如何使用Ollama集成OpenClaw
在 Ollama 中安装并集成 OpenClaw：零成本本地部署指南
想在本地免费跑大模型，同时拥有一个清爽好用的对话界面？把 OpenClaw 和 Ollama 结合起来，是个非常高效的选择。核心流程其实很清晰：先部署 OpenClaw 这个前端应用，再通过 Ollama 拉取并管理本地模型，最后将两者“打通”。下面，咱们就一步步来操作。
一、安装 OpenClaw（这是第一步，也是必做项）
1. 系统要求
动手之前，先核对一下你的设备环境：
Windows用户：最省心的方式是使用 WSL2，当然原生 Windows 10 及以上版本也可以。
macOS用户：需要 macOS 10.15 或更高版本。
Linux用户：主流的发行版如 Ubuntu 等基本都支持。
另外，无论哪个系统，都需要提前安装好 Node.js（版本 ≥ 22）。
2. 一键安装命令
最快捷的方式是使用官方提供的一键脚本：
对于 macOS 或 Linux 系统，打开终端，执行：
curl -fsSL https://openclaw.ai/install.sh | bash对于 Windows 系统（在 WSL2 或 PowerShell 中），可以运行：
iwr -useb https://openclaw.ai/install.ps1 | iex当然，如果你习惯用 npm，也可以选择全局安装：
npm install -g openclaw@latest3. 验证安装
安装完成后，怎么确认是否成功呢？很简单，在命令行里输入：
openclaw --version
# 如果能正常输出版本号，那就恭喜你，第一步搞定！二、安装 Ollama（本地模型引擎）
OpenClaw 是个出色的“外壳”，但它本身不提供模型能力。这时就需要 Ollama 登场了，它负责在本地拉取、管理和运行开源大模型。
1. 安装 Ollama
Ollama 的安装同样提供了一键脚本：
macOS / Linux 用户在终端运行：
curl -fsSL https://ollama.com/install.sh | shWindows 用户更简单，直接去官网下载安装包，双击运行即可。
2. 验证 Ollama
安装后，别忘了验证一下：
ollama --version3. 拉取适配模型（推荐）
Ollama 安装好之后，仓库里还是空的，需要你手动拉取想要的模型。这里可以根据自己的硬件条件来选：
# 轻量通用选择（7B参数，适合大多数普通电脑）
ollama pull qwen2.5:7b
# 如果硬件给力（比如显存 ≥ 8G），可以尝试更大模型
ollama pull qwen3:14b三、Ollama 对接 OpenClaw（两种方式，任选其一）
这是最关键的一步，让前端界面和后台模型引擎连接起来。
方式一：Ollama 一键启动（推荐给怕麻烦的朋友）
Ollama 贴心地提供了一个集成命令：
ollama launch openclaw运行后，跟着向导提示操作，选择 Ollama 作为模型提供商，它就会自动帮你完成配置对接，非常省心。
方式二：手动修改配置文件（适合喜欢掌控一切的极客）
如果你更倾向于手动配置，可以按以下步骤操作：
首先，找到配置文件
Windows 系统通常在：C:\Users\你的用户名\.openclaw\openclaw.json
macOS / Linux 系统则在：~/.openclaw/openclaw.json
然后，添加 Ollama 配置
在配置文件的合适位置（通常是 models 字段下），添加如下配置段：
{
"models": {
"ollama": {
"baseUrl": "http://localhost:11434",
"models": [{
"id": "qwen2.5:7b",
"name": "本地通义千问7B",
"contextWindow": 8192,
"maxTokens": 4096
}]
}
}
}最后，重启 OpenClaw 服务
配置修改后，需要重启服务使其生效：
openclaw restart四、启动与使用
完成所有配置后，就可以启动体验了。
# 启动 OpenClaw 服务
openclaw start
# 访问 Web 面板
# 用浏览器打开：http://localhost:3000在浏览器中打开管理界面，登录后，记得在模型选择的下拉菜单中，切换成你刚刚配置好的 Ollama 本地模型（比如“本地通义千问7B”）。至此，一个完全免费、可离线运行的大模型对话环境就搭建完成了。
常见问题
遇到问题先别急，以下几个点是高频踩坑区：
端口占用：如果 3000 端口被占用，可以修改 openclaw.json 配置文件中的 port 字段，换成 3001 等其他未被占用的端口。
模型拉取慢：从海外拉取模型文件速度可能不理想，可以考虑更换国内镜像源，或者寻找手动下载模型文件的路径。
运行卡顿：模型运行吃硬件。建议内存不小于 16G，显存不小于 4G。如果硬件有限，务必优先选择 qwen2.5:7b 这类轻量级模型，体验会更流畅。
希望这份指南能帮你顺利搭建起专属的本地 AI 助手。