1. 项目概述为什么选择在腾讯云Lighthouse上部署OpenClaw/ClawDBot最近在折腾AI智能体OpenClaw也叫ClawDBot这个项目挺火的它是一个开源的AI智能体框架能帮你把大语言模型比如GPT、Claude或者本地部署的Llama变成一个能执行具体任务的“数字员工”。你可以让它帮你自动处理邮件、分析数据甚至管理服务器。但很多朋友在第一步——部署上就卡住了尤其是在云服务器环境。本地部署受限于硬件而直接购买昂贵的云AI服务又不够灵活。这时候腾讯云的Lighthouse轻量应用服务器就成了一个绝佳的折中方案成本可控、开箱即用、网络环境稳定特别适合个人开发者或小团队尝鲜和深度使用。我花了几天时间在腾讯云Lighthouse上从零开始完整部署了一套OpenClaw期间踩了不少坑也总结出了一套相对顺畅的流程。这篇指南就是我的实战记录目标很明确让你能跟着步骤在半小时到一小时内成功在腾讯云上跑起你自己的AI智能体。我们会涵盖从服务器选购、基础环境配置、Docker部署OpenClaw到接入模型、配置技能等全流程并重点分享那些官方文档可能没细说但实际操作中一定会遇到的“坑”和解决方案。2. 核心准备腾讯云Lighthouse服务器选购与初始配置部署的第一步是准备战场。腾讯云Lighthouse的选择和初始设置直接决定了后续部署的顺畅度和使用体验。2.1 服务器规格选择平衡性能与成本OpenClaw本身作为框架资源消耗不大但它的“大脑”——大语言模型LLM才是资源消耗的主力。因此选购服务器的核心思路是为模型运行预留足够资源。最低配置尝鲜/测试如果你打算主要使用云端API如OpenAI GPT-4o、Claude 3.5 Sonnet那么服务器主要承担OpenClaw框架的运行和转发请求。此时选择2核CPU、2GB内存、50GB SSD的配置即可。腾讯云Lighthouse常有针对新用户的特惠活动这个配置每月可能只需几十元。推荐配置本地模型/生产试用如果你想在服务器上本地部署轻量级开源模型如Qwen2.5-7B-Instruct、Llama-3.2-3B或者同时运行多个智能体那么需要更强的算力。建议选择4核CPU、8GB内存、100GB SSD或更高配置。内存是关键7B参数量的模型加载就需要约14GB内存按FP16精度估算8GB内存可以运行量化到4-bit或8-bit的版本。CPU核心数影响模型推理速度。地域选择尽量选择离你或你的目标用户群体更近的地域以降低网络延迟。对于国内用户上海、广州、北京地域都是不错的选择。如果你需要访问国际AI服务可以考虑香港地域但需注意相关合规要求。实操心得千万不要抱着“先买个最低配试试”的心态去跑本地模型。我一开始用2GB内存的实例尝试跑量化后的模型直接触发OOM内存溢出导致系统崩溃ssh都连不上只能重启。建议至少从4GB内存起步。2.2 系统镜像与安全组设置购买服务器时系统镜像推荐选择Ubuntu 22.04 LTS。这是一个长期支持版本社区资料丰富对Docker的支持也非常好能避免很多因系统版本过新或过旧导致的兼容性问题。安全组防火墙设置是保障服务器安全的第一步也是部署服务后能否访问的关键。腾讯云Lighthouse控制台提供了便捷的安全组配置。你需要开放以下端口22端口SSH远程连接必须开放。80端口HTTP服务用于后续可能部署的Web界面或反向代理。443端口HTTPS服务同上。3000端口这是OpenClaw默认的Web用户界面端口必须开放。11434端口如果你计划在本地部署Ollama来运行模型这个端口是Ollama的API端口也需要开放。设置时源IP可以暂时设置为0.0.0.0/0允许所有IP访问以便测试但在生产环境中强烈建议将其改为你固定的公网IP地址段以减少被扫描和攻击的风险。2.3 服务器初始化连接与基础环境购买完成后通过SSH连接到你的Lighthouse实例。腾讯云控制台提供了网页版的VNC连接和获取初始密码的方法。登录后第一件事是更新系统并安装一些必备工具# 更新软件包列表并升级现有软件 sudo apt update sudo apt upgrade -y # 安装常用工具 sudo apt install -y curl wget git vim net-tools htop接下来是安装Docker和Docker Compose。这是部署OpenClaw最推荐的方式能解决环境依赖的难题。