前言

到 2026 年，单纯会“聊天”的 AI 已经不够用了。我们需要的是那种能真正帮你干活的助理：操作电脑、浏览网页、整理文件、定时跑任务、写代码、处理 Excel，还能通过飞书 / 钉钉 / 微信 / Telegram 随时响应你。

OpenAkita 就是这样一个开源的多智能体框架（GitHub：openakita/openakita，Apache 2.0 许可）。它不是某个大模型，而是一整支“AI 团队”：多个 Agent 协作分工、自动纠错、有长期记忆、还能在本地持续进化。相比之下，OpenClaw 更偏“个人 AI 助手 + 本地控制平面”，强调一套网关打通所有聊天工具和浏览器自动化，但不会刻意强调多 Agent 协作和图形化配置。

这篇文章会手把手带你从 Windows 11 开始，一步步部署 OpenAkita，并接入蓝耘 DeepSeek 满血版 API，整个过程尽量不敲命令，用桌面图形化搞定。适合：程序员、效率工具爱好者、想在本地搭一个“私有 AI 中台”的人。

---

第一章：为什么选 OpenAkita，而不是直接用 OpenClaw？

1.1 当前 AI 助理的几个现实痛点

• 大模型只会聊天：你问“帮我整理一下这份 Excel”，它告诉你“你可以用 Python 的 pandas 这样写”，但不会真的帮你打开文件、改好发给你。
• 官方接口又贵又卡：高峰期限流、排队，按量计费看着便宜，一天重度用下来账单也很可观。
• 闭源产品功能锁死：想本地跑、想接国内模型、想深度集成自己的业务系统？基本别想。
• 自己搭一套 Agent：配置复杂，要懂 Python、Docker、数据库，劝退一大波人。

1.2 OpenAkita 的核心优势（对比 OpenClaw）

先简单对比一下 OpenAkita 和 OpenClaw，方便你选型：

维度	OpenAkita	OpenClaw
定位	多智能体 AI 助手框架，强调“AI 团队协作”	个人 AI 助手平台，强调“本地网关 + 多渠道接入”
部署体验	官方提供 Windows 桌面安装包 + 图形化向导，全程可以不碰命令行	官方推荐 CLI 向导（openclaw onboard），需要习惯终端
多 Agent	多个 Agent 专业分工、并行执行、自动接力、可视化仪表盘	支持多 Agent 路由，不同渠道/账户可映射到不同 Agent 工作区
工具/技能	内置 89+ 工具，技能市场一键安装 GitHub 技能	内置浏览器控制、定时任务、Webhooks，也有技能市场（ClawdHub）
IM 接入	原生支持飞书、钉钉、企微、Telegram、QQ、OneBot 等 6 大平台	支持 WhatsApp、Telegram、Slack、Discord、Teams 等几十种渠道
桌面自动化	明确支持桌面自动化、鼠标键盘操作、浏览器自动化（Playwright + Windows API）	强调浏览器控制、系统命令执行，但“桌面自动化”更偏浏览器层面
上手门槛	强调“5 分钟上手、零命令行”，对新手非常友好	对新手有一定命令行门槛，但社区教程很多

一句话总结：

• 想要：**多 Agent 协作 + 图形化配置 + 桌面自动化 + 飞书/钉钉等国内 **IM → 选 OpenAkita。
• 想要：个人 24/7 在线助手 + 多渠道统一收件箱 + 浏览器/系统级自动化 → 选 OpenClaw。

1.3 谁最适合用 OpenAkita？

• 日常效率党：汇总文件、批量改名、定时提醒、自动发日报。
• 程序员 / 开发者：写代码、调试、GitHub 自动化、搭建内部 AI 工具链。
• 内容创作者：批量搜集素材、整理笔记、生成报告、定时发布内容。
• 想控制成本的人：用蓝耘 DeepSeek 满血版，按量计费，搭配本地缓存，几毛钱跑一天。

---

第二章：Windows 下安装 OpenAkita（两种方案）

2.1 准备工作

建议按“生产部署标准”来准备环境，避免后面踩坑：

• 操作系统：Windows 11（Win10 也可以，但建议 11）
• 内存：≥ 16 GB（重度自动化建议 32 GB）
• 磁盘：≥ 50 GB 可用空间（模型日志、缓存、技能会占用不少空间）
• 网络：能访问 GitHub、蓝耘平台，国内网络可能需要代理
• 账号：
  • 蓝耘元生代账号（用于 DeepSeek API）
  • 飞书开放平台账号（如果你要接飞书机器人）

