OpenClaw实战系列01：OpenClaw接入飞书机器人全接入指南 + Ollama本地大模型

优质文章学习记录

— 9 min read

文章目录

引言

在AI技术爆发的2026年，我们不再满足于使用公用的ChatGPT或Claude。出于数据隐私、定制化需求或离线可用的考虑，本地部署AI大模型并接入日常办公软件成为了新的刚需。

本文将带你从零开始，完成以下目标：

  1. 安装OpenClaw：一个强大的开源个人AI助理框架（前身为ClawdBot/Moltbot）。
  2. 部署Ollama：在本地运行大模型（如DeepSeek-R1、Llama 3等），作为AI的“大脑”。
  3. 接入飞书：将你的AI助理添加到飞书好友或群聊中，实现随叫随到的智能办公体验。

第一步：环境准备与核心思想

在开始前，我们需要明确技术架构：飞书 → OpenClaw（调度器） → Ollama（本地模型）。

  • 操作系统：Windows（建议WSL2）、macOS 或 Linux。本文以 Windows 11 + WSL2 (Ubuntu 22.04) 为例。
  • 硬件要求：
    • CPU：4核以上（推荐8核）
    • 内存：16GB以上（若运行7B-8B模型，需预留8-10GB内存给模型）
    • 磁盘：20GB以上剩余空间。

第二步：部署Ollama——把大模型“养”在本地

Ollama 是目前最便捷的本地模型运行工具，它支持 Llama 3、DeepSeek-R1、Qwen 2.5 等一系列主流模型

1. 安装 Ollama

访问 Ollama 官网 下载对应系统的安装包，或使用命令行安装（以Linux/WSL为例）：

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

安装完成后，验证版本：

ollama --version

并通过 ollama serve 确保服务在后台运行（通常安装后会自动注册为服务）。

2. 拉取并运行模型

根据你的硬件配置选择合适的模型。对于大多数用户，推荐使用 DeepSeek-R1（7B） 或 Llama 3.2（3B），兼顾性能与资源占用。

# 运行 DeepSeek-R1（会自动下载） ollama run deepseek-r1:7b # 或者运行 Llama 3.2（更轻量） ollama run llama3.2

出现 Send a message 提示即表示模型启动成功。
注意：记下这个终端，后续OpenClaw会通过API调用它。

3. 确认API可用性

Ollama 默认会在本地 11434 端口开启API服务。我们可以用 curl 测试一下：

curl http://localhost:11434/api/generate -d'{ "model": "deepseek-r1:7b", "prompt": "你好，你是谁？", "stream": false }'

看到包含“DeepSeek”或对应模型名的JSON返回，说明Ollama已经准备就绪。

第三步：安装OpenClaw——AI大脑的“躯干”

OpenClaw 负责连接聊天软件（飞书）和AI大脑（Ollama），并管理各种工具（Skills）。

1. 安装Node.js

OpenClaw 需要 Node.js 22.0 或更高版本。

# 以Ubuntu为例curl-fsSL https://deb.nodesource.com/setup_22.x |sudo-Ebash - sudoaptinstall-y nodejs node-v# 检查版本

2. 一键安装 OpenClaw

官方提供了一键安装脚本，会自动处理大部分配置。

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

安装完成后，执行初始化向导。注意： 最新版的向导已经支持直接配置飞书和模型了，非常方便！

openclaw onboard --install-daemon

在向导中：

  • AI 模型配置：由于我们要用Ollama，这里可以选择“Other/OpenAI Compatible”。API地址填：http://localhost:11434/v1/（Ollama兼容OpenAI格式），API Key可以随便填（如ollama），模型名填你下载的，比如 deepseek-r1:7b。
  • 通信渠道：先跳过（Telegram/WhatsApp等），我们后面手动配置飞书。

