间？ 删除旧镜像：docker image prune -f（不影响正在运行的容器）

6. 总结：你已拥有了什么？

回看这5分钟的部署过程，你实际获得的不是一个“能跑的Demo”，而是一套可生产、可扩展、可掌控的个人AI基础设施：

一个本地AI大脑：ClawdBot网关，统一调度vLLM、OCR、语音等引擎，所有交互走标准API；
一个跨平台出口：MoltBot Telegram机器人，把AI能力无缝接入你每天使用的通讯工具；
一套零学习成本的操作方式：所有配置在网页点选，所有命令清晰可复制，所有问题有明确路径；
一份真正的数据主权：消息不上传、模型不调用第三方API、配置完全自主可控。

这不是“玩具项目”，而是已经支撑起真实工作流的工具：有人用它自动翻译海外技术文档，有人用它为家人制作双语家庭相册，还有人把它嵌入智能家居中，实现语音指令的本地化理解。

下一步，你可以：
→ 在ClawdBot中添加PDF解析Agent，让机器人读懂你的论文；
→ 用MoltBot的/wiki命令快速检索技术概念；
→ 把ClawdBot API接入Notion或Obsidian，构建个人知识库；
→ 或者，就让它安静地待在后台，当你需要时，一句“帮我写封英文邮件”，它立刻出现。

技术的价值，从来不在参数多高，而在是否真正为你所用。现在，它已经在你机器里运行了。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 ZEEKLOG星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Read more

N46Whisper：突破日语听力瓶颈的AI字幕解决方案

N46Whisper：突破日语听力瓶颈的AI字幕解决方案 【免费下载链接】N46WhisperWhisper based Japanese subtitle generator 项目地址: https://gitcode.com/gh_mirrors/n4/N46Whisper 日语学习者常面临听力理解的困境，视频内容没有字幕或字幕质量不佳导致学习效率低下；内容创作者在制作日语视频时，传统字幕制作流程繁琐且耗时。N46Whisper作为基于Whisper技术的日语语音识别工具，通过AI驱动的语音转文字技术，为解决这些问题提供了高效方案。本文将从技术原理、应用场景和实际价值三个维度，深入分析这款工具如何通过智能化手段提升日语字幕制作效率。 剖析传统字幕制作的核心痛点 传统日语字幕制作过程中存在多重挑战。首先是时间成本高昂，人工转录1小时视频通常需要4-6小时，且容易因听力误差导致错漏。其次是技术门槛高，专业字幕软件如Aegisub需要掌握复杂的时间轴编辑技巧。最后是格式兼容性问题，不同平台对字幕格式要求各异，转换过程中易出现样式丢失。这些问题在日语内容处理中尤为突出，因日语存在

Ollama 底层的 llama.cpp 和 GGUF

GGUF = 大模型权重的「通用压缩格式」（类似视频的 MP4，适配所有播放器） llama.cpp = 跑 GGUF 格式模型的「轻量级推理引擎」（类似视频播放器，能在低配电脑上流畅播 MP4） 两者配合：GGUF 让模型体积变小、适配性强，llama.cpp 让模型能在 CPU / 低配 GPU 上快速跑 这也是 Ollama 能做到 “一键本地运行” 的底层原因 GGUF 详解：大模型的 “通用压缩包” 核心定义 GGUF（Generic GGML Format）是 GGML 格式的升级版，是专门为大模型权重设计的二进制存储格式 核心目标是「通用、高效、压缩」 GGML 是什么？
AIGC实战——CycleGAN详解与实现

AIGC实战——CycleGAN详解与实现

AIGC实战——CycleGAN详解与实现 * 0. 前言 * 1. CycleGAN 基本原理 * 2. CycleGAN 模型分析 * 3. 实现 CycleGAN * 小结 * 系列链接 0. 前言 CycleGAN 是一种用于图像转换的生成对抗网络(Generative Adversarial Network, GAN)，可以在不需要配对数据的情况下将一种风格的图像转换成另一种风格，而无需为每一对输入-输出图像配对训练数据。CycleGAN 的核心思想是利用两个生成器和两个判别器，它们共同学习两个域之间的映射关系。例如，将马的图像转换成斑马的图像，或者将苹果图像转换为橙子图像。在本节中，我们将学习 CycleGAN 的基本原理，并实现该模型用于将夏天的风景图像转换成冬天的风景图像，或反之将冬天的风景图像转换为夏天的风景图像。 1. CycleGAN 基本原理 CycleGAN 是一种无需配对的图像转换技术，它可以将一个图像域中的图像转换为另一个图像域中的图像，而不需要匹配这两个域中的图像。它使用两个生成器和两个判别器，其中一个生成器将一个域中的图像
AIGC技术与进展

AIGC技术与进展

AIGC（Artificial Intelligence Generated Content，人工智能生成内容）技术是近年来人工智能领域最具突破性和广泛应用前景的方向之一。它通过深度学习、大模型、多模态融合等核心技术，实现了文本、图像、音频、视频等内容的自动化、智能化生成，正在深刻重塑内容创作、生产方式和人机交互模式。 一、AIGC的发展历程 AIGC的发展大致可分为三个阶段： 1. 早期萌芽阶段（1950s–2010s初） * 主要依赖规则系统和模板方法，如自动摘要、模板新闻。 * 内容形式单一、缺乏灵活性，应用场景有限。 * 代表性事件：1957年首支计算机作曲《Illiac Suite》。 2. 沉淀积累阶段（2010–2020） * 深度学习兴起，GPU算力提升，互联网数据爆发。 * 关键技术突破： * 2014年：生成对抗网络（GAN）提出，推动图像生成质量飞跃。 * 2017年：Transformer架构诞生，奠定大语言模型基础。