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

【玩转机械臂】（二）机器人DH参数模型与正运动学

【玩转机械臂】（二）机器人DH参数模型与正运动学

目录 1  DH参数模型（Denavit-Hartenberg） 1.1  四个DH参数的定义 1.2  机器人坐标系的建立方法 1.3  DH参数表及相应坐标变换 2  机器人正向运动学 2.1  正运动学与雅可比矩阵 3  机器人运动的速度  3.1  速度在的坐标系间的变换 3.1.1  速度变换的一般形式 3.1.2  用角速度矢量表示坐标系的旋转运动 3.1.3  角速度矢量在不同坐标系之间的传递 3.2  速度在机器人关节间的传递 3.2.1  转动关节向前传递 3.2.2  移动关节向前传递 3.2.3  小结
云开发 Copilot：AI 赋能的低代码革命

云开发 Copilot：AI 赋能的低代码革命

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。 云开发 Copilot：AI 赋能的低代码革命 目录： * 一、引言：AI 时代的开发新纪元 * 1.1 低代码与AI的完美融合 * 1.2 云开发 Copilot的革命性意义 * 二、云开发 Copilot 的核心特性解析 * 2.1 快速生成应用功能 * 2.2 低代码与AI的深度结合 * 三、实战演练：云开发 Copilot 的应用案例 * 3.1 从需求到实现的快速迭代 * 3.2 低代码页面的AI生成 * 四、云开发 Copilot 的技术亮点 * 4.1 全栈开发支持 * 4.
FPGA（一）Quartus II 13.1及modelsim与modelsim-altera安装教程及可能遇到的相关问题

FPGA（一）Quartus II 13.1及modelsim与modelsim-altera安装教程及可能遇到的相关问题

零.前言         在学习FPGA课程时，感觉学校机房电脑用起来不是很方便，想着在自己电脑上下载一个Quartus II 来进行 基于 vhdl 语言的FPGA开发。原以为是一件很简单的事情，没想到搜了全网文章发现几乎没有一个完整且详细的流程教学安装（也可能是我没搜到,,ԾㅂԾ,,）【视频b站上有，搞完才发现T.T】，因此想做一个纯小白式安装教程，将网上分享的几位大佬关于安装部分的流程都总结到一文当中，包括软件及软件配套仿真和芯片库的安装，让大家花最少的时间完成安装。相关文章链接在文末。 多图预警 一.Quartus安装 1.首先需要先去百度网盘下载相关资料 下载链接：百度网盘 请输入提取码 提取码：qomk  2.下载的是压缩包，解压后可以看到13个文件 先打开QuartusSetup-13.1.0.162.exe文件开始安装。 3.安装流程 （1）打开后点击next （2）选择第一个accept，再点击next （3）选择文件夹可以自定义安装的位置，尽量建立一个新的文件夹（
【论文阅读】SWE-CI: Evaluating Agent Capabilities in Maintaining Codebases via Continuous Integration

【论文阅读】SWE-CI: Evaluating Agent Capabilities in Maintaining Codebases via Continuous Integration

SWE-CI：基于持续集成评估智能体在代码库维护中的能力 * 论文链接 * 摘要 * 1. 简介 * 2. 评估智能体维护代码库的能力 * 2.1 任务形式化 * 2.2 归一化变更 * 2.3 EvoScore（演进得分） * 3 SWE-CI * 3.1 数据构建（Data curation） * Step 1: Repository Collection * Step 2: Commit Span Extraction * Step 3: Environment Construction * Step 4: Case Filtering * 3.2 双智能体评估协议 * 4 Experiments * 4.1 Experiment