# 安装Docker官方GPG密钥 curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg # 设置Docker稳定版仓库 echo deb [arch$(dpkg --print-architecture) signed-by/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable | sudo tee /etc/apt/sources.list.d/docker.list /dev/null # 安装Docker引擎 sudo apt update sudo apt install -y docker-ce docker-ce-cli containerd.io # 安装Docker Compose插件新方式 sudo apt install -y docker-compose-plugin # 验证安装 docker --version docker compose version # 将当前用户加入docker组避免每次都要sudo sudo usermod -aG docker $USER # 注意执行此命令后需要退出当前SSH会话并重新登录权限才会生效。重新登录后运行docker ps命令如果不报错说明Docker环境已经就绪。3. 核心部署使用Docker一键运行OpenClaw环境准备好后部署OpenClaw本身反而非常简单这得益于其良好的容器化支持。3.1 获取部署配置文件OpenClaw的官方仓库通常提供了Docker Compose的示例文件。我们直接使用它。# 创建一个项目目录并进入 mkdir openclaw-deploy cd openclaw-deploy # 从官方仓库拉取docker-compose.yml示例文件 # 这里以某个公开的示例为准实际请参考OpenClaw项目最新文档 curl -O https://raw.githubusercontent.com/openclaw/openclaw/main/docker-compose.yml在运行前我们需要编辑这个docker-compose.yml文件进行一些关键配置。用vim或nano打开它。3.2 关键配置解析与修改一个典型的docker-compose.yml可能长这样我们需要关注几个部分version: 3.8 services: openclaw: image: openclaw/openclaw:latest container_name: openclaw restart: unless-stopped ports: - 3000:3000 # 将容器的3000端口映射到主机的3000端口 environment: - OPENAI_API_KEY${OPENAI_API_KEY} # 使用云端OpenAI API - OPENAI_BASE_URL${OPENAI_BASE_URL} # 可改为其他兼容API的地址 - DEFAULT_MODELgpt-4o-mini # 默认使用的模型 # - OLLAMA_BASE_URLhttp://host.docker.internal:11434 # 如果使用本地Ollama取消注释并修改 volumes: - ./data:/app/data # 持久化存储数据 networks: - openclaw-network networks: openclaw-network: driver: bridge需要修改和注意的环境变量OPENAI_API_KEY如果你使用OpenAI的官方API需要在此处填入你的API Key。但更安全的做法是使用环境变量文件。创建一个名为.env的文件# .env 文件内容 OPENAI_API_KEYsk-your-actual-openai-api-key-here OPENAI_BASE_URLhttps://api.openai.com/v1 DEFAULT_MODELgpt-4o-mini然后在docker-compose.yml中引用env_file: - .env。切记不要将真实的API Key直接硬编码在yml文件中更不要提交到Git仓库。使用本地模型Ollama如果你想在服务器上运行开源模型需要先部署Ollama服务。可以在docker-compose.yml中增加一个Ollama服务或者单独运行。然后修改OpenClaw的环境变量environment: - OLLAMA_BASE_URLhttp://ollama:11434 # 如果Ollama在同一个compose网络中 # 或者如果Ollama运行在宿主机上Docker容器需要特殊方式访问 - OLLAMA_BASE_URLhttp://host.docker.internal:11434 # 对于Linux可能需要额外配置 - DEFAULT_MODELqwen2.5:7b-instruct # 你通过Ollama拉取的模型名踩坑记录在Linux服务器上Docker容器默认无法通过host.docker.internal访问宿主机服务。