win11本地部署openclaw实操第2集-让小龙虾具有telegram机器人能力和搜索网站能力

win11本地部署openclaw实操第2集-让小龙虾具有telegram机器人能力和搜索网站能力

1 按照第一集的部署完成后,我们就开始考虑给小龙虾增加telegram机器人和搜索网站能力,实现效果如下:

在这里插入图片描述


在这里插入图片描述

2 telegram机器人能力部署

C:\Users\Administrator.openclaw的配置文件openclaw.json

在这里插入图片描述


在这里插入图片描述

增加一段内容

"channels":{"telegram":{"enabled": true, "dmPolicy":"pairing", "botToken":"你的telegram机器人的token", "groupPolicy":"allowlist", "streamMode":"partial", "network":{"autoSelectFamily":true}, "proxy":"http://你的代理IP:你的代理端口", "actions":{"reactions": true, "sendMessage": true, "deleteMessage": true, "sticker":true}}}, 

五、对接 Telegarm 电报机器人

打开你的 Telegram,搜索 @BotFather,发送 /newbot,来创建一个新的机器人,按提示设置:

在这里插入图片描述

给 Bot 起个名字,比如我设置为 人工智能我来了

在这里插入图片描述

设置用户名(必须以 bot 结尾,比如Renggongai0219Bot )

最后会给你一串 Token:你的token

输入 token 进行对接,并进入到刚才创建的机器人里,第一次打开会显示还未正式对接,但是会在里面提供配对码,比如我的是 Pairing code: 你的token

XX

现在只需重新打开一个新的 Powershell 窗口,然后在里面输入配对命令即可

openclaw pairing approve telegram 这里填写你的配对码 
在这里插入图片描述

当你看到这个界面的话说明已经和Telegram配对成功了!

版本升级到3.12后配置有点不一样了

1.打开 Telegram → 搜索 @userinfobot → 发送 /start → 机器人会直接回复你的数字 ID(格式:Id: 1987654321)。

在这里插入图片描述

2.1 openclaw配置

openclaw onboard
◇ Telegram allowFrom (numeric sender id; @username resolves to id)
│ XXXXXX(输入上图ID的数字)

3 搜索网站能力部署

C:\Users\Administrator.openclaw的配置文件openclaw.json

在这里插入图片描述


在这里插入图片描述

增加一段内容

"tools":{"web":{"search":{}, "fetch":{"maxChars":20000, "timeoutSeconds":30, "userAgent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"}}}, 

4 openclaw.json配置文件全部内容

{"meta":{"lastTouchedVersion":"2026.2.19-2", "lastTouchedAt":"2026-02-21T06:04:19.113Z"}, "wizard":{"lastRunAt":"2026-02-21T06:04:19.057Z", "lastRunVersion":"2026.2.19-2", "lastRunCommand":"onboard", "lastRunMode":"local"}, "logging":{"level":"info"}, "models":{"providers":{"ollama":{"baseUrl":"http://127.0.0.1:11434/v1", "apiKey":"ollama-local", "api":"openai-completions", "models":[{"id":"gpt-oss:20b", "name":"gpt-oss:20b", "reasoning": false, "input":["text"], "cost":{"input":0, "output":0, "cacheRead":0, "cacheWrite":0}, "contextWindow":131072, "maxTokens":16384}]}}}, "agents":{"defaults":{"model":{"primary":"ollama/gpt-oss:20b"}, "models":{"ollama/gpt-oss:20b":{}}, "workspace":"C:\\Users\\Administrator\\.openclaw\\workspace", "compaction":{"mode":"safeguard"}, "maxConcurrent":4, "subagents":{"maxConcurrent":8}}}, "tools":{"web":{"search":{}, "fetch":{"maxChars":20000, "timeoutSeconds":30, "userAgent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"}}}, "messages":{"ackReactionScope":"group-mentions"}, "commands":{"native":"auto", "nativeSkills":"auto", "restart":true}, "hooks":{"internal":{"enabled": true, "entries":{"boot-md":{"enabled":true}, "session-memory":{"enabled":true}}}}, "channels":{"telegram":{"enabled": true, "dmPolicy":"pairing", "botToken":"用你自己的代替", "groupPolicy":"allowlist", "streamMode":"partial", "network":{"autoSelectFamily":true}, "proxy":"http://127.0.0.1:7897", "actions":{"reactions": true, "sendMessage": true, "deleteMessage": true, "sticker":true}}}, "gateway":{"port":18789, "mode":"local", "bind":"loopback", "auth":{"mode":"token", "token":"用你自己的代替"}, "tailscale":{"mode":"off", "resetOnExit":false}, "remote":{"url":"ws://127.0.0.1:18789", "token":"你设置的密码代替"}, "nodes":{"denyCommands":["camera.snap", "camera.clip", "screen.record", "calendar.add", "contacts.add", "reminders.add"]}}, "skills":{"install":{"nodeManager":"npm"}}, "plugins":{"entries":{"telegram":{"enabled":true}}}}

