先把结论放在前面：想在云服务器上部署 OpenClaw 这类 AI 代理，让它 7×24 小时干活，难点从来不在“安装”这一步，而在“安装完之后你怎么保证它不掉线、不乱跑、能真正接上你的日常使用入口”。我用蓝队云一台 2核4G 的入门服务器，从零开始跑通了 OpenClaw + Ollama 本地模型的完整链路，中途踩了不少坑，最后做成了一套连微信里都能直接对话的专属 AI 助手。这篇就把整个流程、配置细节和判断依据原原本本写出来，适合完全没碰过 Linux 的新手，也适合第一次部署 AI 代理的老手快速避坑。
1. 为什么非要云服务器 + OpenClaw：7×24 小时的底层逻辑
1.1 本地电脑跑 AI 助手，差在哪
我见过太多朋友一开始把 OpenClaw 这类 AI 代理装在自家电脑上，想着随时随地用，结果没过三天就放弃了。电脑一合盖，助手失联；公司断网，助手失联；Windows 半夜强制更新重启，助手又失联。这不是工具不行，而是“7×24 小时在线”这个需求，本地设备根本扛不住。
AI 助手这种应用，本质应该是一个“服务”，而不是一个“程序”。服务就得跑在一直通电、一直联网、不会被家里人误关的机器上。云服务器就是这个“永不关机的小机房”，你花钱买的就是它的在线时间，你自己电脑反而做不到。
1.2 OpenClaw 到底是个什么角色
简单说，OpenClaw 是一个开源的 AI 代理（Agent）框架。它会连接你选择的大模型——可以是云端 API，也可以是本地部署的 Ollama、LM Studio 这类推理服务——然后基于模型能力去执行你交代的任务：定时汇总信息、自动处理消息、联动各种接口、在聊天群里回答提问等等。
它和 ChatGPT 网页版最大的区别是：它能“动手干活”，而不只是“开口聊天”。而且它支持接入常见的 IM 平台，部署在云服务器上之后，就相当于给自己配了一个专属 AI 助理团队——你在微信里发条消息，它能收到、理解、执行，再把结果回给你。
1.3 这套组合适合谁
如果你满足以下任意一条，这篇教程对你就有用：
- 想拥有一个真正 7×24 小时在线、不依赖电脑开关机的 AI 助手；
- 看重数据隐私，希望用本地开源模型处理私人信息，不想把内容全部转交给云端 API；
- 打算用 AI 代理做自动化任务，又不想从头啃复杂的 Linux 运维；
- 纯粹是技术小白，但想体验一把“自己在云上部署 AI 服务”到底是什么感觉。
接下来我用蓝队云的一台入门配置服务器，带你把整个流程从零跑通。
2. 蓝队云选配与远程连接：零基础的第一步
2.1 服务器配置怎么选：不买贵，只买对
部署 OpenClaw 加本地模型，服务器配置不是拍脑袋选的。OpenClaw 本身只是一个代理框架，内存占用不算离谱，真正吃资源的是本地模型推理。根据我的实测，整个系统跑起来的资源消耗大概是这样：
| 组件 | CPU 占用 | 内存占用 | 磁盘占用 |
|---|---|---|---|
| OpenClaw 主程序 | 低，空闲时几乎为 0 | 500MB ~ 1GB | 约 2GB |
| Ollama 推理服务 | 调用模型时才明显 | 约 2GB ~ 4GB | 取决于模型体积 |
| 系统 + 日志 | 忽略不计 | 300MB 左右 | 约 3GB |
| 合计 | 2核足够 | 建议 4GB 起步 | 建议 40GB 起 |
所以我最后选了蓝队云 2核4G、40GB SSD 的配置。如果你只想用云端 API（比如 DeepSeek、通义千问的在线接口），那本地不需要跑模型，2核2G 都够跑 OpenClaw；但如果你想像我一样接本地模型，内存最好直接上 4G，避免推理到一半被系统 OOM 杀掉。
区域选择上，服务器离你日常使用的位置越近越好，延迟越低。蓝队云有多个可用区，选离你最近的就行。
2.2 系统选择和初始安全设置
系统我推荐 Ubuntu 22.04 LTS，原因很简单：社区资料多、软件源新、遇到问题搜起来容易。OpenClaw 官方对 Linux 的支持最好，Ubuntu 又是最主流的发行版，组合起来最省心。
创建服务器的时候记得做两件事：
- 设置一个足够复杂的 root 密码，或者干脆绑定 SSH 密钥；
- 在防火墙/安全组里先放行 22 端口，其他端口先全部关掉，等后面部署时再按需开启。
很多新手栽在第一步：服务器刚创建就被扫描爆破。因为云服务器的 IP 是公网暴露的，机器上只要开着默认端口，几分钟内就会有大量扫描流量进来。先关掉不必要的端口，能少很多麻烦。
2.3 SSH 远程连接：从本机敲开服务器的门
Windows 用户直接用系统自带的 PowerShell 或 CMD 就能连。拿到服务器公网 IP 后，在终端里执行：
ssh root@你的服务器IP输入密码后看到类似root@VM-0-1-ubuntu:~#的提示符，说明已经连上服务器了。
这一步有几点经验：
