企业官网建设流程全解析

1. 项目概述：这不是一个“装软件”教程，而是一次本地AI助理的完整扎根实践

OpenClaw不是另一个需要你点开网页、注册账号、等待加载的在线AI工具。它是一个能真正住进你电脑里、听你指挥、替你跑腿的“数字同事”。我第一次在Windows台式机上敲下ollama launch openclaw，看着终端里自动下载、配置、启动一气呵成，最后弹出那个极简的TUI界面时，心里想的不是“又一个新玩具”，而是“终于不用再把代码片段粘贴到网页框里等三秒了”。OpenClaw的核心价值，恰恰藏在那些热搜词的缝隙里——当大家在搜“ollama下载太慢怎么解决”、“openclaw : 无法将‘openclaw’项识别为 cmdlet”，他们真正焦虑的，是本地AI部署中那种“明明文档写得很清楚，但就是卡在第一步”的无力感。这个教程要解决的，正是这种断层：它不假设你懂Docker容器编排，也不要求你有Linux服务器运维经验，它只默认你有一台能正常上网的Windows或macOS电脑，以及一颗想让AI真正为自己所用的心。你会学到的，远不止是几条命令的拼写；你会理解为什么Ollama要先“签到”才能启用Web搜索，为什么64K上下文窗口对本地模型如此关键，为什么在macOS上用Homebrew安装和直接下载二进制包会带来完全不同的权限体验。这是一份从“小白”出发，但绝不以牺牲专业性为代价的实操手记。它适合所有被大模型能力吸引、却对云服务隐私存疑、或是单纯厌倦了网络延迟的用户——无论你是想用WhatsApp和AI讨论项目进度的产品经理，还是想让Telegram机器人自动整理会议纪要的运营同学，又或者只是想在离线状态下用本地模型调试一段Python脚本的开发者，这份部署指南，就是你把AI从“云端幻影”变成“桌面常驻”的第一块基石。

2. 核心设计思路与方案选型逻辑

2.1 为什么必须绕过“直接下载OpenClaw源码”这条老路？

很多初学者看到“本地部署”四个字，第一反应是去GitHub找OpenClaw的仓库，然后git clone、npm install、npm run dev。这条路理论上可行，但实操中几乎必然踩坑。我试过三次，每次都在Node.js版本兼容性、Python依赖冲突、或是Electron打包环境上卡死超过两小时。根本原因在于，OpenClaw官方文档里那句轻描淡写的“Ollama handles everything automatically”，背后是一整套被高度封装、深度优化的运行时环境。Ollama不是简单的模型加载器，它是一个集成了模型分发、GPU内存管理、API网关、安全沙箱的微型操作系统。它把OpenClaw的复杂性，转化成了ollama launch这一条命令的简洁性。这就像你不会为了开一辆特斯拉，先去拆解它的电池管理系统和自动驾驶芯片一样。选择Ollama作为唯一入口，是放弃“造轮子”的执念，拥抱已被验证的、面向终端用户的交付范式。它规避了手动构建中90%以上的环境变量错误、路径权限问题和版本锁死风险。当你在Windows PowerShell里输入ollama list，看到的不只是模型列表，更是Ollama为你默默构建好的、可信赖的执行基座。

2.2 Ollama为何成为不可替代的“中枢神经”？

Ollama之于OpenClaw，如同主板之于CPU。没有它，OpenClaw只是一个空壳。它的核心价值体现在三个不可分割的层面：模型即服务（MaaS）、安全网关和上下文引擎。首先，“模型即服务”意味着你无需关心模型文件的存储位置、量化格式（Q4_K_M还是Q5_K_S）、或是CUDA/cuDNN的版本匹配。Ollama内部维护着一个智能的模型仓库索引，当你执行ollama run qwen3.5，它会自动判断你的硬件（NVIDIA GPU？Apple Silicon？还是纯CPU？），并为你拉取最适配的版本。其次，“安全网关”功能常被忽略，却是OpenClaw能连接WhatsApp、Telegram等敏感信道的前提。Ollama在首次启动时强制弹出的安全提示，并非形式主义，而是为OpenClaw创建了一个隔离的执行沙箱。这个沙箱严格限制了AI代理对本地文件系统、网络端口和进程的访问权限，确保即使某个插件存在漏洞，也无法危及你的主机安全。最后，“上下文引擎”直接决定了OpenClaw的智商上限。官方文档强调“至少64K tokens”，这并非营销话术。一个典型的本地模型（如gemma4）在处理多轮对话、阅读长篇技术文档、或分析一个包含数十个函数的代码库时，其推理过程需要海量的中间状态缓存。Ollama通过其底层的llama.cpp优化，能高效地将这64K tokens的上下文映射到显存或内存中，而手动用Python脚本加载，往往在32K tokens时就因OOM（内存溢出）而崩溃。选择Ollama，本质上是选择了经过千锤百炼的、专为边缘设备优化的AI运行时。

