老手机 本地部署小龙虾OpenClaw（使用本地千问大模型）实机演示 Termux+Ubuntu+Llama 新手完整安装教程（含代码）

优质文章学习记录

— 7 min read
本教程提供从 0 到 1 的详细步骤，在安卓手机上通过 Termux 运行 Ubuntu，部署本地 Llama 大模型，并集成 OpenClaw 进行 AI 交互，全程无需 Root。建议手机配置：≥4GB 内存，≥64GB 存储，Android 7+。

一、准备工作

1.1 安装 Termux

  1. 从F-Droid或GitHub下载最新版 Termux（避免应用商店旧版本）
  2. 安装并打开，首次启动会自动配置基础环境

1.2 手机设置优化

  1. 开启开发者选项（设置→关于手机→连续点击版本号 7 次）
  2. 开启USB 调试（部分手机需要）
  3. 授予 Termux存储权限（后续步骤会自动请求）

二、Termux 基础配置与 Ubuntu 安装

2.1 Termux 初始化与换源（加速下载）

bash

运行

# 1. 更新系统包 pkg update -y && pkg upgrade -y # 2. 安装必要工具 pkg install -y proot-distro git curl wget termux-exec # 3. 授予存储权限（允许访问手机文件） termux-setup-storage # 4. 更换国内源（解决下载慢问题） echo "deb https://mirrors.tuna.tsinghua.edu.cn/termux/apt/termux-main stable main" > $PREFIX/etc/apt/sources.list pkg update -y

2.2 安装 Ubuntu 系统（Proot 容器，无需 Root）

bash

运行

# 1. 安装Ubuntu（默认最新LTS版本，约200MB） proot-distro install ubuntu # 2. 验证安装并登录Ubuntu proot-distro login ubuntu --isolated # --isolated参数必须加，避免环境变量冲突 # 登录成功后，终端提示符变为：root@localhost:~#

三、Ubuntu 环境配置（核心依赖安装）

在 Ubuntu 终端中执行以下命令（确保已通过proot-distro login ubuntu进入）：

3.1 系统更新与基础工具

bash

运行

# 1. 更新Ubuntu软件源 apt update -y && apt upgrade -y # 2. 安装必要依赖 apt install -y build-essential git curl wget nano python3 python3-pip nodejs npm

3.2 安装 Node.js（OpenClaw 依赖，必须 v22+）

bash

运行

# 卸载旧版本（如果有） apt remove -y nodejs npm # 安装Node.js v22 LTS curl -fsSL https://deb.nodesource.com/setup_22.x | bash - apt install -y nodejs # 验证版本（应显示v22+） node -v && npm -v # 安装pnpm（OpenClaw推荐包管理器） npm install -g pnpm

四、本地 Llama 模型部署（两种方案，推荐 Ollama）

方案 A：Ollama（推荐，新手友好，自动管理模型）

bash

运行

# 1. 安装Ollama（一键脚本） curl -fsSL https://ollama.com/install.sh | sh # 2. 启动Ollama服务（后台运行） nohup ollama serve > ollama.log 2>&1 & # 后台运行，日志保存到ollama.log # 3. 验证安装 ollama --version # 4. 下载轻量级Llama模型（手机推荐0.5B~7B参数） # 下载Qwen2.5-0.5B（中文支持好，仅需约300MB空间） ollama pull qwen2.5:0.5b # 或下载Llama 3.1-8B（英文优秀，约4.7GB） # ollama pull llama3.1:8b # 5. 测试模型（交互模式） ollama run qwen2.5:0.5b # 输入"你好"测试，输入"/bye"退出

方案 B：llama.cpp（手动编译，适合高级用户）

bash

运行

# 1. 克隆llama.cpp仓库 git clone https://github.com/ggerganov/llama.cpp.git cd llama.cpp # 2. 编译（手机CPU优化） make LLAMA_NATIVE=1 LLAMA_NO_ACCELERATE=1 # 禁用加速，适配手机CPU # 3. 下载GGUF格式Llama模型（推荐Q4_K_M量化版，体积小速度快） # 下载Qwen2.5-0.8B-UD-Q4_K_M.gguf（约500MB） wget https://hf-mirror.com/Qwen/Qwen2.5-0.8B-UD/resolve/main/Qwen2.5-0.8B-UD-Q4_K_M.gguf -P models/ # 4. 启动llama.cpp API服务（OpenClaw可通过API访问） ./server -m models/Qwen2.5-0.8B-UD-Q4_K_M.gguf -c 2048 --host 0.0.0.0 --port 8081 # -c 2048：上下文窗口大小 # --host 0.0.0.0：允许外部访问 # --port 8081：API端口