- 首次连接会提示确认指纹，输入
yes回车即可； - 如果连接超时，先检查安全组是否放行了 22 端口；
- 不建议用手机 SSH 工具做后续操作，屏幕太小，复制粘贴命令容易出错，老老实实用电脑连。
连上之后，先做两件基础的事：更新软件源、安装常用工具。
apt update && apt upgrade -y apt install -y curl git vim htop更新完系统，我们才开始正式部署。
3. 从空白系统到 OpenClaw 启动：一段能直接复制的部署流程
3.1 先装 Node.js 运行时：版本不对，后面全白搭
OpenClaw 是基于 Node.js 开发的，所以服务器的第一步是装好 Node.js 运行时。这里我强烈不建议直接用apt install nodejs，因为 Ubuntu 自带的源里 Node 版本往往太老，OpenClaw 对 Node 版本有最低要求，版本太低会直接报错。
我采用的是 nvm 方式安装，灵活性最高，切换版本也方便：
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash安装完成后重开终端，或者执行：
export NVM_DIR="$HOME/.nvm" [ -s "$NVM_DIR/nvm.sh" ] && \. "$NVM_DIR/nvm.sh"然后安装 Node.js 20 LTS：
nvm install 20 nvm use 20 node -v看到v20.x.x的输出，说明 Node 环境就绪了。
3.2 安装 OpenClaw 主程序
OpenClaw 的安装方式很直接，通过 npm 全局安装就能拿到命令行工具：
npm install -g openclaw安装完成后运行：
openclaw doctor这个命令会检查当前环境是否满足运行条件。我当时跑完，提示缺了一些系统依赖，按提示一个个装上就行。这一步是很多新手最容易忽略的：以为程序装好了就能跑，其实环境检查没过，后面运行时会莫名奇妙报各种错。
如果你的服务器在国内，npm 下载速度可能会很慢，建议先配置 npm 镜像源：
npm config set registry https://registry.npmmirror.com我自己实测下来，配了镜像之后安装速度至少提升 5 倍。
3.3 初始化配置和首次启动
环境检查通过后，执行初始化命令：
openclaw init初始化过程会生成一个配置文件目录，通常在~/.openclaw/下面，同时会引导你填写模型提供方的信息。这里先别急着选云端 API，直接回车跳过，等后面接好 Ollama 再回来配置。
初始化完成后启动：
openclaw start看到日志里出现类似Server running on port 3000的输出，说明主程序已经起来了。这时候你可以在本地浏览器里访问http://你的服务器IP:3000，能看到 OpenClaw 的 Web 控制台页面。
这里有个端口问题的坑必须提醒：云服务器默认开的是 22 端口，3000 端口需要去蓝队云控制台的安全组里手动放行。我当时第一次访问不到页面，排查了半天才发现是安全组没放行。
3.4 设置自动启动：服务器重启后助手不能消失
openclaw start只是在前台运行，关掉 SSH 窗口进程就死了。这显然不符合 7×24 小时在线的要求。我们需要把它注册成一个 systemd 服务，让系统自动拉起。
创建服务文件：
vim /etc/systemd/system/openclaw.service写入以下内容：
[Unit] Description=OpenClaw AI Assistant After=network.target [Service] Type=simple User=root ExecStart=/root/.nvm/versions/node/v20.18.0/bin/openclaw start Restart=always RestartSec=5 Environment=PATH=/root/.nvm/versions/node/v20.18.0/bin:/usr/bin:/bin Environment=NODE_ENV=production [Install] WantedBy=multi-user.target注意把 ExecStart 里的 Node 路径替换成你自己的 nvm 路径，可以用which openclaw查到。
然后重新加载并启动服务：
systemctl daemon-reload systemctl enable openclaw systemctl start openclaw systemctl status openclaw看到active (running)状态，说明服务已经托管给 systemd 了。以后就算服务器重启，OpenClaw 也会自动起来。这一步是从“能跑”到“真的 7×24 在线”的分水岭。
