OpenClaw使用llama.cpp本地大模型部署完整教程

2026-06-20阅读 0热度 0

前言

本教程基于实际操作整理，适用于 Windows WSL2 环境

全程使用 openclaw 帮我搭建大模型

把大模型跑在本地，听着就挺酷的，但实操起来总有很多坑要踩。好在 llama.cpp 这套工具已经把门槛降得很低了，配合 WSL2 环境，只要跟着步骤来，基本不会出岔子。下面就从零开始，把整个过程梳理一遍。

一、环境准备

1. 硬件要求

显卡	推荐模型	显存占用
GTX 1050 Ti (4GB)	Qwen2.5-3B Q4	~2.5GB
RTX 4060 (8GB)	Qwen2.5-7B Q4	~5GB
RTX 4090 (24GB)	Qwen2.5-32B Q4	~20GB

显存是硬门槛。4GB 的 1050 Ti 跑 3B 模型刚好，8GB 的 4060 可以上 7B，如果是 4090 那就基本没什么束缚了。选模型前先看一眼自己显卡的显存。

2. 安装编译工具（WSL Ubuntu）

sudo apt update
sudo apt install -y cmake build-essential

WSL 里默认不带这些编译工具，第一步就是补上它们。很简单，两条命令搞定。

二、下载和编译 llama.cpp

1. 克隆源码

mkdir -p ~/llama.cpp
cd ~/llama.cpp
git clone --depth 1 https://github.com/ggerganov/llama.cpp.git src

用 --depth 1 只拉最新版本，省时间也省空间。

2. 编译

cd ~/llama.cpp/src
mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release
make -j$(nproc) llama-cli llama-server

编译只针对 llama-cli 和 llama-server 两个目标，其他不相关的一律跳过。完成后可执行文件在 ~/llama.cpp/src/build/bin/ 下。

三、下载模型

1. 创建模型目录

mkdir -p ~/llama.cpp/models

2. 下载 GGUF 模型（使用国内镜像加速）

Qwen2.5-3B（适合 4GB 显存）：

curl -L -o ~/llama.cpp/models/qwen2.5-3b-instruct-q4_k_m.gguf 
  "https://hf-mirror.com/Qwen/Qwen2.5-3B-Instruct-GGUF/resolve/main/qwen2.5-3b-instruct-q4_k_m.gguf"

Qwen2.5-7B（适合 8GB 显存）：

curl -L -o ~/llama.cpp/models/qwen2.5-7b-instruct-q4_k_m.gguf 
  "https://hf-mirror.com/Qwen/Qwen2.5-7B-Instruct-GGUF/resolve/main/qwen2.5-7b-instruct-q4_k_m.gguf"

用国内的 hf-mirror 镜像，下载速度会快很多，不用科学上网。

四、运行模型

方式一：命令行交互模式

cd ~/llama.cpp/src/build/bin
./llama-cli -m ~/llama.cpp/models/qwen2.5-3b-instruct-q4_k_m.gguf 
  -c 4096 
  --no-display-prompt

参数说明：

-m 模型路径
-c 上下文长度（默认 512，建议 4096）
-ngl GPU 层数（纯 CPU 可不加）

直接用命令行就能跟模型对话，适合快速测试。

方式二：启动 API 服务

cd ~/llama.cpp/src/build/bin
./llama-server 
  -m ~/llama.cpp/models/qwen2.5-3b-instruct-q4_k_m.gguf 
  --host 0.0.0.0 
  --port 8080 
  -c 4096

服务启动后访问：http://localhost:8080

这个方式更适合集成到自己的应用里，后面会详细介绍 API 怎么调。

五、API 调用方法

API 信息

项目	值
地址	`http://localhost:8080`
API Key	不需要（或随意填写）
兼容格式	OpenAI API

端点列表

端点	说明
`POST /v1/chat/completions`	聊天补全
`POST /v1/completions`	文本补全
`GET /health`	健康检查
`GET /`	Web 聊天界面

好消息是它兼容 OpenAI 的 API 格式，所以客户端代码改个 base_url 就能直接用。

调用示例

curl

curl http://localhost:8080/v1/chat/completions 
  -H "Content-Type: application/json" 
  -d '{
    "model": "qwen2.5-3b",
    "messages": [
      {"role": "system", "content": "你是一个有帮助的助手。"},
      {"role": "user", "content": "你好，介绍一下你自己"}
    ],
    "temperature": 0.7,
    "max_tokens": 512
  }'

