最近几个月，AI 圈里除了 Dify、Coze、Manus 这些名字之外，还有一个讨论度非常高的东西：OpenClaw。

中文圈很多人直接叫它 “小龙虾”。

一开始我对它的印象也很模糊，只觉得它像是一个“能自动帮人干活的 AI 框架”，但到底和 Dify 有什么区别？它到底是聊天机器人、Agent
平台，还是某种本地化助手系统？

所以我决定：自己亲手在 Windows 上部署一套跑起来，看看它到底是什么。

这篇文章，我就把整个过程、踩过的坑，以及最后真正理解到的东西，系统地总结一下。

---

一、我为什么会去研究 OpenClaw？

其实不是单纯“跟风”。

我之前做过一个比较典型的行业自动化项目：

• 定时抓取 Facebook / Instagram 公告
• OCR 识别图片中的文字
• 用大模型做语义判断
• 再把结果通过 WhatsApp 推送出去

这套系统本质上就是：

采集 → 理解 → 判断 → 推送

当我再回头看最近爆火的 OpenClaw 时，我突然意识到：

这不就是把“模型 + 工具 + 外部入口 + 自动执行”这件事，做成了一个更通用的宿主系统吗？

所以我想亲自验证一件事：

OpenClaw 到底是不是一个值得认真研究的 Agent 框架？

---

二、OpenClaw 到底是什么？

如果一句话解释，我现在会这么说：

OpenClaw 不是聊天机器人，而是一个可自托管的 AI Agent 宿主系统。

它不是单纯让你“问问题”，而是让你：

• 接一个模型
• 接一堆工具
• 接外部消息入口（Telegram / WhatsApp / Slack / Discord 等）
• 再让这个 AI 长期在线，持续接任务、持续执行

所以它更像：

一个长期在线的 AI 助理 / 数字员工底座

而不是一个“更花哨的聊天网页”。

---

三、它和 Dify 到底有什么区别？

这是我最开始最想搞清楚的问题。

部署完、实际跑通之后，我的理解变得非常清晰：

Dify 更像：

“搭 AI 应用的平台”

你在 Dify 里做的事情通常是：

• 搭知识库
• 搭工作流
• 配节点
• 做企业问答 / 内容生成 / 流程应用

所以 Dify 更偏：

AI 应用开发平台

---

OpenClaw 更像：

“养一个 AI 助手的宿主系统”

你在 OpenClaw 里做的事情通常是：

• 接模型
• 接工具
• 接消息渠道
• 开定时任务
• 让 Agent 长期在线运行

所以它更偏：

AI Agent Runtime / 数字员工宿主

---

最直白的理解：

Dify 是“搭系统”，
OpenClaw 是“养员工”。

这一句，是我部署完之后最准确的感受。

四、OpenClaw 和 Ollama 到底是什么关系？

很多人第一次接触这类本地 Agent 系统时，最容易搞混的一件事就是：

OpenClaw 和 Ollama 到底谁是“AI”？谁又只是“运行环境”？

我这次自己跑通之后，理解就非常清楚了。

---

先说结论：

OpenClaw 是：

Agent 宿主 / AI 助手外壳

它负责：

• 接收你的聊天指令
• 调用各种工具
• 管理记忆、会话、定时任务
• 接入 Telegram / WhatsApp / Discord / Slack 等渠道

所以它更像：

“DIY 版的 ChatGPT + 工具调用系统”

---

Ollama 是：

本地模型运行环境

它负责：

• 下载模型
• 启动模型
• 在本地运行模型
• 给其他程序（比如 OpenClaw）提供调用接口

所以 Ollama 更像：

“本地模型播放器 / 模型管理器 / 模型运行器”

---

最直观的理解方式：

Ollama 像：

“手机里的应用商店 + 播放器 + 管理器”

它本身不是“应用内容”，而是：

• 负责把模型装下来
• 负责把模型跑起来
• 再把能力提供给上层应用

---

类比一下就很好理解：

角色	你熟悉的世界	现在这个世界
运行环境	PyTorch / TensorRT	Ollama
模型本体	GPT-2 / ONNX / engine	qwen2.5:3b
上层应用	Flask / Web 页面	OpenClaw

