openclaw使用本地llama.cpp

llama.cpp兼容openapi接口,自然可以作为openclaw的后端。
添加自定义provider同前:为openclaw增加自定义provider
反复修改,总是不能得到正确的model状态。

{"meta":{"lastTouchedVersion":"2026.2.3-1", "lastTouchedAt":"2026-02-05T12:16:30.399Z"}, "wizard":{"lastRunAt":"2026-01-30T12:20:58.674Z", "lastRunVersion":"2026.1.29", "lastRunCommand":"onboard", "lastRunMode":"local"}, "models":{"mode":"merge", "providers":{"llamacpp":{"baseUrl":"http://192.168.1.182:8087/v1", "apiKey":"no need key", "api":"openai-completions", "models":[{"id":"Qwen3-8B-Q6_K", "name":"Qwen3", "api":"openai-completions", "reasoning": true, "input":["text"], "cost":{"input":0, "output":0, "cacheRead":0, "cacheWrite":0}, "contextWindow":262144, "maxTokens":32000}]}}}, "agents":{"defaults":{"model":{"primary":"llamacpp/Qwen3-8B-Q6_K"}, "models":{"llamacpp/Qwen3-8B-Q6_K":{"alias":"Qwen3"}}, "maxConcurrent":4, "subagents":{"maxConcurrent":8}}}, "messages":{"ackReactionScope":"group-mentions"}, "commands":{"native":"auto", "nativeSkills":"auto"}, "gateway":{"port":18789, "mode":"local", "bind":"loopback", "auth":{"mode":"token", "token":"a08c51975f90e3afa566f4af1de977a70b6e9630909cc8c0", "password":"a08c51975f90e3afa566f4af1de977a70b6e9630909cc8c0"}, "tailscale":{"mode":"off", "resetOnExit":false}}, "skills":{"install":{"nodeManager":"npm"}}}

注意C:\Users\yusp7.openclaw\agents\main\agent\models.json,要与config\models\provider里一致,内容不能有重复provider名的:

{"providers":{"llamacpp":{"baseUrl":"http://192.168.1.182:8087/v1", "apiKey":"no need key", "api":"openai-completions", "models":[{"id":"Qwen3-8B-Q6_K", "name":"Qwen3", "api":"openai-completions", "reasoning": true, "input":["text"], "cost":{"input":0, "output":0, "cacheRead":0, "cacheWrite":0}, "contextWindow":262144, "maxTokens":32000}]}}}
在这里插入图片描述


但是,为什么返回的对话不对?

在这里插入图片描述

Read more

如何部署本地 stable diffusion 本地使用大模型Z Image Turbo

🛠️ 部署 Stable Diffusion 详细步骤(以 Automatic1111 WebUI 为例) 1. 准备工作(系统和硬件要求) * 操作系统: Windows 10/11, macOS (Apple Silicon 芯片), 或 Linux。NVIDIA: 推荐使用 NVIDIA 显卡(RTX 系列为佳),显存 (VRAM) 最好在 8GB 或以上。这是 Windows 上运行 SD 性能最好的选择。 * 显卡 (GPU): * AMD: 也可以,但设置可能更复杂,且性能通常不如 NVIDIA。 * Apple Silicon (M系列芯片): 在 macOS 上性能优秀,

从红外光学到智能家居:TSW-30浊度传感器的跨界应用实践

红外光学传感技术赋能智能家居:TSW-30浊度传感器的创新应用指南 在智能家居设备日益普及的今天,水质监测已成为提升家电智能化水平的关键环节。传统家电如洗碗机、洗衣机往往缺乏对水质的实时感知能力,导致洗涤效果不稳定或资源浪费。TSW-30浊度传感器作为一款基于红外光学原理的低成本解决方案,正在改变这一现状。这款由GE公司开发的传感器模块,通过创新的光电检测技术,为家电产品赋予了"水质视觉"能力,让设备能够像人类一样感知水的清洁程度。 1. 红外光学传感原理与技术解析 1.1 光学浊度检测的核心机制 TSW-30浊度传感器采用红外对管设计,其核心是一个发射红外光的LED和一个接收光信号的光敏二极管。当红外光穿过被测水体时,水中的悬浮颗粒会导致两种光学现象: * 光散射:悬浮颗粒使部分光线改变传播方向 * 光吸收:颗粒物质吸收特定波长的光能 传感器通过测量透射光强度的变化来计算浊度值,其物理关系可表示为: 透射光强(I) = 初始光强(I₀) × e^(-τ×L) 其中τ为浊度系数,L为光程长度。TSW-30的工作波长范围为500-1050nm,专门优化了对水中常见

SLAM Toolbox完全指南:5分钟掌握机器人智能建图技术

SLAM Toolbox完全指南:5分钟掌握机器人智能建图技术 【免费下载链接】slam_toolboxSlam Toolbox for lifelong mapping and localization in potentially massive maps with ROS 项目地址: https://gitcode.com/gh_mirrors/sl/slam_toolbox SLAM Toolbox是一款基于ROS的开源SLAM框架,专门为机器人定位与建图设计,支持大规模环境下的终身地图构建。无论您是机器人初学者还是专业开发者,这个工具都能帮助您快速实现精确的环境感知和自主导航功能。本文将带您深入了解SLAM Toolbox的核心优势、实际应用场景以及快速上手方法。 🔍 什么是SLAM Toolbox? SLAM Toolbox是一个功能强大的2D SLAM解决方案,它集成了多种先进的算法和优化技术。与传统的SLAM系统相比,它最大的特色在于支持终身建图和多机器人协作,让您的机器人能够在不断变化的环境中持续学习和适应。 🚀 四大核心功能解析 1. 多种建

n8n 集成飞书机器人完整实战指南:从零到一的踩坑之路

n8n 集成飞书机器人完整实战指南:从零到一的踩坑之路

n8n 集成飞书机器人完整实战指南:从零到一的踩坑之路 前言 本文记录了近期项目中在 Docker 环境下使用 n8n 集成飞书机器人踩坑的完整过程,包括遇到的各种坑点和解决方案。希望能帮助后来者避免重复踩坑。 项目背景 我们的目标是将一个 n8n 销售助手工作流集成到飞书聊天中,实现: * 用户在飞书群聊或私聊中@机器人 * 机器人接收消息并调用 AI 模型处理 * 返回个性化的销售建议 环境架构 飞书客户端 → 飞书开放平台 → WebSocket → n8n → PostgreSQL ↓ OpenAI API 对应的n8n业务流 技术栈 * n8n: 1.111.0 (Docker 部署) * PostgreSQL: 16 * Nginx: 反向代理 * 飞书开放平台: 企业自建应用 * 社区包: n8n-nodes-feishu-lark 踩坑记录与解决方案 坑0:Webhook 方式的深度陷阱(