OpenClaw实战：Windows 11上从零部署AI智能体并接入Skills全攻略

先说个结论：OpenClaw（前身叫 Clawdbot，社区里也有人直接叫它 Clawd）这玩意儿，是我最近小半年折腾过最上头的一个开源智能体框架。它本质上是一个跑在你本地的 AI 代理（Agent），你能给它接上 DeepSeek、Ollama 或者任意主流大模型，然后它就变成了一个能自己写代码、改文件、跑命令、调 API 的“数字员工”。而真正让它从“玩具”变成“生产力工具”的关键，就是接入 skills——也就是给这个智能体安装各种专项技能包。

这篇博文我不讲虚的，直接把我从零开始在 Windows 11 上完整部署 OpenClaw、再把 skills 跑通的整个过程，包括每一步的命令、每一个配置文件的写法、踩过的坑，全部拆开揉碎写给你。目标人群就两类：一类是刚接触 AI 智能体、想在本地搭一套自己玩的小白；另一类是已经在用 Claude Code 之类的工具、想换个更开放更自由的开源方案的老手。你只要照着抄，基本能一次跑通。

1. 部署前的完整认知：OpenClaw、Clawdbot 和 skills 的关系

1.1 OpenClaw 到底是什么，别被名字绕晕

你可能会在 GitHub 上搜到两个名字：Clawdbot 和 OpenClaw。先说清楚，这俩其实是同一个项目在不同阶段的名字。早期项目叫 Clawdbot，后面因为社区生态扩展、作者把它重构成一个更通用的智能体框架，就改名叫 OpenClaw 了。所以你看到旧教程里写 Clawdbot，新教程里写 OpenClaw，不用疑惑，操作基本通用。

从技术架构上看，OpenClaw 的核心是一个Agent Runtime（智能体运行时），它负责三件最重要的事：

• 连接大模型后端：它可以对接 Anthropic 的 Claude、DeepSeek、通义千问，也可以通过 Ollama 接本地跑的开源模型（比如 Qwen、Llama 系列）。
• 提供工具调用循环（Agentic Loop）：智能体不是只回你一段话，而是能反复调用工具、观察工具结果、决定下一步动作，直到完成你的指令。
• 管理 Skills 与 MCP 工具：skills 是“技能”，MCP（Model Context Protocol）是“工具插槽”，两者配合，让智能体拥有操作真实世界的能力。

我打个比方：OpenClaw 就像一个拥有驾照的司机，大模型是发动机，而 skills 是车上的各种装备。没有 skills 的裸车也能开，装上 skills 之后才能拉货、越野、跑赛道。

1.2 为什么一定要折腾 skills，裸用根本不是一个量级

很多人刚接触 OpenClaw 的时候，第一反应是“我直接聊不就行了吗？干嘛要装 skills”。其实这个想法我一开始也有，直到我对比了一次，才发现差距有多大。

裸用状态的 OpenClaw，你让它“写一个爬虫脚本”，它能写，但只会给你一段代码，然后让你自己复制、保存、运行。它没有“操作文件系统”的能力，也不知道你的项目目录结构长什么样。

装上 skills 之后，事情完全变了。你给它一个任务，它会自己读目录、创建文件、写代码、执行命令、看到报错再修复、跑测试，整个过程就像旁边坐了个真的程序员。

skills 本质是一组指令包，每个 skill 都有一个SKILL.md文件，里面写清楚“这个技能是干什么的、在什么场景下触发、步骤是什么、有什么约束”。OpenClaw 会根据你当前的任务描述，自动匹配并加载相关的 skill，然后按里面的 SOP 来完成任务。

现在社区里已经有大量现成 skills 可以用，比如：

• baoyu 技能包：博主 baoyu 整理的中文开发技能合集，包含前端开发、写作辅助、数据分析等多个方向，中文用户起步首选。
• superpower skills：英文社区非常火的超能力合集，里面是一整套工程化的 skill 规范，适合进阶用户自己改。
• 数学建模 skills：专门面向数学建模比赛场景，能自动生成 LaTeX 公式、绘制图表、输出建模论文框架。
• 渗透测试 skills：安全方向的专项技能，包含信息收集、漏洞扫描等流程化操作（仅限合规授权场景使用）。