---

所以它们的关系其实很简单：

Ollama：负责“跑模型”
OpenClaw：负责“用模型 + 工具替你干活”

这也是为什么我部署完之后会觉得：

OpenClaw 不是模型，而是“把模型真正组织成一个能做事的 Agent 系统”的外壳。

五、我的实际部署环境

我这次选择的是：

环境组合

• Windows 主机
• WSL Ubuntu
• Windows 上运行 Ollama
• WSL 里运行 OpenClaw
• 本地模型使用：qwen2.5:3b

这样做的原因很简单：

• Windows 上下载模型更方便
• WSL 跑 OpenClaw 更稳定
• 本地模型免费、可控、适合测试

最终结构其实就是：

Windows:
  Ollama（本地模型服务）
    └── qwen2.5:3b

WSL Ubuntu:
  OpenClaw（Agent 宿主）

六、部署过程里最关键的几个步骤

1）先在 WSL 里准备环境

我先在 Ubuntu（WSL）里更新系统、安装 Node.js 24。

因为 OpenClaw 对 Node 版本是有要求的。

---

2）模型不放 WSL，而是放在 Windows

一开始我尝试在 WSL 里装 Ollama，但下载速度比较慢。

后来我改成：

直接在 Windows 上装 Ollama

这一步其实更适合大多数 Windows 用户。

然后在 Windows PowerShell 里拉模型：

ollama pull qwen2.5:3b

这一步很顺利。

3）最容易卡住的地方：WSL 连不上 Windows 的 Ollama

这个是我整个部署过程里最关键、也最容易踩坑的地方。

因为：

Windows 上的 Ollama 默认只监听 127.0.0.1:11434
而 WSL 里的 OpenClaw 不能直接访问这个 localhost

所以我做了两件事：

第一步：让 Ollama 监听所有地址

在 Windows PowerShell 里设置：

setx OLLAMA_HOST "0.0.0.0:11434"

然后重启 Ollama。

第二步：放行防火墙

打开 11434 端口，让 WSL 能访问到 Windows 主机上的 Ollama。

最后我通过：

curl http://192.168.0.3:11434/api/tags

成功在 WSL 里看到了模型列表。

这一步一通，整个系统就真正串起来了。

七、OpenClaw 安装后，真正让我理解它的不是“能聊天”

安装完 OpenClaw 之后，我第一次真正意识到：

它不是“又一个聊天机器人”

是因为它里面不只是一个对话框，而是有完整的 Agent 系统结构。

左侧菜单里能看到很多关键模块：

• 聊天
• 概览
• 频道
• 会话
• 使用情况
• 定时任务
• 代理
• 技能
• 节点
• 配置
• 通信

这时候我才真正明白：

OpenClaw 不是“一个聊天网页”，而是一个“长期运行的 Agent 控制台”。

八、终端聊天和网页聊天，有什么区别？

这是我部署完成后最先问自己的问题。

因为 OpenClaw 同时给了我两个入口：

1）终端（TUI）

更像：

开发者控制台

适合：

• 快速调试
• 看状态
• 测模型
• 像操作后端服务一样使用

---

2）网页（Web UI）

更像：

Agent 管理后台 / 可视化驾驶舱

适合：

• 聊天
• 看会话
• 管理技能
• 看定时任务
• 配外部渠道

---

本质上：

它们连接的是同一个 Agent / 同一个 Gateway。

所以区别不是“两个 AI”，而是：

同一个系统的两个操作入口。

九、我最终是怎么理解 OpenClaw 的？

我最后给自己的总结非常简单：

OpenClaw = 模型 + 工具 + 记忆 + 调度 + 外部入口 + 长期在线

这几个东西加在一起，它就不再像“聊天机器人”，而开始像：

一个可以接任务、能调用工具、能自动执行、还能长期在线的 AI 助手。

所以你给它下任务时，体验会变成：

不是“我在问 AI”，而是“我在给 AI 派活”。

这是我觉得它最本质的变化。

十、它是不是“DIY 版 ChatGPT”？

如果只是入门理解，这么说不算错。

但更准确的说法应该是：

它不是“DIY 版 ChatGPT”，而是“DIY 版 AI Agent 宿主系统”。

区别很大。

因为它的重点不是“更会聊天”，而是：

• 更会接任务
• 更会调工具
• 更会跑流程
• 更像“一个在帮你做事的系统”

