电脑部署龙虾AI(OpenClaw)完整教程 + 日常使用详解

AI到底是什么?怎么在自己电脑上部署、怎么日常使用?网上教程要么太简略、要么太偏开发者,新手根本看不懂。本篇我用最通俗、最详细、一步一命令的方式,从零带你在 Windows/macOS/Linux 部署 龙虾AI(OpenClaw),并附上日常高频使用教程,小白也能直接跟着跑通。


一、龙虾AI(OpenClaw)是什么?
龙虾AI(OpenClaw)是一款可以直接操控你电脑的自动化AI智能体。
和普通聊天AI不同:它能点鼠标、敲键盘、读写文件、操作浏览器、自动办公。

简单说:
- ChatGPT/豆包:只能跟你聊天、写文字
- 龙虾AI:能直接帮你干活

适用人群:
- 办公党:自动整理文件、汇总数据、发邮件、搜资料
- 程序员:自动写代码、查日志、部署项目
- 普通人:解放双手,减少重复操作


二、部署前环境准备
2.1 系统要求
- Windows:Win10 / Win11(64位)
- macOS:12.0 及以上
- Linux:Ubuntu 20.04+、CentOS 7+

2.2 必备软件
1. Git(代码拉取)
2. Node.js 18+(运行环境)
3. 一个大模型 API Key(智谱、DeepSeek、Kimi 都行,有免费额度)


三、Windows 详细部署教程(最常用)
3.1 以管理员身份打开终端
1. 右键 **开始菜单**
2. 选择 **Windows 终端(管理员)** 或 **PowerShell(管理员)**

3.2 允许脚本运行(必执行)
powershell

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser -Force

3.3 一键部署脚本(官方推荐)
直接复制运行,全自动安装:
powershell 

iwr -useb https://openclaw.ai/install.ps1 | iex

等待 3~10 分钟,会自动:
- 安装 Git、Node.js
- 拉取龙虾代码
- 安装所有依赖
- 配置环境变量

### 🔥 安装过程中看到这个日志?完全正常! 如果你的终端出现以下输出,**代表安装顺利进行中**:

Git not found; bootstrapping user-local portable Git...

Downloading v2.53.0.windows.2...



如果超过10分钟,终止操作,执行以下命令,自动下载安装 Git,全程无需手动干预:

完成后重新从3.2步骤操作

3.4 验证安装是否成功

​ 新开一个终端,输入: powershell  openclaw --version 出现版本号就说明部署成功。 ​

四、macOS 部署教程
4.1 安装 Homebrew

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

4.2 安装依赖

brew install git node

4.3 一键部署

curl -fsSL https://openclaw.ai/install.sh | bash


五、Linux(Ubuntu)部署教程
5.1 更新系统

sudo apt update && sudo apt upgrade -y

5.2 安装基础工具

sudo apt install -y curl git build-essential

5.3 安装 Node.js

curl -fsSL https://deb.nodesource.com/setup_18.x | sudo -E bash - sudo apt install -y nodejs

5.4 一键安装

curl -fsSL https://openclaw.ai/install.sh | bash


六、启动龙虾AI + 基础配置
6.1 启动命令
所有系统通用:

openclaw start

6.2 打开 Web 面板

浏览器访问: http://127.0.0.1:18789

6.3 配置模型 API(关键)

龙虾本身没有大脑,需要接大模型: 1.进入 Web 面板 → 模型配置 2.选择厂商(智谱/DeepSeek/Kimi/MiniMax) 3.填入你的 API Key 4.保存 → 测试连接 新手建议:先用免费额度的平台,成本低、易上手。

6.4 权限设置(安全)

- 新手:用 沙箱模式(只能操作指定文件夹) - 熟练后:可开完整权限 - 永远不要在不明脚本下给最高权限


七、日常常用使用教程(直接照抄)
下面这些是工作/学习最常用指令,你直接复制到龙虾输入框就能用。
7.1 文件整理自动化

帮我整理桌面文件: - 所有图片放到 D:\桌面\图片 - 所有文档放到 D:\桌面\文档 - 压缩包放到 D:\桌面\压缩包 - 其他文件归类到 Other 最后给我一份整理报告

7.2 Excel/CSV 数据处理

读取 D:\数据\2026销售数据.csv 1. 计算每个部门的总销售额 2. 找出最高和最低的月份 3. 生成一个简单分析报告 4. 保存成 分析结果.md

7.3 浏览器自动搜资料

打开 Chrome,搜索:2026年AI智能体行业报告 找到前3篇可下载的PDF,自动下载到桌面 并把标题、链接整理成表格

7.4 批量重命名文件

把 D:\照片\ 下所有文件重命名 格式:旅行_年月日_序号.jpg 例如:旅行_20260325_001.jpg

7.5 自动写周报/总结

根据 D:\工作记录\ 目录下的所有文本 帮我自动生成一篇周报,包含: 1. 本周完成工作 2. 遇到问题 3. 下周计划


八、常用命令行操作(日常必备)

# 启动龙虾 openclaw start # 停止龙虾 openclaw stop # 重启服务 openclaw restart # 查看日志(排查错误) openclaw log # 查看版本 openclaw --version ​


九、常见问题 & 排错
9.1 部署失败常见原因

1.没有用管理员运行终端 2.网络不好,下载超时 3.Node.js 版本太低 4.端口 18789 被占用

9.2 端口被占用解决

修改配置文件里的 port 改为 18790 或其他即可。

9.3 AI 不执行操作

- 检查 API Key 是否正确 - 检查模型是否有额度 - 检查权限是否开启


十、总结 & 学习建议

1.龙虾AI = 能操作电脑的自动化助手 2.部署非常简单,一条命令搞定 3.日常使用就是:说人话 → 让AI干活 4.从简单任务开始练:整理文件、搜资料、处理表格 5.熟练后可以做自动化流程、定时任务、多步骤办公