3. 验证安装

启动服务并检查状态：

openclaw gateway start openclaw status

此时访问 http://127.0.0.1:18789 应该能看到 OpenClaw 的 Web 控制台（Dashboard）。

第四步：打通飞书——创建并配置机器人

这是让AI“落地”的关键一步，我们需要在飞书开放平台注册一个机器人应用。

1. 创建飞书应用

  1. 登录飞书开发者后台。
  2. 点击“创建企业自建应用”，填写名称和描述，上传头像。
  3. 创建成功后，进入应用详情页，点击左侧“凭证与基础信息”，记录下 App ID 和 App Secret（非常重要！）。

2. 配置机器人能力

  1. 在左侧“添加应用能力”中，点击“机器人”进行添加。
  2. 点击左侧“权限管理”，为机器人开通必要权限。最简单的方法是搜索并添加以下权限：
    • im:message 相关的收发权限（im:message:send_as_bot, im:message.group_msg, im:message.p2p_msg）。
    • contact:contact.base:readonly（读取通讯录，用于识别@你的人）。
    • 如果有操作文档的需求，还需开通文档相关的权限。
  3. 点击左侧“事件与回调”，选择“事件配置”。
    • 订阅方式选择“使用长连接接收事件”（开发测试阶段最方便）。点击保存。
    • 添加事件：搜索并添加 im.message.receive_v1（接收消息事件）。

3. 发布应用

  1. 点击左侧“版本管理与发布”，创建一个版本，填写版本日志。
  2. 点击“申请发布”（如果是你自己的企业，审核会秒过，直接发布成功）。
  3. 发布后，在飞书搜索框搜索你的应用名称，找到它并发送一条消息“你好”，此时应该收到来自飞书官方的“配对码”提示，因为我们的后端还没连上。

第五步：OpenClaw与飞书“握手”

现在，我们要让 OpenClaw 认识这个飞书机器人。

方法一：使用 onboard 向导重新配置（推荐最新版）

openclaw onboard

当问到渠道时，选择 feishu，并输入刚才拿到的 App ID 和 App Secret。

方法二：手动添加渠道

如果已经完成了onboard，可以使用 channels 命令：

openclaw channels add# 选择 feishu，按提示输入 APP ID 和 APP SECRET

配置完成后，必须重启网关才能使配置生效：

openclaw gateway restart # 或者旧版本命令 openclaw-cn gateway restart

查看实时日志，确认飞书连接是否成功：

openclaw logs --follow

看到类似 Feishu client connected 或 login success 的字样，说明连接成功。

批准配对

再次回到飞书，向你的机器人发送任意消息（例如“你好”）。
此时，飞书机器人会回复一串 Pairing code: xxxx-xxxx。
在命令行中执行批准命令：

openclaw pairing approve feishu <你收到的code>

第六步：实战测试与玩法拓展

现在，你的飞书AI助理已经可以工作了。你可以把它拉到群里，或者私聊。

1. 本地能力测试

在飞书里输入指令：

  • “帮我看看我电脑的存储占用情况”（如果OpenClaw配置了相关系统Skill，它会执行命令并返回结果）。
  • “帮我整理桌面的文件夹，按类型分类”。

2. 结合Ollama的优势

由于我们用的是Ollama，你可以随时切换模型而无需重启OpenClaw。只需修改OpenClaw配置中的模型名，或者通过OpenClaw的TUI界面临时切换模型。