---

十一、那它适合什么？不适合什么？

它适合：

• 做个人 AI 助理
• 做消息机器人
• 做自动化执行任务
• 做长期监控 / 提醒 / 汇总
• 做“数字员工”类场景

---

它不太适合：

• 单纯做企业知识库
• 单纯做标准化业务流程图形编排
• 追求“零配置即用”的轻量用户

如果你只是想搭：

• 企业知识问答
• 工作流
• RAG 应用

那 Dify 往往更直接。

但如果你想要的是：

一个长期在线、能接消息、能调用工具、能持续干活的 AI 助手

那 OpenClaw 这种思路就很有意思。

---

十二、我最后的结论

如果让我现在用一句话总结 OpenClaw，我会这么说：

Dify 更像“搭 AI 应用的平台”，
OpenClaw 更像“养 AI 助手的宿主系统”。

一个偏“搭系统”，一个偏“养员工”。

---

十三、我这次最大的收获，不是“装了一个新框架”

而是我更清楚地看到了：

未来很多 AI 系统，本质上都会从“问答系统”走向“任务系统”。

也就是说，真正有价值的，不再只是：

• 会不会调用模型
• 会不会写 Prompt
• 会不会做一个聊天界面

而是：

你能不能把模型、工具、消息入口、调度和执行链路，真正组织成一个“能干活的 AI 系统”。

而 OpenClaw，恰好就是这个方向里一个非常典型的代表。

十四、附录｜Windows + WSL 调用本地 Ollama 的最简部署记录

为了让 WSL 里的 OpenClaw 调用 Windows 上的本地模型，我最终跑通的是下面这套最小方案。

---

目标

让：

• WSL 里的 OpenClaw
• 调用
• Windows 上的 Ollama 本地模型

---

1、Windows 安装并拉模型

1）安装 Ollama（Windows 版）

2）PowerShell 执行：

ollama pull qwen2.5:3b

2、默认问题

Ollama 默认只监听：

127.0.0.1:11434

这样会导致：

WSL 无法访问 Windows 上的 Ollama

3、修改 Ollama 监听地址

在 Windows PowerShell 执行：

setx OLLAMA_HOST "0.0.0.0:11434"

然后：

彻底关闭 Ollama
再重新启动

可以通过以下任一方式启动：

ollama serve

或者直接在Windows程序列表中打开Ollama即可 。

4、验证监听是否成功

PowerShell 执行：

netstat -ano | findstr 11434

正确结果应看到：

0.0.0.0:11434 LISTENING

5、放行防火墙（保险）

管理员 PowerShell 执行：

netsh advfirewall firewall add rule name="Ollama 11434" dir=in action=allow protocol=TCP localport=11434

6、查看 Windows 本机 IP

PowerShell 执行：

ipconfig

例如得到：

192.168.0.3

7、在 WSL 中测试是否连通

Ubuntu / WSL 执行：

curl http://192.168.0.3:11434/api/tags

如果返回类似：

{"models":[{"name":"qwen2.5:3b"...}]}

说明：

WSL 已成功访问 Windows 上的 Ollama

8、安装 OpenClaw

在 WSL 中执行：

curl -fsSL https://openclaw.ai/install.sh | bash

9、初始化 OpenClaw 时填写

Provider

Ollama

Model

qwen2.5:3b

Endpoint

http://192.168.0.3:11434

等等

10、常用命令

查看版本

openclaw --version

终端模式（TUI）

openclaw tui

生成 Web UI 地址

openclaw dashboard --no-open

如果成功，会拿到类似：

http://127.0.0.1:18789/#token=xxxxxx

在浏览器打开即可进入控制台。

11、运行界面

十五、最后一句

如果你也对 Agent、数字员工、AI 自动执行系统感兴趣，我非常建议你：

不要只看概念，亲手跑一遍。

因为只有你真的把它跑起来，才会理解：

AI 和“帮你干活的系统”之间，到底差了哪一步。

---

💬 如果本文对你有帮助，欢迎点赞 + 收藏 + 分享
📌 更多 AI 工程实践内容，欢迎关注「YoanAILab」