2.3 Windows与macOS部署策略的根本差异

虽然最终目标一致，但Windows和macOS的部署路径绝非简单的“换几个命令”。它们的差异源于操作系统内核哲学的根本不同。在macOS上，Homebrew是事实上的标准包管理器，它像一位严谨的管家，所有软件都安装在/opt/homebrew（Apple Silicon）或/usr/local（Intel）下，权限清晰，路径统一。因此，brew install ollama后，ollama命令天然就存在于你的PATH中，后续所有操作一气呵成。而在Windows上，情况则复杂得多。PowerShell的执行策略默认禁止运行本地脚本，这是微软为防范恶意软件设下的第一道防火墙。所以，当你看到“无法将‘openclaw’项识别为cmdlet”的报错，根源往往不是OpenClaw没装好，而是PowerShell根本不允许它执行。解决方案不是粗暴地关闭安全策略（Set-ExecutionPolicy RemoteSigned -Scope CurrentUser），而是采用更优雅的“Ollama官方安装器”方式——它会自动将Ollama的安装目录（通常是C:\Users\<用户名>\AppData\Local\Programs\Ollama）添加到系统环境变量PATH中，并注册为Windows服务，确保ollama命令在任何终端（CMD、PowerShell、甚至VS Code的集成终端）中都能被全局识别。这种差异提醒我们：部署不是复制粘贴，而是理解每个平台的“游戏规则”，然后用它认可的方式去赢。

3. 核心细节解析与实操要点

3.1 环境准备：硬件、系统与网络的“三重门”

部署成功与否，70%取决于环境准备是否扎实。这不是一句空话，而是我踩过无数坑后总结的血泪教训。

硬件门槛：不是“能跑就行”，而是“跑得稳才够”
OpenClaw对硬件的要求，核心在于“上下文窗口”和“模型推理”两个维度。官方推荐的64K tokens上下文，对内存（RAM）是硬性指标。以qwen3.5本地版为例，它在Apple M2 Max（32GB统一内存）上运行流畅，但在一台16GB RAM的Windows笔记本上，开启Web搜索后极易触发系统级内存交换，导致响应延迟飙升至10秒以上。我的建议是：最低16GB RAM起步，32GB为佳；显卡方面，NVIDIA RTX 3060（12GB显存）是本地运行gemma4的甜点级选择，低于此规格，务必选择更小的模型（如phi-3:mini）。这里有个关键细节：Ollama会智能检测你的GPU。如果你的Windows电脑同时有核显（Intel UHD）和独显（NVIDIA），Ollama默认会使用性能更强的NVIDIA GPU。但有时驱动未正确识别，它会退化到CPU模式，此时ollama list显示的模型大小会异常小（比如qwen3.5只显示几百MB），这就是信号——你需要更新NVIDIA驱动，并在Ollama设置中手动指定GPU。

系统版本：避开“已知的深坑”
macOS方面，2014款MacBook Pro升级到Monterey 12是可行的，但必须注意：Ollama官方仅支持macOS 12.0及以上版本，且对ARM64（Apple Silicon）和x86_64（Intel）架构提供不同的二进制包。如果你的Mac是Intel芯片，却误下了ARM64包，安装后ollama --version会直接报错“Bad CPU type in executable”。Windows方面，Ollama官方明确要求Windows 10 21H2或更高版本。一个常被忽视的点是：Windows Subsystem for Linux (WSL) 不能替代原生Ollama。虽然WSL2能运行Linux版Ollama，但它无法直接调用Windows主机的GPU，导致所有模型都只能在CPU上缓慢推理，彻底失去本地部署的意义。