解决方法有两种一是使用network_mode: host让容器共享主机网络不推荐有安全风险二是在启动Docker时添加--add-hosthost.docker.internal:host-gateway参数或者在docker-compose.yml中为服务添加extra_hosts: - host.docker.internal:host-gateway。最清晰的方式是将Ollama也作为Compose中的一个服务。端口映射确保ports部分的3000:3000已设置这样你才能通过http://你的服务器IP:3000访问OpenClaw的Web界面。3.3 启动服务与验证配置完成后启动服务# 在包含 docker-compose.yml 和 .env 文件的目录下执行 docker compose up -d-d参数表示在后台运行。使用以下命令查看日志和状态# 查看运行状态 docker compose ps # 查看OpenClaw容器的实时日志 docker compose logs -f openclaw如果看到日志显示服务已启动在3000端口没有报错就可以打开浏览器访问了。首次访问验证 在浏览器地址栏输入http://你的腾讯云服务器公网IP:3000。如果能看到OpenClaw的登录或初始化界面说明部署成功。首次使用可能需要创建一个管理员账户。4. 模型接入连接AI的“大脑”部署好框架只是搭好了舞台接入模型才是引入主角。OpenClaw支持多种模型接入方式。4.1 方式一使用云端API最简单这是最快上手的方式。你只需要在OpenClaw的Web界面或环境变量中配置好API信息。在OpenClaw Web界面通常会有设置或模型配置页面。填入你的API提供商如OpenAI、Anthropic、DeepSeek等的Base URL和API Key。选择可用的模型如gpt-4o-mini,claude-3-5-sonnet-20241022。保存后即可在创建智能体时选择该模型。优点无需关心算力模型能力强大且稳定。缺点持续产生API调用费用数据需要传输到第三方。4.2 方式二本地部署Ollama 开源模型更可控如果你想完全掌控数据或者长期使用成本更低可以在同一台Lighthouse服务器上部署Ollama来运行开源模型。步骤1部署Ollama同样使用Docker方式部署Ollama# 创建一个单独的目录或者在上面的docker-compose.yml中新增服务 # 这里演示单独运行 docker run -d -v ollama_data:/root/.ollama -p 11434:11434 --name ollama --restart always ollama/ollama步骤2拉取并运行模型Ollama启动后拉取一个模型例如轻量级的Qwen2.5# 进入Ollama容器执行命令或者直接在宿主机上通过curl操作API # 方法1进入容器 docker exec -it ollama ollama pull qwen2.5:7b-instruct # 方法2通过API拉取推荐可以看到进度 curl http://localhost:11434/api/pull -d {model: qwen2.5:7b-instruct}拉取需要时间取决于模型大小和网络。7B模型大约4-5GB。步骤3在OpenClaw中配置Ollama修改OpenClaw的配置将模型端点指向Ollama。如前所述需要确保网络连通。如果Ollama和OpenClaw都用Docker Compose管理配置最简单# 在docker-compose.yml中 services: ollama: image: ollama/ollama:latest container_name: ollama restart: unless-stopped volumes: - ollama_data:/root/.ollama networks: - openclaw-network openclaw: # ... 其他配置不变 environment: - OLLAMA_BASE_URLhttp://ollama:11434 # 使用服务名访问 - DEFAULT_MODELqwen2.5:7b-instruct networks: - openclaw-network # 确保depends_on设置让openclaw在ollama之后启动 depends_on: - ollama volumes: ollama_data: networks: openclaw-network: driver: bridge然后重启服务docker compose down docker compose up -d。