4. 给助手接上本地大脑：Ollama 模型部署与接入配置
4.1 为什么我选择本地模型，而不是云端 API
这一步是很多人的纠结所在。云端 API（比如直接接 DeepSeek、通义千问的接口）的好处是模型能力强、不用自己维护推理环境，坏处是：要花钱、数据要经过第三方、高峰期还会限流。
本地模型的好处是一次部署永久免费、数据完全留在自己服务器上、离线也能用；坏处是需要一定的硬件资源，且模型能力不如顶级云端大模型。
我的选择是“Ollama + Qwen2.5”系列开源模型，理由是 Qwen 系列对中文支持好，Ollama 部署最简单，而且普通家用任务、消息摘要、回答问题完全够用。如果你对英文任务更多，也可以换成 Llama 3.1 系列。
4.2 在服务器上安装 Ollama 并拉取模型
Ollama 的官方安装脚本一行搞定：
curl -fsSL https://ollama.com/install.sh | sh安装完成后启动服务：
systemctl start ollama systemctl enable ollama然后拉取模型。这里有个非常重要的经验：不要一上来就拉 70B 这种大模型，2核4G 的服务器根本跑不动，推理时内存直接爆掉，进程被杀。我用的 7B 模型，4G 内存也接近极限了，但能稳定运行。
ollama pull qwen2.5:7b拉取过程中可以随时用ollama list查看模型列表。验证模型能否正常对话：
ollama run qwen2.5:7b "你好，简单介绍一下你自己"如果模型能正常回复，说明推理服务没问题了。如果等待时间特别长，或者提示内存不足，建议换 3B 甚至 1.5B 的小模型。
4.3 OpenClaw 接入 Ollama 的具体配置
OpenClaw 接 Ollama 用的方式是“兼容 OpenAI API”的模式。Ollama 本身就提供了一个 OpenAI 兼容的接口，地址是http://localhost:11434/v1，这样 OpenClaw 不需要特殊的适配逻辑，直接用标准 OpenAI 接口格式就能调用。
编辑 OpenClaw 的配置文件：
vim ~/.openclaw/config.json核心配置如下：
{ "model": { "provider": "openai-compatible", "baseUrl": "http://localhost:11434/v1", "model": "qwen2.5:7b", "apiKey": "ollama-local" } }注意几点：
apiKey是必填项，但 Ollama 本地接口不校验，随便填一个非空字符串即可；baseUrl里的 localhost 是相对于服务器本身的，因为 OpenClaw 和 Ollama 跑在同一台机器上；- 配置完成后重启 OpenClaw 服务：
systemctl restart openclaw。
重启后回到 Web 控制台，随便发一条消息测试。如果日志里没有报错，且模型正常回复，说明 OpenClaw 已经成功用上了本地大脑。
4.4 模型选型的实际体验对比
我这台 2核4G 服务器上实测下来：
| 模型 | 参数量 | 内存占用 | 响应速度 | 中文质量 |
|---|---|---|---|---|
| qwen2.5:1.5b | 1.5B | 约 1.2GB | 较快 | 能说，但简陋 |
| qwen2.5:3b | 3B | 约 2GB | 适中 | 可用 |
| qwen2.5:7b | 7B | 约 4GB | 偏慢 | 较好 |
| qwen2.5:14b | 14B | 超过 8GB | 内存不足直接挂 | 不推荐 |
如果你的服务器只有 2G 内存，老老实实选 3B；如果有 4G，7B 是上限。想要更好的效果，只能加钱升级服务器配置，或者忍受延迟换更快的带宽。
一个额外的调优建议：Ollama 默认并发数是 1，当 OpenClaw 同时处理多个任务时，推理请求会排队。可以在 Ollama 的 systemd 服务里加环境变量OLLAMA_NUM_PARALLEL=2，提升并发体验，但前提是内存够用。
5. 把助手“塞进”微信：随时随地用的真入口
5.1 为什么一定要接 IM 平台
Web 控制台虽然能用，但你不可能一直开着浏览器。真正让 AI 助手融入日常的做法，是把它接到你每天都用的聊天工具里。微信是国内绕不开的选择——你不用额外装 App，不用记住什么控制台地址，在聊天框里发消息就行。
OpenClaw 接入微信的原理不复杂：它通过网关把消息平台的事件转发给 OpenClaw 处理，再把 OpenClaw 的回复通过网关发回聊天界面。中间的消息格式由 OpenClaw 统一处理，所以消息平台本身只是个“壳”。