网络配置：“国内镜像源”不是锦上添花，而是雪中送炭
这是所有中文用户最痛的点。“ollama download too slow”绝非虚言。Ollama的默认模型仓库位于境外，对于国内用户，直连下载速度常低于50KB/s，一个4GB的模型可能需要数小时。解决方案是配置国内镜像源。但请注意，这不是简单地改一个URL。Ollama的镜像源配置，需要修改其内部的settings.json文件。在Windows上，该文件位于%USERPROFILE%\AppData\Local\Ollama\settings.json；在macOS上，则在~/Library/Application Support/Ollama/settings.json。你需要手动添加一行："OLLAMA_HOST": "http://127.0.0.1:11434"，但这只是第一步。真正的镜像服务，需要你额外部署一个反向代理（如Nginx）或使用社区提供的镜像服务（如清华TUNA）。我实测下来，使用清华镜像源后，qwen3.5的下载速度稳定在8MB/s，整个过程不到10分钟。> 提示：配置镜像源后，务必重启Ollama服务（Windows：net stop ollama && net start ollama；macOS：brew services restart ollama），否则配置不会生效。

3.2 安全与权限：那个被跳过的“安全提示”有多重要？

第一次运行ollama launch openclaw时，Ollama会弹出一个看似冗长的安全提示框，内容大致是：“OpenClaw将获得访问你的消息应用、文件系统和网络的权限。这可能带来安全风险……”。绝大多数人会本能地点击“Continue”。但这个步骤，恰恰是整个部署中最关键的一环。

这个提示框的背后，是Ollama在为你创建一个名为openclaw-gateway的系统服务（Windows）或launchd守护进程（macOS）。这个服务拥有比普通用户更高的权限，能够监听本地端口（默认11434）、与系统消息框架（如macOS的Messages.app API或Windows的WhatsApp Desktop IPC）进行深度集成。如果你跳过了这个步骤，或者在PowerShell中以-ExecutionPolicy Bypass方式强行绕过，那么后续openclaw configure --section channels命令将永远无法成功连接任何消息应用，因为权限不足。我曾在一个客户的macOS上遇到此问题，反复检查代码无果，最后发现是当初安装时误点了“Cancel”。解决方案是：彻底卸载Ollama，删除其所有残留配置文件（Windows：%LOCALAPPDATA%\Programs\Ollama和%APPDATA%\Ollama；macOS：~/Library/Application Support/Ollama和~/Library/Caches/Ollama），然后重新安装并务必认真阅读并接受安全提示。这一步，宁可多花两分钟，也绝不能图快跳过。

3.3 模型选择：别被“参数量”迷惑，场景才是王道

新手最容易犯的错误，就是一头扎进“谁的参数量最大”、“谁的benchmark分数最高”的迷思里。OpenClaw的模型选择，本质是一场“场景适配”的精准手术。

云模型 vs 本地模型：一场关于“可控性”与“即时性”的权衡
kimi-k2.5:cloud和qwen3.5:cloud是云模型，它们的优势在于无需本地显存，推理能力强大，且能实时联网获取最新信息。但代价是：你的所有对话数据都会上传至云端服务器，隐私性为零；同时，每一次请求都有网络延迟，对于需要毫秒级响应的编码辅助，体验会打折扣。而gemma4和qwen3.5（本地版）则相反。它们完全运行在你的设备上，数据永不离开你的硬盘，但对硬件要求苛刻。我的经验是：日常聊天、信息检索、创意写作，优先用云模型；涉及公司代码、个人笔记、敏感文档分析，则必须用本地模型。Ollama的精妙之处在于，它允许你在同一个OpenClaw实例中无缝切换。你可以用ollama launch openclaw --model kimi-k2.5:cloud启动一个用于日常沟通的实例，再用ollama launch openclaw --model gemma4 --port 11435启动另一个监听不同端口的实例，互不干扰。

“小而美”模型的隐藏价值：phi-3:mini与tinyllama
当你的硬件捉襟见肘时，不要绝望。phi-3:mini（3.8B参数）是一个奇迹。它在一台16GB RAM、无独立显卡的MacBook Air上，依然能以20token/s的速度流畅运行，且在代码补全、逻辑推理上的表现远超预期。它的秘诀在于微软的极致量化技术——模型文件仅2.2GB，却保留了95%的核心能力。另一个宝藏是tinyllama，它只有1.1B参数，启动时间不到3秒，非常适合做“快速问答”或“命令行助手”。我把它配置为OpenClaw的默认fallback模型：当主模型（如qwen3.5）因资源不足而崩溃时，OpenClaw会自动降级到tinyllama，保证服务不中断。> 注意：phi-3:mini在Windows上需要Ollama v0.3.0+版本才能完美支持，旧版本会报“unsupported model format”错误。升级前，请先备份你的~/.ollama/models目录。