五、OpenClaw 安装与配置

5.1 安装 OpenClaw

bash

运行

# 1. 克隆OpenClaw仓库（或直接下载最新版） git clone https://github.com/openclaw/openclaw.git cd openclaw # 2. 安装依赖 pnpm install # 3. 初始化配置（自动生成.env文件） pnpm run setup

5.2 配置 OpenClaw 连接本地 Llama 模型

情况 1：连接 Ollama（推荐）

在初始化过程中，按以下提示配置：

plaintext

? 请选择默认模型提供商: Ollama ? Ollama API 地址: http://localhost:11434 # Ollama默认端口 ? 请设置Ollama API密钥: ollama-local # 任意值即可，Ollama不需要真实密钥 ? 请选择默认模型: qwen2.5:0.5b # 选择已下载的模型
情况 2：连接 llama.cpp API

bash

运行

# 修改.env文件 nano .env # 添加以下内容（替换原有Ollama配置） MODELS_PROVIDERS_CUSTOM_API_BASE_URL=http://localhost:8081/v1 MODELS_PROVIDERS_CUSTOM_API_KEY=sk-local # 任意值 DEFAULT_MODEL=custom:llama # 保存并退出（Ctrl+O，回车，Ctrl+X）

5.3 启动 OpenClaw

bash

运行

# 开发模式启动（适合调试） pnpm run dev # 或生产模式启动（推荐，性能更好） pnpm run build pnpm run start # 启动成功后，会显示： # > OpenClaw is running on http://localhost:8080

六、访问与使用 OpenClaw

6.1 本地访问（手机浏览器）

  1. 保持 Termux/Ubuntu 终端运行，不要关闭
  2. 打开手机浏览器，输入：http://localhost:8080
  3. 进入 OpenClaw 界面，在左侧选择 "模型交互"
  4. 右侧选择已配置的模型（如 qwen2.5:0.5b）
  5. 输入问题，点击 "发送"，等待回复（手机性能有限，首次可能需要 10-30 秒）

6.2 局域网访问（其他设备）

bash

运行

# 查看手机IP地址（在Ubuntu终端执行） ip a # 查找inet后的地址，如192.168.1.100 # 其他设备浏览器输入：http://手机IP:8080 # 例如：http://192.168.1.100:8080

七、常见问题解决

问题 1：Ollama 启动失败

bash

运行

# 查看日志 cat ollama.log # 常见修复：重启服务 pkill ollama nohup ollama serve > ollama.log 2>&1 &

问题 2：OpenClaw 连接模型失败

bash

运行

# 1. 检查模型服务是否运行 # Ollama： curl http://localhost:11434/v1/models # 应返回模型列表 # llama.cpp： curl http://localhost:8081/v1/models # 应返回模型列表 # 2. 检查.env配置是否正确 cat .env # 3. 重启OpenClaw pnpm run restart

问题 3：内存不足 / 运行缓慢

  1. 选择更小的模型（如 0.5B~2B 参数）
  2. 关闭其他后台应用
  3. 降低模型上下文窗口（llama.cpp 中-c 512代替-c 2048）

七、完整操作流程总结（快速参考）

bash

运行

# 1. 启动Termux # 2. 进入Ubuntu proot-distro login ubuntu --isolated # 3. 启动Ollama服务（如果未启动） nohup ollama serve > ollama.log 2>&1 & # 4. 进入OpenClaw目录 cd openclaw # 5. 启动OpenClaw pnpm run start # 6. 打开浏览器访问http://localhost:8080

八、进阶技巧

后台运行与进程管理

bash

运行

# 1. 查看后台进程 jobs # 2. 将前台进程转为后台（Ctrl+Z后） bg # 3. 恢复后台进程到前台 fg [进程号] # 4. 永久后台运行（重启后仍生效） echo "nohup ollama serve > ollama.log 2>&1 &" >> ~/.bashrc echo "cd /root/openclaw && pnpm run start" >> ~/.bashrc

模型推荐（手机性能友好）

表格

模型名称参数大小占用空间推荐指数特点
Qwen2.5-0.5B0.5B~300MB★★★★★中文支持好，速度快
Llama 3.1-1B1B~600MB★★★★☆英文优秀，轻量级
Mistral-7B-Instruct-v0.37B~4GB★★★☆☆性能强，需≥8GB 内存

常见问题 Q&A

  1. 是否需要 Root？不需要！全程使用 Proot 容器技术，安全无风险
  2. 手机最低配置要求？建议≥4GB RAM，≥64GB 存储，Android 7+
  3. 模型下载慢怎么办？使用国内镜像源，如hf-mirror.com，或在电脑下载后通过 USB 传输到手机
  4. 如何关闭服务？
    • OpenClaw：Ctrl+C
    • Ollama：pkill ollama
    • Ubuntu：exit 退出，然后关闭 Termux