2.2 方案一：一键脚本安装（适合能接受 PowerShell 的用户）

这是官方推崇的 Windows 部署方式，一般 3–8 分钟就能搞定。

步骤：

1. 以管理员身份打开 PowerShell
   右键开始菜单 → Windows PowerShell (管理员)。
2. 执行一键脚本：

irm https://raw.githubusercontent.com/openakita/openakita/main/scripts/quickstart.ps1 | iex

脚本会自动：

1. 检测 Python 环境 
2. 安装依赖 
3. 创建桌面快捷方式 
4. 下载最新版本 OpenAkita

3. 安装完成后，双击桌面图标启动，或在命令行输入：

openakita
# 或者简写
ak

优点：

• 支持后续一键升级：openakita --update，永远跟最新版。
• 对有经验的人来说，比图形化更可控。

2.3 方案二：桌面安装包（最像普通软件，新手友好）

如果你不想碰命令行，推荐用这个方案。

步骤：

1. 点击访问 OpenAkita 下载页面
2. 下载 Windows 安装包

1. 双击运行安装向导：
   1. 同意许可协议
   2. 选择安装路径（默认即可）
   3. 安装完成后，会自动启动初始化向导（中文图形界面）。
2. 通过桌面图标启动即可使用。

小贴士：如果电脑里没有 Python，安装程序会自动引导下载并安装（嵌入式 Python），对你完全透明。

---

第三章：配置蓝耘（Lanyun）平台 API 密钥

3.1 为什么选蓝耘 DeepSeek？

蓝耘元生代推理引擎已经上线 DeepSeek R1/V3 满血版，支持在线体验和 API 调用，按 token 计费，还有 500 万不限时的免费 token 额度。

对于本地跑 OpenAkita 这种“重度使用”的场景，非常适合。

3.2 获取蓝耘 API Key

1. 登录蓝耘元生代智算云平台
2. 进入体验中心 / 模型服务
3. 找到 DeepSeek R1 / V3 的模型页面。

1. 创建 API Key
2. 在“API 平台 > 立即接入管理”中，点击“创建 API KEY”。

1. 创建后，复制并保存好，后面要用。

3.3 在 OpenAkita 中接入蓝耘 DeepSeek

在 OpenAkita 管理界面中：

1. 添加 LLM 端点
2. 找到“模型管理 / LLM 端点”设置，新增一个上游。

1. 填写关键参数（示例）：

   1. 类型：DeepSeek（或 OpenAI 兼容）
   2. API 地址（Base URL）：
      • 如果你用的是蓝耘 MaaS：按蓝耘文档填，例如：

   https://maas.lanyun.net/v1（以蓝耘控制台实际为准）

   3. API Key：粘贴你刚才创建的蓝耘 API Key
   4. 模型映射：
      • 模型名称可以填：/maas/deepseek-ai/DeepSeek-V3
   5. 端点名称：自动生成即可
   6. 模型能力：按需勾选（文本、代码、工具调用等）

2. 保存后，在模型列表中设为默认或高优先级，这样 OpenAkita 会优先走蓝耘 DeepSeek。

---

第四章：配置 OpenAkita（含飞书机器人）

4.1 配置飞书机器人

如果你希望直接在飞书里和 AI 对话，需要先创建飞书机器人。

1. 进入飞书开放平台，创建企业自建应用，选择“机器人”类型。

2. 在权限管理中，批量导入权限
   你可以直接粘贴下面这段 JSON，覆盖原有权限（示例）：

{
  "scopes": {
    "tenant": [
      "aily:file:read",
      "aily:file:write",
      "application:application.app_message_stats.overview:readonly",
      "application:application:self_manage",
      "application:bot.menu:write",
      "cardkit:card:write",
      "contact:contact.base:readonly",
      "contact:user.employee_id:readonly",
      "corehr:file:download",
      "docs:document.content:read",
      "event:ip_list",
      "im:chat",
      "im:chat.access_event.bot_p2p_chat:read",
      "im:chat.members:bot_access",
      "im:message",
      "im:message.group_at_msg:readonly",
      "im:message.group_msg",
      "im:message.p2p_msg:readonly",
      "im:message:readonly",
      "im:message:send_as_bot",
      "im:resource",
      "sheets:spreadsheet",
      "wiki:wiki:readonly"
    ],
    "user": [
      "aily:file:read",
      "aily:file:write",
      "contact:contact.base:readonly",
      "im:chat.access_event.bot_p2p_chat:read"
    ]
  }
}