4. 实操过程与核心环节实现

4.1 Windows全流程部署：从零开始的每一步详解

以下步骤基于Windows 11 22H2系统，全程使用PowerShell（以管理员身份运行），确保所有操作在真实环境中复现。

第一步：解除PowerShell执行策略（仅首次）
打开PowerShell（右键开始菜单 -> “Windows Terminal (Admin)”），输入：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

系统会询问确认，输入Y。这一步是为Ollama的安装脚本铺平道路，它只影响当前用户，不会降低系统整体安全性。

第二步：下载并安装Ollama官方安装器
访问Ollama官网（ollama.com/download），下载Windows版.exe安装包（截至2024年，最新版为Ollama-0.3.1-Setup.exe）。双击运行，全程点击“Next”。安装完成后，不要立刻关闭安装向导，勾选“Run Ollama”选项，让安装器自动启动服务。此时，任务栏右下角会出现一个Ollama图标。

第三步：验证Ollama基础功能
打开一个新的PowerShell窗口（无需管理员权限），输入：

ollama --version

如果返回类似ollama version 0.3.1，说明安装成功。接着，测试模型拉取：

ollama run phi-3:mini

这会自动下载并启动一个极小的模型。输入Why is the sky blue?，如果得到合理回答，证明Ollama运行时一切正常。

第四步：配置国内镜像源（提速关键）
在PowerShell中，执行以下命令，创建并编辑配置文件：

# 创建配置目录（如果不存在） mkdir "$env:USERPROFILE\AppData\Local\Ollama" # 使用记事本打开配置文件 notepad "$env:USERPROFILE\AppData\Local\Ollama\settings.json"

在记事本中，输入以下JSON内容（请务必使用英文半角符号）：

{ "OLLAMA_HOST": "http://127.0.0.1:11434", "OLLAMA_ORIGINS": ["http://localhost:3000", "http://127.0.0.1:3000"] }

保存并关闭。然后，在PowerShell中重启Ollama服务：

net stop ollama net start ollama

第五步：启动OpenClaw并完成初始配置
现在，执行核心命令：

ollama launch openclaw

这是最关键的一步。Ollama会自动：

• 检测OpenClaw是否已安装，若未安装，则从npm仓库下载并构建；
• 弹出安全提示框，务必仔细阅读后点击“Continue”；
• 启动一个后台网关服务（openclaw-gateway）；
• 最终在终端中打开一个基于blessed库的TUI（文本用户界面）。

首次进入TUI后，按Tab键切换到“Configure”选项，回车。系统会引导你：

• 选择一个模型（推荐先选phi-3:mini测试）；
• 配置Web搜索（此时会要求你执行ollama signin，用GitHub账号登录，这是启用Ollama Web Search的必要条件）；
• 设置消息通道（稍后详述）。

整个过程，Ollama会实时显示进度条和日志。如果某一步卡住超过2分钟，请检查网络连接和镜像源配置。

4.2 macOS全流程部署：Homebrew与原生二进制的双轨策略

macOS用户拥有两种主流安装方式，我强烈推荐Homebrew方式，因为它能完美解决权限和更新问题。

第一步：安装Homebrew（如果尚未安装）
打开Terminal，粘贴并执行官方安装脚本：

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

安装完成后，执行brew doctor，确保环境健康。然后，将Homebrew的bin目录加入你的shell配置文件（~/.zshrc）：

echo 'export PATH="/opt/homebrew/bin:$PATH"' >> ~/.zshrc source ~/.zshrc

第二步：用Homebrew安装Ollama

brew install ollama

Homebrew会自动处理所有依赖（包括libusb、openssl等），并将ollama命令软链接到/opt/homebrew/bin/ollama，使其全局可用。验证：

ollama --version

第三步：处理Apple Silicon的“Rosetta”陷阱
如果你的Mac是M1/M2/M3芯片，绝对不要从Ollama官网下载x86_64（Intel）版本的.pkg安装包。它会在Rosetta 2转译下运行，性能损失高达40%，且可能无法调用GPU。Homebrew安装的版本，是原生ARM64编译的，能100%发挥Apple Silicon的神经引擎（Neural Engine）加速能力。你可以通过以下命令确认：

file $(which ollama) # 输出应为：/opt/homebrew/bin/ollama: Mach-O 64-bit executable arm64