# 在OpenClaw的TUI界面 /model deepseek-r1:7b

3. 云端模型备用

如果你的本地机器性能不足，或者需要处理超长文本，Ollama也支持调用云端模型（如GLM4.7等），可以在配置中随时切换，实现本地与云端的“双模”运行。

常见问题与避坑指南

  1. OpenClaw 提示command not found
    • 原因：npm全局路径未加入系统PATH。
    • 解决：执行 npm prefix -g 找到路径（如 /usr/local），然后将 export PATH=“ ( n p m p r e f i x − g ) / b i n : (npm prefix -g)/bin: (npmprefix−g)/bin:PATH” 加入 ~/.bashrc 或 ~/.zshrc。
  2. 飞书机器人无响应
    • 检查步骤：
    1. openclaw status 确认网关运行。
    2. 日志中是否有飞书连接报错（检查APP ID/Secret是否正确）。
    3. 检查 OpenClaw 的配置文件 ~/.openclaw/openclaw.json，确保 feishu 配置块存在且 enabled 为 true。
  3. Ollama 模型推理速度慢
    • 优化：关闭其他大型应用释放内存；尝试使用量化版本模型（如 deepseek-r1:7b-q4_0）；确认Ollama是否成功利用了GPU（ollama run deepseek-r1:7b --verbose 查看日志）。
  4. 飞书长连接配置失败
    • 如果 onboard 向导报错，可以先用飞书官方的“Python示例代码”建立一个临时连接，让飞书后台通过验证，然后再切回OpenClaw。

总结

通过 OpenClaw + Ollama + 飞书的组合，我们成功搭建了一个完全私有、免费、可定制的AI助理。它不仅能在日常聊天中提供帮助，还能通过OpenClaw强大的“技能”体系，真正去操作你的电脑、管理文件、甚至执行代码。

这套方案将数据留在本地，既保证了隐私安全，又锻炼了动手能力。现在，去给你的AI助理添加更多酷炫的技能吧！

想看更多实战内容，可定义我的专栏《OpenClaw实战：企业级AI助理开发指南》。

Read more

Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考

Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考

Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考 背景与测评目标 本文为适配大模型国产化部署需求，以 Llama-2-7b 为对象，在 GitCode Notebook 昇腾 NPU 环境中完成从依赖安装到模型部署的全流程落地，并通过六大维度测评验证：单请求吞吐量稳定 15.6-17.6 tokens / 秒，batch=4 时总吞吐量达 63.33 tokens / 秒，16GB 显存即可支撑高并发，最终提供可复现的部署方案、性能基准数据及硬件选型建议，助力高效落地国产算力大模型应用。 昇腾 NPU ：以华为自研达芬奇架构为核心，高效张量计算适配大模型全场景；搭载 CANN 架构简化开发，支持量化与混合并行技术平衡算力与能耗，深度兼容开源生态适配国产化需求 Llama-2-7B 模型：Meta 开源 70
在 Mac Mini M4 上本地跑大模型（Ollama + Llama + ComfyUI + Stable Diffusion ｜ Flux）

在 Mac Mini M4 上本地跑大模型（Ollama + Llama + ComfyUI + Stable Diffusion ｜ Flux）

Mac Mini M4 配备了苹果自家研发的 M1/M2/M4 芯片，具有强大的处理能力，能够支持本地跑一些大模型，尤其是在使用如 Ollama、Llama、ComfyUI 和 Stable Diffusion 这类 AI 相关工具时，性能表现非常好。本教程将指导你如何在 Mac Mini M4 上本地部署并运行这些大模型，涵盖从环境搭建到使用的全流程。 一、准备工作 1. 确保系统更新 确保你的 macOS 版本已更新到最新的版本（例如 macOS 13.0 以上），这将确保兼容性和性能。 安装 Homebrew（macOS 包管理工具） Homebrew 是 macOS 上非常流行的包管理工具，它帮助你方便地安装各种软件。在终端中输入以下命令来安装

解决VsCode远程服务器上Copilot无法使用Claude的问题

最近在用vscode中的GitHub copilot，发现无法使用claude系列的模型 很多小伙伴知道要开代理，开往带你以后claude确实会出来，本地使用没有任何问题，但是如果使用远程服务器ssh，claude系列的模型就消失了，参考这篇博客https://blog.ZEEKLOG.net/qq_40620465/article/details/152000104 按照博主的方法，需要加一个改动，在设置远程服务器（注意不是“用户”）的setting.json时需要加入"http.useLocalProxyConfiguration": true, 完成后再重启vscode，claude就有了：
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（