可以这么说：skills 生态就是 OpenClaw 的灵魂。装好一个高质量 skill，等于给你的智能体请了一个专业领域的老师傅。

2. 部署前的准备工作与环境检查

2.1 Windows 11 环境必须装哪些基础组件

我默认你的电脑是 Windows 11 系统，且之前没有折腾过任何开发环境。如果你现在是一个全新系统，需要按顺序装好下面这些东西：

这里我说一个我踩过的坑：很多人装 Node.js 的时候，习惯性地一路点下一步，结果忽略了安装程序里“Add to PATH”的选项，导致后面在 PowerShell 里输入node -v永远提示“不是内部或外部命令”。装完 Node 之后，务必先打开一个全新的 PowerShell 窗口，输入下面两个命令验证：

node -v npm -v

能正常输出版本号，才说明安装成功。Docker 的话，我建议安装完先打开一次，把 WSL2 的后端初始化流程走完，避免后面 OpenClaw 执行容器类 skill 时报 Docker 未启动的错。

2.2 模型接入方案选型：DeepSeek 还是本地 Ollama

OpenClaw 本身不携带模型能力，它必须外接一个大模型作为大脑。目前主流的接入方案有两条路，我建议你根据自己的电脑配置和预算来选。

方案 A：云端 API（推荐新手首选）

用 DeepSeek 的 API，注册一个账号，充值几十块钱，拿到一个sk-开头的 Key。这个方案的优点是：模型能力强、响应速度快、本地零负载。缺点是：需要联网，且是付费的，虽然 DeepSeek 的价格非常便宜，但对于完全零基础的玩家，还是需要走一次支付流程。

方案 B：Ollama 本地模型（适合有显卡的朋友）

如果你手头有 NVIDIA 显卡，且显存在 8GB 以上，那么强烈建议装 Ollama，拉一个qwen2.5-coder:14b或者deepseek-r1:14b的模型下来。这个方案的好处是：完全免费、数据不出本机、响应不受网络影响。缺点也很明显，就是你笔记本风扇会转得飞起，生成速度相比云端 API 有明显差距。

我个人的建议是：如果你只是学习、折腾，先用 DeepSeek API，等把 OpenClaw 各个功能玩明白之后，再折腾 Ollama 本地部署。因为本地模型在指令遵循能力上弱一些，你排查问题的难度会急剧上升。

关于模型选型，还有一点要提醒你：OpenClaw 的官方文档里明确写了，它对 Claude 系列模型的支持最好，因为项目早期就是围绕 Claude 的 tool use 能力开发的。但现在对 DeepSeek 的适配也已经非常成熟了，我自己 80% 的场景都是 DeepSeek 在跑，稳得很。

2.3 目录规划与安装路径选择

很多新人上来就直接在默认目录里装，后面技能包、配置文件散落一地，想卸载都找不全。我建议你在一开始就规划一个干净的目录结构。

我的做法是在 D 盘根目录建一个OpenClaw文件夹，然后在里面分三个子目录：

D:\OpenClaw ├── app # OpenClaw 主程序 ├── skills # 所有技能包统一放这里 └── workspace # 智能体日常干活的工作区

这里需要专门回应一个社区里问得特别多的点：PowerShell 安装 OpenClaw 能不能指定目录？

答案是：能，而且非常简单。不管你用 npm 全局安装还是 Git 克隆源码，都可以指定。如果你用 npm 装，默认会装到 Node.js 的全局目录，但你可以通过设置环境变量NPM_CONFIG_PREFIX来改变；如果你用 Git 克隆仓库的方式（这种方式我更推荐，因为后面升级方便），直接cd D:\OpenClaw之后再执行克隆命令，源码自然就落在D:\OpenClaw\app里了。

3. 完整部署实操：Windows 11 下一步一步执行

3.1 拉取 OpenClaw 项目并安装依赖

打开 PowerShell，先切换到我们规划的目录，然后执行克隆命令。官方仓库现在用的主分支名是main，不要用老的master。

cd D:\OpenClaw git clone https://github.com/openclaw/openclaw.git app cd app

仓库拉下来之后，执行依赖安装。这个过程耗时较长，可能要几分钟，取决于你的网速和电脑性能。你耐心等着就行，不要中途 Ctrl+C。

npm install

如果你用的是 npm 自带的装包源，速度慢的话，可以把包源切到淘宝镜像，速度会快很多：

npm config set registry https://registry.npmmirror.com npm install

依赖装完之后，你可以先看一下目录结构，确认核心入口文件存在：

ls

正常情况下你会看到src/、config/、docs/等目录，以及一个package.json。到这里，OpenClaw 的程序本体就装好了。

3.2 初始化配置文件：provider、模型与系统提示词

OpenClaw 的运行依赖一个配置文件。新版项目用的是clawd.config.json这个文件名，放在程序根目录下。第一次启动时，系统会自动帮你生成一个默认的，但也可能因为网络原因或配置缺失而初始化失败。我建议你手动创建，一劳永逸。