3. 在“凭证与基础信息”中，复制 App ID 和 App Secret。
4. 在 OpenAkita 的飞书接入配置中，填入刚才的 App ID 和 App Secret，按向导完成配置。

5. 在飞书开放平台的“事件与回调”中：
   1. 订阅方式选择“长连接订阅”（不要选 HTTP 回调）
   2. 添加事件：至少包含 im.message.receive_v1（接收消息）
   3. 保存设置。

建议：飞书的事件订阅配置，可以在 OpenAkita 完全部署好之后再在飞书后台统一设置，避免向导卡住。

4.2 部署 OpenAkita 核心模块

在 OpenAkita 的设置中心里，根据你的需求勾选功能模块

终端命令与系统设置（根据自己的需求选择）

然后等待 OpenAkita 自动下载并安装对应依赖和技能包。

4.3 验证部署是否成功

安装完成后，进入 OpenAkita 主界面：

• 在“状态 / 健康检查”中，查看各个模块是否都显示为“已连接 / 正常”。

• 在飞书中，尝试给机器人发一条消息，看是否能收到 OpenAkita 的回复。

• 侧边栏还有很多功能，。。。。。

如果这些都正常，说明你的本地 AI 助手已经跑起来了。

---

第五章：对比 OpenClaw，说说 OpenAkita 的真实优缺点

5.1 体验上的差异

• 上手门槛
  • OpenAkita：图形化向导非常完善，真正可以做到“5 分钟上手，全程不敲命令”。
  • OpenClaw：虽然也有向导，但整体偏“工程师友好”，需要习惯终端和配置文件。
• 多 Agent 协作
  • OpenAkita：多 Agent 是核心卖点，有专门的任务拆解、进度追踪、仪表盘。
  • OpenClaw：支持多 Agent 路由，但更偏“渠道隔离”，而不是复杂任务拆解与并行。
• IM 接入
  • OpenAkita：对飞书、钉钉、企微等国内平台支持更好，开箱即用。
  • OpenClaw：主打 WhatsApp、Telegram、Slack、Discord 等“国际通道”，对国内 IM 也可以接，但需要更多配置。
• 桌面自动化
  • OpenAkita：明确支持桌面自动化、鼠标键盘操作、浏览器自动化，适合“操作 Windows 电脑”的场景。
  • OpenClaw：浏览器控制非常强，但对“桌面应用”的操作更多是依赖系统命令，GUI 自动化不如 OpenAkita 那么直观。

5.2 实际使用建议

• 如果你主要在 Windows 上办公，常用飞书 / 钉钉，想要一个“图形化配置 + 多 Agent 协作”的本地 AI 团队 → 优先选 OpenAkita。
• 如果你更关注多渠道统一收件箱（WhatsApp / Telegram / Slack / Discord 都接进来），愿意折腾命令行和配置文件 → 选 OpenClaw 也不错，社区生态非常成熟。

---

总结：从“只会聊天”到“真正干活”的本地 AI 中台

通过 OpenAkita + 蓝耘 DeepSeek API，我们可以在本地搭建一个：

• 低延迟、高可用的 AI 中转站：模型可以按需切换，一个挂了自动切下一个。
• 真正能干活的助手：操作电脑、管理文件、浏览器自动化、定时任务，不再是“嘴强王者”。
• 可扩展的 AI 中台：技能市场可以不断安装新的能力，也可以自己写技能，把内部业务流程接进来。

后续你可以考虑：

• 做一个反向代理 / 负载均衡，把多个蓝耘 API Key 或其他模型源接入进来。
• 把 OpenAkita 部署到内网服务器，给整个团队用。
• 结合 OpenClaw 的多渠道优势，把 WhatsApp / Telegram 也接入进来，实现“一个大脑，多端响应”。

如果你是第一次接触这类项目，建议先用 OpenAkita 的桌面版把整体流程跑通，再去研究 OpenClaw 的网关和渠道配置，你会发现两者的理念其实非常互补。