注意事项在资源有限的服务器上运行7B模型推理速度可能较慢一次生成可能需要10-30秒。你可以尝试更小的模型如3B、1.5B或者使用量化版本如qwen2.5:7b-instruct-q4_K_MOllama在拉取时默认会下载一个优化过的版本。可以通过ollama pull qwen2.5:7b-instruct-q4_K_M指定。5. 技能配置与实战让你的智能体“活”起来OpenClaw的核心价值在于其“技能”Skills系统。智能体通过调用技能来与现实世界交互。5.1 内置技能与自定义技能OpenClaw通常自带一些基础技能如网页搜索让AI能获取实时信息。代码执行在沙箱中运行Python代码进行数据分析或计算。文件读写管理服务器上的文件。HTTP请求调用外部API。启用这些技能通常需要在Web界面的“技能”或“插件”管理页面进行配置。例如配置网页搜索可能需要填入Serper或Google Search API的密钥。5.2 配置一个实战技能自动发送邮件我们以配置一个“发送邮件”技能为例展示如何让智能体执行具体任务。准备SMTP信息你需要一个邮箱的SMTP服务器信息如QQ邮箱、163邮箱或企业邮箱。以QQ邮箱为例需要在邮箱设置中开启POP3/SMTP服务并获取授权码不是登录密码。在OpenClaw中配置技能进入OpenClaw Web管理界面找到技能配置区域。找到“Email”或“SMTP”相关技能点击配置。填入以下信息SMTP服务器smtp.qq.com端口465(SSL) 或587(TLS)发件人邮箱your-emailqq.com密码/授权码你的QQ邮箱授权码默认收件人可选创建智能体并测试创建一个新的智能体Agent。在它的技能列表中勾选上刚刚配置好的“发送邮件”技能。给智能体下达指令“请给testexample.com发送一封邮件主题是‘OpenClaw测试’内容为‘这是一封来自腾讯云Lighthouse上部署的OpenClaw智能体的测试邮件。’”观察智能体的执行过程。它应该会理解你的指令调用邮件技能并成功发送。5.3 技能组合与复杂工作流真正的威力在于技能组合。你可以创建一个智能体让它使用“网页搜索”技能查找今天某地的天气。使用“代码执行”技能将天气数据整理成一份简报。使用“发送邮件”技能在每天上午9点将简报发送给你。使用“HTTP请求”技能如果发现暴雨预警则触发一个钉钉/飞书群通知。OpenClaw的“工作流”或“计划任务”功能可以帮你编排这些复杂的自动化流程。这需要你在Web界面中通过图形化或YAML方式定义任务的触发条件和执行步骤。6. 网络与安全优化让服务更稳定、更安全在公网服务器上运行服务安全和稳定性不容忽视。6.1 使用Nginx反向代理与配置HTTPS直接通过IP和端口访问既不安全也不专业。我们需要用Nginx做反向代理并配置SSL证书启用HTTPS。步骤1安装Nginxsudo apt install -y nginx步骤2配置Nginx站点创建一个新的配置文件sudo vim /etc/nginx/sites-available/openclaw内容如下替换your_domain.com为你的域名或服务器IPserver { listen 80; server_name your_domain.com; # 或你的服务器IP location / { proxy_pass http://localhost:3000; # 指向OpenClaw服务 proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; # 以下两行对WebSocket很重要如果OpenClaw有实时功能 proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection upgrade; } }创建符号链接并测试配置sudo ln -s /etc/nginx/sites-available/openclaw /etc/nginx/sites-enabled/ sudo nginx -t # 测试配置语法 sudo systemctl reload nginx # 重载配置现在你可以通过http://your_domain.com访问OpenClaw了。步骤3使用Let‘s Encrypt配置HTTPS免费SSL证书安装Certbot工具sudo apt install -y certbot python3-certbot-nginx获取并安装证书sudo certbot --nginx -d your_domain.com按照交互提示操作Certbot会自动修改Nginx配置将HTTP重定向到HTTPS并管理证书续期。