企业官网建设流程全解析

1. Windows 下 GTX1070 跑 Openclaw + Ollama 本地模型，到底卡在哪

如果你手上是一台 i7-8750H、32G 内存、GTX1070 8G 显存的老笔记本，想在本机把 Openclaw 这个开源个人 AI 助手跑起来，同时用 Ollama 做本地推理，那么你大概率会经历三个阶段：装 conda 环境、拉 Ollama 模型、配 Openclaw 的 Gateway。听起来简单，但真正动手时，坑基本集中在三处——显卡驱动和 CUDA 版本对不上、Ollama 拉下来的模型不支持 tools 调用、Openclaw 的配置文件路径和字段写错导致 Gateway 起不来。

这篇就按我实际在 Windows 上跑通的顺序，把 conda 环境创建、Ollama 安装与模型拉取、Openclaw 侧 settings.json / config.toml 骨架、以及一次可复现的对话验证动作全部写清楚。GTX1070 8G 显存跑 4B 到 9B 的量化模型是可行的，但前提是模型格式选对、显存别被其他进程吃掉。等你本地链路跑通之后，如果想让 Openclaw 同时具备调用云端大模型的能力，可以用 TaoToken 统一管理后续的 API Key 和调用通道，本地和云端两条路并行，不用来回改配置。

适合谁看：只有老显卡、想先跑通本地推理再考虑接入统一 API 通道的开发者；已经装过 conda 但没配过 Ollama 的人；以及 Openclaw 装完卡在 Gateway 启动或模型报错的人。

2. 前置准备：conda 环境与 Ollama 安装

2.1 检查 conda 与显卡状态

先打开 Anaconda Prompt（不是普通 cmd），确认 conda 可用：

conda --version conda env list

如果提示找不到命令，说明 conda 没装或没加进 PATH，装一个 Miniconda 即可。接着确认显卡驱动和 CUDA 状态，在 cmd 里执行：

nvidia-smi

正常输出会显示 GTX1070、驱动版本、CUDA Version 以及当前显存占用。这里要注意：nvidia-smi右上角显示的 CUDA Version 是驱动支持的最高版本，不是你实际安装的 CUDA 版本。Ollama 在 Windows 下会自带推理后端，一般不需要你单独装 CUDA Toolkit，但驱动必须足够新，否则 Ollama 会退回 CPU 推理，速度会慢到无法接受。

2.2 创建独立的 conda 环境

不要用 base 环境跑 Openclaw，依赖冲突会让你怀疑人生。单独建一个：

conda create -n openclaw_env python=3.11 -y conda activate openclaw_env

这里我用 3.11 而不是更新的版本，原因是 Openclaw 依赖链里部分包对 3.12+ 的兼容还在跟进，3.11 最稳。创建完成后确认：

python --version where python

where python输出的路径应该指向openclaw_env目录，如果还指向 base，说明激活没生效，重新执行conda activate openclaw_env。

2.3 安装 Ollama 并拉取模型

到 Ollama 官网下载 Windows 安装包，双击安装，装完后右下角会出现羊驼图标。验证版本：

ollama --version

建议用较新版本，老版本对 tools 调用的支持不完整，后面 Openclaw 会直接报 400。装完后拉模型，GTX1070 8G 显存建议从 4B 量化版起步：

ollama pull qwen3:4b ollama list

ollama list能看到模型名、大小和修改时间。如果你想确认模型是否支持工具调用，可以看模型页面的 tags 说明，带 tools 标记的才能被 Openclaw 正常调用。这一点非常关键，后面第 5 节会专门讲这个报错。

3. 可复制配置：Openclaw 侧 settings.json 与 config.toml

3.1 安装 Openclaw

以管理员身份打开 PowerShell，先放开脚本执行策略，否则安装脚本会被拦：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass Get-ExecutionPolicy -List

然后执行安装：

iwr -useb https://openclaw.ai/install.ps1 | iex

安装过程会顺带装 Node.js。装完后验证：

openclaw --version

3.2 配置 Gateway 为本地模式

Openclaw 的后台服务叫 Gateway，负责 Web 控制台和任务执行。先设成本地模式再安装服务：

openclaw config set gateway.mode local openclaw gateway install openclaw gateway start openclaw gateway status

gateway install会创建一个计划任务实现开机自启。如果start之后status显示未运行，先看日志再重启，别急着重装。

3.3 settings.json 骨架

Openclaw 的模型接入配置一般放在用户目录下的配置文件夹里。一个可用的 settings.json 骨架如下，重点是 provider 指向 ollama、baseUrl 指向本地 11434 端口：

{ "provider": "ollama", "model": "qwen3:4b", "baseUrl": "http://127.0.0.1:11434", "apiKey": "ollama", "temperature": 0.7, "maxTokens": 2048, "stream": true }

apiKey对本地 Ollama 来说随便填，它不校验，但字段不能缺，否则部分版本会报配置解析失败。

3.4 config.toml 骨架

如果你用的是 TOML 配置方式，等价写法如下：

[gateway] mode = "local" port = 18789 [model] provider = "ollama" name = "qwen3:4b" base_url = "http://127.0.0.1:11434" api_key = "ollama" temperature = 0.7 max_tokens = 2048