老手机 本地部署小龙虾OpenClaw（使用本地千问大模型）

现在你已经成功在手机上搭建了完整的本地 AI 环境，可以开始使用 OpenClaw 与 Llama 模型进行交互了！

大模型交流群：959957732

Read more

Llama Factory魔法：在消费级显卡上微调7B模型

Llama Factory魔法：在消费级显卡上微调7B模型实战指南 作为一名只有RTX 3090（24GB显存）的独立开发者，想要微调Baichuan-7B这样的大模型似乎是个不可能的任务。但通过Llama Factory结合量化、offload等技术，我成功在消费级显卡上完成了微调实验。本文将分享我的完整实战经验，帮助你在有限硬件条件下突破显存限制。 为什么选择Llama Factory？ Llama Factory是一个专为大模型微调优化的开源框架，其核心优势在于： * 内置多种显存优化技术（4-bit量化、梯度检查点、ZeRO-3 offload等） * 支持Baichuan-7B、Qwen等主流开源模型 * 提供预置训练脚本和配置模板 * 兼容单卡和多卡环境 这类任务通常需要GPU环境，目前ZEEKLOG算力平台提供了包含该镜像的预置环境，可快速部署验证。 硬件需求与显存优化方案 RTX 3090的24GB显存看似不足，但通过组合技术手段可以实现： | 微调方法 | 原始显存需求 | 优化后显存需求 | |----------------|-----
2026年高薪就业赛道揭晓：AI大数据、大模型、AIGC与云计算，错过等五年！

2026年高薪就业赛道揭晓：AI大数据、大模型、AIGC与云计算，错过等五年！

2026年最好的就业赛道——AI大数据、大模型、云计算与AIGC 2026年的春招市场，只有两种人：懂AI的，和羡慕懂AI的。 春节刚过，当大多数人还沉浸在节日的余温中时，招聘市场已经迎来了“开门红”。据智联招聘数据显示，正月初八活跃职位数跃升至除夕的7倍 。而在这一轮招聘热潮中，一个 明显的赢家赛道已然清晰：以人工智能为代表的新质生产力。 如果你还在为“什么专业好就业”而焦虑，或者正在考虑职业转型，那么今年的市场数据给出了极其明确的指向：AI大数据、大模型、AIGC与云计算，正是当下乃至未来五年的黄金赛道。 一、AI人才“一将难求”：岗位暴涨12倍，平均月薪超6万 2026年的AI人才市场有多火？一组数据足以说明问题。 职场社区平台脉脉发布的《2026年1-2月中高端人才求职招聘洞察》显示，今年前两个月，AI岗位数量同比增长了惊人的12倍，其在新经济行业中的岗位占比从去年同期的2.29%飙升至 26.23% 。 与其相对应的是令人艳羡的薪资水平。AI新发岗位的平均月薪达到 60,738元，比新经济行业平均水平高出约26% 。其中，
AI编程革命：2026年我靠Cursor+Copilot，效率提升300%实战手册

AI编程革命：2026年我靠Cursor+Copilot，效率提升300%实战手册

【目录】 * 前言：程序员的生产力革命已来 * 一、Cursor vs Copilot：2026年最强AI编程组合 * 1.1 核心定位与差异 * 1.2 为什么选择组合使用？ * 二、环境配置：30分钟搭建AI编程黄金工作流 * 2.1 安装与基础配置 * Step 1：安装Cursor * Step 2：安装Copilot插件 * Step 3：核心配置优化( settings.json ) * 2.2 项目级AI规则配置(.cursorrules) * 三、核心功能：Cursor+Copilot 10大效率神器 * 3.1 Cursor核心功能 * 1. Agent模式(Ctrl+I)：AI自动执行多步骤任务 * 2. Plan

N46Whisper：智能日语语音转字幕的革命性解决方案

N46Whisper：智能日语语音转字幕的革命性解决方案 【免费下载链接】N46WhisperWhisper based Japanese subtitle generator 项目地址: https://gitcode.com/gh_mirrors/n4/N46Whisper 还在为日语视频字幕制作而烦恼吗？N46Whisper基于先进的AI语音识别技术，为你提供一键式的日语语音转字幕服务。这款云端工具能够将日语音频快速准确地转换为ass和srt格式的字幕文件，彻底告别传统手动打字的繁琐流程。 日语字幕制作面临的三大痛点 耗时耗力的手动输入：传统字幕制作需要逐字逐句听写，1小时视频往往需要3-4小时才能完成。 技术门槛阻碍创作：复杂的字幕软件和编码要求让许多视频创作者望而却步。 翻译质量难以保证：日语到中文的准确翻译需要专业语言能力，普通用户难以胜任。 N46Whisper的智能解决方案 云端AI语音识别引擎 N46Whisper采用业界领先的Whisper语音识别模型，专门针对日语发音特点进行优化。无论是综艺节目的快速对话，还是演讲的正式用语，都能实现95%以