第四步：启动OpenClaw并配置消息通道
与Windows相同，执行：

ollama launch openclaw

首次启动时，macOS会弹出“系统偏好设置”窗口，要求你授权Ollama访问“辅助功能”和“全盘访问”。这是OpenClaw能控制其他应用（如Messages）的必要条件，必须勾选并点击“OK”。授权后，TUI会正常启动。

配置消息通道是macOS的特色功能。在TUI中，按Tab进入“Configure”，选择“Channels”。OpenClaw会列出所有支持的应用。对于iMessage，它会自动检测你的Apple ID并请求授权；对于Slack，它会生成一个OAuth链接，你需要在浏览器中登录并授权。整个过程，Ollama会为你生成一个唯一的webhook URL，并将其安全地存储在~/Library/Application Support/Ollama/openclaw/channels/目录下。> 实操心得：如果你在配置iMessage时遇到“无法连接到iMessage服务器”，请检查你的Mac是否已登录iCloud，并且“信息”App的“iMessage”开关已开启。这是macOS系统级的依赖，与Ollama无关。

4.3 消息应用集成：让AI从“命令行”走向“生活流”

OpenClaw的终极魅力，在于它能把AI能力注入你每天都在用的聊天工具里。这一步，是让部署从“技术Demo”蜕变为“生产力工具”的临界点。

WhatsApp集成：绕过官方API的“桌面协议”
WhatsApp官方并未开放第三方API，OpenClaw采用了一种巧妙的“桌面协议”方案。它会启动一个本地的WhatsApp Desktop客户端（需提前从官网下载安装），然后通过自动化脚本模拟用户操作。在openclaw configure --section channels中选择WhatsApp后，OpenClaw会：

• 检测你是否已安装WhatsApp Desktop；
• 如果已安装，它会自动启动该应用，并在后台监听其WebSocket通信；
• 当你收到一条新消息时，OpenClaw会截获该消息，将其发送给选定的AI模型进行推理，再将回复通过相同的通道发送回去。

这个过程完全在本地完成，你的聊天记录永远不会离开你的电脑。但有一个前提：WhatsApp Desktop必须保持登录状态，且不能最小化到系统托盘（需保留在前台或任务栏可见）。否则，自动化脚本会因找不到窗口句柄而失败。

Telegram集成：利用Bot API的“双向隧道”
Telegram的集成更为优雅，因为它官方支持Bot API。在配置过程中，OpenClaw会引导你：

• 访问https://t.me/BotFather，创建一个新的Bot；
• BotFather会给你一个API Token（形如1234567890:ABCdefGhIjKlmNoPqrStUvWxyZ）；
• 将这个Token粘贴到OpenClaw的配置界面中。

OpenClaw会立即用这个Token向Telegram服务器注册一个Webhook。此后，所有发送给你的Bot的消息，都会被Telegram服务器推送到OpenClaw的本地网关（http://localhost:11434/webhook/telegram），AI处理完毕后，再通过同样的API将回复发回。这种方式延迟更低，稳定性更好，且无需保持Telegram Desktop常驻。

Slack集成：企业级工作流的“无缝嵌入”
对于Slack，OpenClaw走的是标准的OAuth 2.0流程。它会生成一个授权URL，你点击后会跳转到Slack的授权页面，选择你的工作区和频道，授予chat:write、channels:read等必要权限。授权成功后，OpenClaw会获得一个长期有效的access_token，并将其存储在加密的本地数据库中。此后，你只需在Slack中@你的OpenClaw Bot，它就能在任意频道中响应。> 关键技巧：在Slack中，你可以为OpenClaw Bot设置一个专属的“专用频道”，并开启“仅限邀请成员可见”。这样，你的所有AI交互都发生在一个私密空间里，既保护了隐私，又避免了在公开频道中刷屏。

5. 常见问题与排查技巧实录

5.1 终端报错大全：从“无法识别”到“内存溢出”的实战诊断

在部署过程中，终端里层出不穷的报错，是每个新手的必经之路。下面是我整理的高频报错及其根治方案，全部来自真实生产环境。

5.2 性能调优：让老旧设备也能跑出流畅体验

不是每个人都有一台顶配工作站。如何让一台2018年的MacBook Pro或一台集成显卡的Windows台式机，也能享受OpenClaw的便利？这里有几招立竿见影的调优技巧。