改完配置后重启 Gateway 让配置生效：

openclaw gateway restart openclaw gateway status

注意：配置文件里的端口要和 Ollama 实际监听端口一致。默认是 11434，如果你改过 OLLAMA_HOST，这里也要同步改。

4. 验证请求：一次可复现的对话动作

4.1 先用 curl 验证 Ollama 本身

在配置 Openclaw 之前，先确认 Ollama 的 API 是通的：

curl http://127.0.0.1:11434/api/generate -d "{\"model\":\"qwen3:4b\",\"prompt\":\"用一句话说明什么是本地推理\",\"stream\":false}"

如果返回一段 JSON，里面有response字段和模型生成的文字，说明 Ollama 侧没问题。如果连接被拒绝，检查羊驼图标是否在运行，或者执行ollama serve手动拉起。

4.2 再验证 Openclaw 到 Ollama 的链路

启动 Gateway 后，打开浏览器访问：

http://127.0.0.1:18789

在对话界面发一条测试消息，比如「帮我列三个 conda 常用命令」。如果模型正常回复，说明 Openclaw → Ollama → 模型的链路完全打通。此时观察nvidia-smi，应该能看到显存占用上升，说明走的是 GPU 而不是 CPU。

4.3 显存与性能观察

GTX1070 8G 显存跑 4B 量化模型，显存占用大概在 3 到 4G，留有余量。如果你拉到 9B 量化版，显存会接近 7G，此时如果浏览器、IDE 也占显存，就可能触发显存不足，模型会退回 CPU 或直接报错。实测下来，4B 模型在 1070 上的首 token 延迟可以接受，日常问答够用；9B 模型质量更好但响应明显变慢，建议按任务切换。

5. 本篇常见错排查

5.1 报错 does not support tools

这是最容易踩的坑。报错长这样：

Ollama API error 400: {"error":"registry.ollama.ai/library/xxx:latest does not support tools"}

原因是你拉的模型不支持工具调用，而 Openclaw 的 agent 模式默认会带 tools 参数。解决办法是换一个带 tools 支持的模型版本，重新 pull 后在配置里改模型名，再重启 Gateway。判断方法：在 Ollama 模型库页面看该模型是否标注 tools 能力，没有标注的不要用在 agent 模式。

5.2 Gateway 启动失败

先看状态和日志：

openclaw gateway status openclaw daemon status

常见原因是端口 18789 被占用，或者配置文件字段写错导致解析失败。用netstat -ano | findstr 18789查端口占用，改配置里的 port 即可。配置字段名大小写敏感，baseUrl和base_url在不同配置格式里不能混用。

5.3 模型输出复读机

模型反复重复同一句话，通常是采样参数问题。在 Ollama 的 Modelfile 里调整：

PARAMETER temperature 0.85 PARAMETER top_p 0.9 PARAMETER top_k 40 PARAMETER repeat_penalty 1.1 PARAMETER stop "<|im_end|>"

repeat_penalty抑制重复，stop显式设置停止符避免模型无限生成。改完用ollama create重建自定义模型再运行。

5.4 显存不足或退回 CPU

nvidia-smi里看不到 Ollama 进程占用 GPU，说明走了 CPU。检查驱动版本是否过旧，以及是否装了冲突的 CUDA 运行时。另外，模型量化等级越高（如 Q8）显存占用越大，1070 上优先选 Q4_K_M 这类平衡档。

6. 本地跑通之后，用 TaoToken 统一管理后续 API 调用

本地 Ollama 适合离线、隐私敏感、以及不想花 token 成本的场景，但老显卡的能力上限摆在那里，复杂推理和长上下文任务还是得靠云端模型。这时候你不需要把 Openclaw 的配置推倒重来，只需要在模型 provider 层再加一条云端通道。

TaoToken 提供统一的 API Key 和调用入口，你可以把云端模型的 baseUrl 和 Key 配到 Openclaw 的 provider 列表里，和本地 Ollama 并存，按任务切换。接入文档和 Key 管理入口如下：

• 接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite
• API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite
• 模型对话验证：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite
• 长期编码与 Agent 场景：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite

API 基础地址是https://taotoken.net/api，配置时把它填到 provider 的 baseUrl，Key 填到 apiKey 字段，其余结构和本地 Ollama 那条一致。这样 Openclaw 里就有两条模型通道：本地 qwen3:4b 处理日常轻量问答，云端模型处理复杂任务，切换只改一个模型名。

如果你在 Gateway 启动或模型调用上报错，优先看接入文档里的排错章节；如果只是想先验证云端模型能不能通，用模型对话页面发一条消息最快；如果是长期跑编码类 Agent 任务，直接看 Coding Plan 的配置说明。本地和云端两条链路都跑通之后，Openclaw 才算真正可用。