Python（OpenAI SDK）

from openai import OpenAI
client = OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="not-needed"
)
response = client.chat.completions.create(
    model="qwen2.5-3b",
    messages=[
        {"role": "system", "content": "你是一个有帮助的助手。"},
        {"role": "user", "content": "你好"}
    ],
    temperature=0.7,
    max_tokens=512
)
print(response.choices[0].message.content)

Node.js

const response = await fetch('http://localhost:8080/v1/chat/completions', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    model: 'qwen2.5-3b',
    messages: [{ role: 'user', content: '你好' }]
  })
});
const data = await response.json();
console.log(data.choices[0].message.content);

三种写法任你挑，Python 最简单，Node.js 原生 fetch 也很轻量。

六、常用参数说明

服务端参数（llama-server）

参数	说明	示例
`-m`	模型路径	`-m model.gguf`
`--host`	监听地址	`--host 0.0.0.0`
`--port`	端口	`--port 8080`
`-c`	上下文长度	`-c 4096`
`-ngl`	GPU 层数	`-ngl 99`（全部放 GPU）
`-np`	并行请求数	`-np 4`
`--api-key`	设置 API Key	`--api-key your-key`

API 请求参数

参数	说明	默认值
`temperature`	随机性（0-2）	0.7
`max_tokens`	最大生成长度	模型上限
`top_p`	核采样	1.0
`stream`	流式输出	false
`stop`	停止词	[]

参数这块记几个常用的就行：-ngl 控制 GPU 负载，-np 用来提高并发能力，temperature 和 max_tokens 基本每次都要调。

七、常见问题

Q1: 报错 "CUDA out of memory"

减少 -ngl 数值，让部分层用 CPU 计算：

./llama-server -m model.gguf -ngl 20  # 只放 20 层到 GPU

Q2: 中文乱码

PowerShell 执行：

chcp 65001

Q3: 如何后台运行服务？

nohup ./llama-server -m model.gguf --host 0.0.0.0 --port 8080 > server.log 2>&1 &

Q4: 如何设置 API Key 认证？

./llama-server -m model.gguf --api-key "your-secret-key"

调用时需要带上：

curl -H "Authorization: Bearer your-secret-key" ...

Q5: 从其他设备访问

查看 WSL IP：hostname -I
使用该 IP 访问，如 http://172.x.x.x:8080

这几条都是日常翻车的高频场景，提前记一下能省不少排查时间。

八、推荐模型

模型	大小	适合场景
Qwen2.5-3B-Instruct Q4	~2GB	轻量对话、低配设备
Qwen2.5-7B-Instruct Q4	~4.5GB	通用对话、代码
Qwen2.5-14B-Instruct Q4	~9GB	复杂推理
DeepSeek-R1-Distill-Qwen-7B Q4	~4.5GB	数学、逻辑推理
Mistral-7B-v0.3 Q5	~5GB	英文、代码

下载地址： https://hf-mirror.com（国内镜像）

如果只是为了跑通流程，从 3B 起步够了。想做正经项目，7B 是性价比之选。

九、文件结构

~/llama.cpp/
├── src/                    # llama.cpp 源码
│   └── build/
│       └── bin/
│           ├── llama-cli       # 命令行工具
│           └── llama-server    # API 服务
└── models/                 # 模型存放目录
    └── qwen2.5-3b-instruct-q4_k_m.gguf

记住这个结构，后面找文件就心里有数了。

十、快速启动脚本

创建 start-server.sh：

#!/bin/bash
cd ~/llama.cpp/src/build/bin
./llama-server 
  -m ~/llama.cpp/models/qwen2.5-3b-instruct-q4_k_m.gguf 
  --host 0.0.0.0 
  --port 8080 
  -c 4096 
  -np 4

赋予执行权限：

chmod +x start-server.sh
./start-server.sh

基于 llama.cpp b7917 + Qwen2.5-3B-Instruct

总结

以上就是用 llama.cpp 在 WSL2 上部署本地大模型的完整流程，从环境准备到 API 调用，每一步都给出了可以直接执行的命令。只要按顺序来，基本不会遇到意外。如果想尝试其他模型，只需要替换下载链接和启动参数里的文件路径即可。