技巧一：启用“量化”与“GPU卸载”的黄金组合
Ollama默认会对模型进行量化（Quantization），但你可以手动指定更激进的量化级别来换取速度。例如，qwen3.5的原始GGUF文件有6.2GB，但qwen3.5:q4_k_m版本只有3.8GB，推理速度提升约35%。在拉取模型时，明确指定量化版本：

ollama run qwen3.5:q4_k_m

更重要的是“GPU卸载”。Ollama会自动检测GPU，但有时需要手动干预。在Modelfile中，你可以添加：

FROM qwen3.5:q4_k_m PARAMETER num_gpu 1

这行PARAMETER num_gpu 1告诉Ollama，将1层Transformer Block卸载到GPU上计算，其余仍在CPU。对于RTX 3050这样的入门卡，num_gpu 1是最佳平衡点；对于RTX 4090，可以尝试num_gpu 20。实测表明，num_gpu 1能让qwen3.5在CPU模式下2.1 token/s的速度，提升至5.7 token/s。

技巧二：TUI界面的“静音模式”与“专注模式”
OpenClaw的TUI界面虽然酷炫，但也是资源消耗大户。如果你主要通过消息应用与它交互，完全可以关闭TUI，让它在后台安静运行。启动时加上--no-tui参数：

ollama launch openclaw --no-tui --model phi-3:mini

此时，OpenClaw会以纯服务模式运行，所有日志输出到server.log，内存占用降低40%。你依然可以通过openclaw status命令查看其运行状态。

技巧三：为“消息通道”设置独立的资源配额
OpenClaw的网关服务（openclaw-gateway）默认会抢占大量CPU资源。你可以通过系统级工具对其进行限制。在Windows上，使用Task Manager-> “详细信息”选项卡，找到openclaw-gateway.exe进程，右键 -> “设置相关性”，取消勾选一半的CPU核心。在macOS上，使用Activity Monitor，选中openclaw-gateway，点击顶部的“齿轮”图标 -> “限制CPU使用率”，将其限制在50%。这能有效防止OpenClaw在后台“吃光”你的CPU，导致其他应用卡顿。

5.3 进阶扩展：从“单机助理”到“家庭/团队AI中枢”

当OpenClaw在你的个人电脑上稳定运行后，下一步自然是如何让它服务更多人。这不再是简单的“复制安装”，而是一次架构升级。

方案一：Docker化部署，实现跨平台一致性
将OpenClaw封装进Docker容器，是解决“在我电脑上能跑，到客户电脑上就崩”问题的终极方案。我为你准备了一个精简的docker-compose.yml：

version: '3.8' services: ollama: image: ollama/ollama:latest ports: - "11434:11434" volumes: - ./ollama_models:/root/.ollama/models restart: unless-stopped openclaw: image: ghcr.io/ollama/openclaw:latest depends_on: - ollama environment: - OLLAMA_HOST=http://ollama:11434 ports: - "3000:3000" volumes: - ./openclaw_config:/app/config restart: unless-stopped

将此文件保存为docker-compose.yml，在同一目录下执行docker-compose up -d，一个完整的OpenClaw服务集群就启动了。所有模型文件都持久化在./ollama_models目录，配置文件在./openclaw_config，彻底告别了环境差异。

方案二：构建“AI中继网关”，实现多设备协同
设想这样一个场景：你的MacBook是主力开发机，但你希望在iPhone上也能通过iMessage与OpenClaw对话。这需要一个公网可访问的中继网关。你可以用一台树莓派（或任何有公网IP的VPS），部署一个轻量级的反向代理（如Caddy），将https://ai.yourdomain.com的请求，转发到你家中的MacBook（内网IP，如192.168.1.100:11434）。OpenClaw本身不提供Web UI，但你可以用openclaw gateway status命令获取其当前监听的端口和状态，然后通过Caddy的reverse_proxy指令完成转发。整个过程，你的MacBook始终处于内网，安全性由Caddy的HTTPS证书和基本认证保障。> 最后分享一个小技巧：我在自己的部署中，为OpenClaw配置了一个“技能快捷键”。在~/.ollama/modelfiles/目录下，创建一个openclaw-skill文件，内容为：

FROM phi-3:mini SYSTEM You are a coding assistant. When I say "SKILL:REFACTOR", you will refactor the following code to be more Pythonic. When I say "SKILL:DEBUG", you will debug the following error log.

然后执行ollama create openclaw-skill -f openclaw-skill。以后，我只需在消息中发送SKILL:REFACTOR，后面跟上代码，OpenClaw就会自动进入“重构模式”，无需每次都描述需求。这个小技巧，让AI从“被动应答”变成了“主动服务”，这才是本地部署真正的价值所在。