Read more

ComfyUI+ControlNet强强联合:打造精准可控的AI绘画工作流

ComfyUI + ControlNet:构建精准可控的AI绘画生产系统 在今天的AI创作领域,越来越多设计师和开发者不再满足于“输入提示词、点击生成”这种黑箱式操作。他们需要的是可调试、可复现、可协作的图像生成流程——尤其是在游戏原画、建筑可视化或动画分镜等专业场景中,一次偶然出彩的结果远远不够,团队更关心的是如何稳定地产出符合规范的内容。 正是在这种需求推动下,ComfyUI 与 ControlNet 的深度结合,正在重塑我们使用 Stable Diffusion 的方式。它不只是一个更高级的界面工具,而是一套真正意义上的 AI 视觉内容生产线。 想象这样一个工作流:你上传一张手绘草图,系统自动提取线条结构,并以此为骨架生成多张风格统一的角色设定图;你可以随时暂停流程,查看中间潜在空间的状态,替换某个模型模块,再继续执行;最终整个过程被打包成一个 JSON 文件,发给同事后他只需一键加载,就能得到完全一致的结果——这不再是未来设想,而是今天用 ComfyUI + ControlNet 就能实现的工作现实。 节点驱动:让AI生成从“魔法”变为“

Phi-3-mini-4k-instruct新手必看:3步完成AI写作环境搭建

Phi-3-mini-4k-instruct新手必看:3步完成AI写作环境搭建 你是不是也遇到过这些情况:想试试最新的轻量级大模型,却卡在环境配置上?下载模型动辄几个GB,显存不够、部署复杂、命令记不住……别急,今天这篇教程专为新手设计,用最简单的方式带你3步搞定Phi-3-mini-4k-instruct的AI写作环境——不用装CUDA、不编译源码、不改配置文件,连Docker都不用开。 这个镜像基于Ollama打造,把原本需要半小时折腾的部署流程,压缩成三分钟点击操作。它不是玩具模型,而是实打实能写文案、理逻辑、解数学题、生成代码的38亿参数小钢炮。更关键的是,它跑得快、占内存少、响应稳,在普通笔记本上就能流畅使用。 下面我们就从零开始,手把手带你完成全部搭建。全程不需要任何编程基础,只要你会点鼠标、会打字,就能拥有属于自己的本地AI写作助手。 1. 为什么选Phi-3-mini-4k-instruct做写作助手 很多人一看到“38亿参数”就下意识觉得“太小了”,但实际用起来你会发现,它和那些动辄70亿、130亿的模型比,不是差在能力,而是差在“堆料”。Phi-3-mi

Whisper模型部署翻车?预置镜像帮你绕过90%的坑

Whisper模型部署翻车?预置镜像帮你绕过90%的坑 你是不是也经历过这样的场景:兴冲冲地想用OpenAI的Whisper做个语音转文字的小项目,查资料、装环境、配CUDA、下模型,结果卡在某个报错上整整一周都跑不起来?版本冲突、驱动不兼容、权限问题、依赖缺失……每一个都不是大问题,但凑在一起就是一场“部署灾难”。 别慌,我不是来给你讲一堆理论安慰你的——我是来告诉你:这些问题,其实早就有现成的解决方案了。 ZEEKLOG星图平台提供了一个预置Whisper环境的稳定镜像,里面已经集成了最新版的faster-whisper、whisper-large-v3-turbo模型支持、CUDA驱动、PyTorch框架和必要的Python依赖库。你不需要再手动折腾任何东西,一键部署后几分钟就能开始语音转录。 这篇文章就是为你写的——如果你是第一次接触Whisper,或者曾经被它的部署过程“毒打”过,那今天这篇内容会彻底改变你的体验。我会带你从零开始,一步步用这个预置镜像快速跑通语音识别任务,还会告诉你哪些参数最关键、常见问题怎么解决、如何提升识别准确率和速度。 学完之后,你不仅能顺利