5.2 配置步骤与踩坑记录
第一步，在 OpenClaw 控制台里找到“接入渠道/平台”相关的配置入口，选择微信。
第二步，按提示填写你在微信方面准备好的接入凭证。这一步是整个过程里最容易出问题的环节。个人微信的接入往往受限于官方接口权限，实际部署时需要用一个小程序或企业微信的 Webhook 地址来转发消息，视你手头的资源而定。核心思路是：让微信侧把新消息 POST 到 OpenClaw 的 Webhook 端口，OpenClaw 再把回复 POST 回去。
第三步，在安全组里放行 OpenClaw 监听 Webhook 的端口，并且在 OpenClaw 配置里填好回调地址和 Token。
我当时在这里反复折腾了很久，最后总结出一个判断流程：
- 微信那边消息能不能推出来——不能，就先查微信侧的配置；
- 推出来之后 OpenClaw 收没收到——没收到，就查安全组端口和防火墙；
- 收到了但没回复——才是查 OpenClaw 日志和模型调用。
5.3 验证接入是否成功
配置完成后，在微信里给助手发一条消息：“你好，在吗？”
正常情况下十几秒内会收到回复。如果没反应，按下面的顺序排查：
systemctl status openclaw确认主进程活着；- 手动 curl 一下 Webhook 地址，看是不是能收到转发；
- 看 OpenClaw 日志里有没有打印收到的消息原文；
- 确认 Ollama 模型确实能正常推理，而不是排队排到超时。
微信接入跑通后，你的 AI 助手才算真正“落地”。手机不在身边无所谓，电脑没开也无所谓，只要服务器在线，它就在线。
6. 稳定运行才是硬道理：监控、自愈与常见故障排除
6.1 用 systemd 和定时任务保证“掉线自愈”
很多人的 AI 助手部署完了能用，但跑几天就莫名其妙没了。原因基本集中在三个点：进程崩溃、内存耗尽、服务器重启。前两个可以通过 systemd 的Restart=always参数自动恢复，这个我们配置 systemd 服务时已经写进去了。
内存耗尽则需要加一道保险。我写了一个简单的监控脚本，每两分钟检查一次：
#!/bin/bash if [ $(free -m | awk '/^Mem:/{print $7}') -lt 300 ]; then systemctl restart ollama systemctl restart openclaw fi配合 crontab 实现周期性执行：
crontab -e */2 * * * * /root/check_memory.sh这样即使内存被模型推理占满到系统卡死，也能自动重启服务恢复。
6.2 常见报错定位与解决
我在部署和后续使用中遇到过几个典型的报错，列出来给你做个对照表：
| 现象 | 根因 | 解决方式 |
|---|---|---|
| OpenClaw 启动即退出 | Node 版本过低或缺少依赖 | 用 nvm 装 Node 20，跑openclaw doctor补齐依赖 |
| 第一次打开 Web 控制台很慢 | 服务器带宽小，静态资源加载慢 | 等一会即可，或升级带宽 |
| 对话时长时间不回复 | 本地模型推理慢或排队 | 看 Ollama 日志，考虑换更小模型 |
| 微信消息收不到 | 回调地址或安全组配置错误 | 按 5.2 的排查流程走 |
| 服务器重启后助手丢失 | systemd 服务没 enable | 执行systemctl enable openclaw |
| 磁盘被日志占满 | 日志没做轮转 | 配置 logrotate 或定期清理日志 |
6.3 资源优化：让 2核4G 跑出最大潜力
最后分享几个我实测有效的优化技巧：
- 限制 Ollama 内存占用：在 Ollama 服务配置里可以设置
OLLAMA_MAX_LOADED_MODELS=1、OLLAMA_KEEP_ALIVE=30m，避免多个模型常驻内存； - 给日志加轮转：创建
/etc/logrotate.d/openclaw配置文件，让日志超过 10MB 自动压缩，防止磁盘被写满； - 日常任务定时化：把 OpenClaw 的定时任务集中在凌晨执行，避开你自己使用的高峰期，减少资源竞争。
我的服务器在实际运行中，内存长期保持在 80% 左右，CPU 在空闲时几乎为 0，整体稳定跑了两个月没出过问题。如果你打算长期使用，建议每周登录服务器看一眼htop的资源占用，养成习惯。
到这里，一个完全属于自己的 7×24 小时 AI 助手就部署完成了。最后再分享一个我自己的体会：这套东西真正的价值不在于“部署成功”那一刻的快感，而在于它成了你日常工作中一个真正随叫随到的数字伙伴。消息放在微信里发出去，它就会去处理，处理完主动汇报结果。用了两个月之后，我已经完全离不开它了。如果你也部署成功了，建议从简单的“每日新闻摘要”“定时提醒”这类小任务开始，让它一点点融入你的工作流，你会上瘾的。