6.2 基础安全加固修改SSH端口编辑/etc/ssh/sshd_config将Port 22改为一个非标准端口如Port 23456然后重启SSH服务sudo systemctl restart sshd。务必在操作前确保新端口已在安全组中开放并保持一个现有连接不关闭以测试新端口否则可能被锁在服务器外。禁用root密码登录在sshd_config中设置PermitRootLogin prohibit-password或PermitRootLogin no并改用密钥对登录。配置防火墙UFWUbuntu自带的UFW防火墙易于使用。sudo ufw allow 23456/tcp # 允许新的SSH端口 sudo ufw allow 80/tcp sudo ufw allow 443/tcp # 如果你不再需要直接访问3000端口可以关闭它因为我们已经用了Nginx代理 # sudo ufw deny 3000/tcp sudo ufw enable定期更新设置无人值守更新或定期手动执行sudo apt update sudo apt upgrade。备份数据定期备份OpenClaw容器挂载的本地数据卷./data目录。腾讯云Lighthouse也提供快照功能可以在重大变更前创建系统盘快照。7. 运维与故障排查保持智能体稳定运行部署完成只是开始日常运维和问题排查同样重要。7.1 常用Docker命令查看日志docker compose logs -f openclaw实时查看重启服务docker compose restart openclaw停止服务docker compose down会停止并删除容器但保留数据卷更新镜像先拉取最新镜像docker compose pull openclaw然后docker compose up -d。进入容器docker exec -it openclaw /bin/bash用于调试。查看资源占用docker stats。7.2 常见问题与解决方案问题1访问http://IP:3000连接被拒绝或超时。检查服务器安全组是否开放了3000端口sudo ufw status查看防火墙规则。检查OpenClaw容器是否正在运行docker compose ps。检查容器日志是否有错误docker compose logs openclaw。常见错误是环境变量配置不对导致启动失败。问题2智能体调用模型时长时间无响应或报错。如果使用Ollama首先检查Ollama服务是否正常curl http://localhost:11434/api/tags查看已拉取的模型。检查OpenClaw中OLLAMA_BASE_URL配置是否正确容器内网络。尝试在Ollama容器内直接运行对话测试docker exec -it ollama ollama run qwen2.5:7b-instruct。如果使用API检查API Key是否正确是否有余额网络是否能访问API端点在服务器上curl测试一下。问题3服务器内存/CPU占用过高。排查运行htop命令查看进程。罪魁祸首通常是Ollama运行的模型。解决考虑换用更小的模型或者使用更激进的量化如q4_K_S。调整Ollama的并行参数OLLAMA_NUM_PARALLEL限制并发请求。如果使用API方案则此问题不显著。问题4Docker容器启动失败提示端口被占用。解决sudo netstat -tulpn | grep :3000查找占用端口的进程停止它或修改docker-compose.yml中的端口映射如8080:3000。问题5数据丢失。预防确保docker-compose.yml中配置了数据卷持久化- ./data:/app/data。定期备份这个./data目录。7.3 性能监控与日志管理对于长期运行的服务建议配置基础监控基础监控腾讯云Lighthouse控制台自带CPU、内存、流量监控图表。日志管理Docker容器的日志默认会增长。可以配置日志轮转在docker-compose.yml中为服务添加日志驱动和大小限制services: openclaw: # ... 其他配置 logging: driver: json-file options: max-size: 10m max-file: 3这会将每个容器的日志文件限制为最多3个每个10MB。部署和运维OpenClaw的过程就是一个典型的云原生应用管理实践。从资源规划、容器化部署、网络配置到安全加固和故障排查每一步都考验着对系统和工具的理解。当看到自己部署的智能体能够稳定运行并按照指令完成一个个任务时那种成就感远超单纯调用一个在线API。这个在腾讯云Lighthouse上搭建的AI智能体平台不仅是一个工具更成为了一个可扩展、可定制的自动化基础架构起点。你可以基于它继续探索更复杂的技能集成、多智能体协作或是将其作为后端服务为你自己的应用注入AI能力。