如果你是新手,不要一上来搞复杂开发,先把日常重复工作用龙虾代替,效率提升非常明显。
 

Read more

【论文笔记】A Survey on Data Synthesis and Augmentation for Large Language Models

【论文笔记】A Survey on Data Synthesis and Augmentation for Large Language Models

A Survey on Data Synthesis and Augmentation for Large Language Models(大型语言模型的数据合成与增强综述) 1. 作者 2. 年份 2024 零、摘要 大型语言模型(LLM)的成功与否,本质上与用于训练和评估的海量、多样化和高质量数据的可用性息息相关。然而,高质量数据的增长速度明显落后于训练数据集的扩展速度,从而导致迫在眉睫的数据耗尽危机。这突显了提高数据效率和探索新数据来源的迫切需求。在此背景下,合成数据已成为一种有前景的解决方案。目前,数据生成主要包括两种主要方法:数据增强和合成。本文全面回顾并总结了LLM生命周期中的数据生成技术,包括数据准备、预训练、微调、指令调整、偏好对齐和应用。此外,我们还讨论了这些方法目前面临的限制,并探讨了未来发展和研究的潜在途径。我们的愿望是使研究人员清楚地了解这些方法,使他们能够在构建LLM时迅速确定适当的数据生成策略,同时为未来的探索提供有价值的见解。 一、介绍 * 近年来,LLM在许多行业取得了巨大的进步。但是大模型的性能高度依赖它们接受训练的数据的质量和

基于大疆MSDK实现的无人机视觉引导自适应降落功能

基于大疆MSDK实现的无人机视觉引导自适应降落功能 概述 最初需求:想要无人机在执行完航线任务后,一键落到一个指定的位置,简化人工控制。 实现一套完整的无人机自主降落功能,通过虚拟摇杆控制使无人机飞向指定位置,再利用视觉识别引导无人机精确降落到具体位置。本文中采用自适应降落策略,根据高度动态调整精度要求和下降速度,以实现安全、精确的降落。 核心点: * 虚拟摇杆导航替代FlyTo功能 * 双轴(X/Y)位置偏移实时调整 * 高度自适应降落策略 * 视觉识别引导定位 * 智能避障管理 系统架构 整体流程 否 是 高于50m 20-50m 5-20m 低于5m 是 否 是 否 否 是 用户触发Return to Vehicle 获取无人机GPS位置 计算与目标点距离 启动虚拟摇杆导航 飞向目标位置 5m/s 距离小于10m? 开始自适应降落 视觉识别系统 计算X/Y偏移量

【AI绘画】Midjourney进阶:色调详解(上)

【AI绘画】Midjourney进阶:色调详解(上)

博客主页: [小ᶻ☡꙳ᵃⁱᵍᶜ꙳]本文专栏: AI绘画 | Midjourney 文章目录 * 💯前言 * 💯Midjourney中的色彩控制 * 为什么要控制色彩? * 为什么要在Midjourney中控制色彩? * 💯色调 * 白色调 * 淡色调 * 明色调 * 💯小结 💯前言 【AI绘画】Midjourney进阶:色相详解     https://blog.ZEEKLOG.net/2201_75539691?type=blog 在上一篇文章中,我们详细探讨了色相的基本概念和运用。而色相作为色彩的基础,虽然能帮助我们区分颜色的种类,但它并不能完全满足实际创作中的需求。尤其在 AI绘画中,颜色的呈现往往需要更加精细的调控,颜色的表达也需要超越单纯的“色相”维度。例如,当我们谈到蓝色时,仅仅知道它是蓝色并不足够。在不同的创作场景中,蓝色可以呈现为淡蓝、深蓝、灰蓝或纯蓝等多种形式,而每一种形式都能传递不同的氛围与视觉感受。 对这些变化的理解与运用,其实是对色调的掌握。色调可以看作是颜色的性格特征,

LazyLLM 多 Agent 应用全流程实践:从源码部署到可视化 Web 调试的低代码方案

LazyLLM 多 Agent 应用全流程实践:从源码部署到可视化 Web 调试的低代码方案

LazyLLM 多 Agent 应用全流程实践:从源码部署到可视化 Web 调试的低代码方案 前言:为什么选择 LazyLLM 构建多 Agent 大模型应用? LazyLLM 作为低代码构建多 Agent 大模型应用的开发工具,可大幅降低大模型应用的开发与部署门槛。本文聚焦其在豆包模型的落地实践,将从源码部署豆包文本模型的完整配置步骤入手,延伸至官方 WebModule 启动可视化 Web 界面的实操流程,并配套精准性、简洁度等多维度的部署测试说明,为开发者提供可直接对照的实操指南,助力高效完成豆包模型在 LazyLLM 框架下的部署与验证。 LazyLLM 整体架构解析:三层联动的多 Agent 运行体系 LazyLLM 的架构分为三层级递进结构,各层级分工明确且联动协同,实现从应用开发到落地执行的全流程覆盖:上层(LazyPlatform AI 大模型应用开发平台):核心含应用编排平台以可视化编排、发布、回流、调优的闭环完成应用构建迭代与平台管理模块通过租户、权限管理支撑多用户运维,是开发者的高效开发管理入口中层(