在D:\OpenClaw\app目录下新建一个clawd.config.json，写入以下内容：

{ "provider": "deepseek", "model": "deepseek-chat", "apiKeyEnvVar": "DEEPSEEK_API_KEY", "maxTokens": 4096, "temperature": 0.3, "skillsPath": ["D:\\OpenClaw\\skills"], "workspace": "D:\\OpenClaw\\workspace", "systemPrompt": "你是一个严谨的资深工程师助手，擅长代码开发、文件操作与数据分析。" }

几个字段我给你解释一下，避免你瞎改：

• provider：模型服务商，支持deepseek、anthropic、ollama、openai等。
• model：模型名。DeepSeek 官方 API 现在推荐用deepseek-chat（通用对话）和deepseek-reasoner（推理增强）。日常开发用deepseek-chat性价比最高。
• apiKeyEnvVar：OpenClaw 的设计原则是不直接在配置文件里写密钥，而是读取环境变量。所以你要在 PowerShell 里设置环境变量，或者用 Windows 系统环境变量面板。

设置环境变量的命令：

[Environment]::SetEnvironmentVariable("DEEPSEEK_API_KEY", "你的key", "User")

注意这里设置的是用户级环境变量，设置完之后，必须关闭当前 PowerShell 窗口再重新打开，环境变量才能生效。顺便多说一句，这个设计非常值得点赞，因为很多人会把配置文件传到 GitHub 上，如果直接硬编码 API Key，你的钱分分钟就被人薅光了。

3.3 配置 Ollama 本地模型的替代方案

如果你选的是 Ollama 本地模型方案，配置文件则长这样：

{ "provider": "ollama", "model": "qwen2.5-coder:14b", "ollamaHost": "http://localhost:11434", "maxTokens": 4096, "temperature": 0.2, "skillsPath": ["D:\\OpenClaw\\skills"], "workspace": "D:\\OpenClaw\\workspace" }

前提是你要先确保 Ollama 服务已经启动，并且在命令行里能正常拉取到模型：

ollama pull qwen2.5-coder:14b ollama list

看到模型列表里有你拉下来的模型，就可以继续了。这里有一个调参经验：本地模型的temperature建议设低一点，我日常设 0.2，因为本地模型本来就容易天马行空，温度设高了更不靠谱。

3.4 启动 OpenClaw 并验证基础对话

一切配置就绪后，在D:\OpenClaw\app目录下执行：

node src/index.js

看到终端出现如下图所示的信息，说明启动成功（文字可能略有差异，以你实际版本为准）：

OpenClaw is running... Provider: deepseek Model: deepseek-chat Skills loaded: 0 Type your command or 'exit' to quit:

先不急着装 skills，我们先做一个基础对话测试。随便输入一个简单问题，比如：

你好，请用一句话介绍你自己。

如果模型正常回答，说明整个链路是通的了。如果这里就报错，后面的 skills 就别折腾了，先排查。

启动过程中我见过最多的报错是端口被占用。如果提示端口冲突，你可以在启动命令后面加一个--port 3001之类的参数换一个端口。

3.5 如何升级 OpenClaw 版本，避免踩坏配置

OpenClaw 的迭代速度真的很快，基本一两周就有新版本。升级的时候千万别直接删除整个目录，否则你的配置文件（clawd.config.json）也没了。正确做法是：保留配置文件，只更新程序源码。

cd D:\OpenClaw\app git pull origin main npm install

如果你之前把 skills 放在程序目录内部，升级的时候大概率会被 git 覆盖，所以我前面才特别强调：skills 和 workspace 一定要放到程序目录之外。这是我从删除技能包无数次的教训里总结出来的。

4. skills 接入全流程：从下载到自制的完整实操

4.1 理解 SKILL.md 的核心结构（这是关键）

skills 的运作机制其实特别朴素。OpenClaw 启动时会扫描skillsPath指向的目录，逐个读取子文件夹里的SKILL.md文件。每个 skill 的目录结构长这样：

my-skill/ ├── SKILL.md ├── script.py └── assets/ └── template.txt

SKILL.md是技能的灵魂，它决定了这个技能何时被触发、触发后怎么执行。一个标准的SKILL.md，核心由三块组成：

• YAML frontmatter：在这个文件最顶部，用---包裹，里面写name、description两个字段。description极其重要，OpenClaw 靠它来决定要不要加载这个技能。描述写得越具体，触发准确率越高。
• Instructions（执行指导）：告诉 OpenClaw 拿到这个技能后，按照什么步骤做事。可以分步骤、给示例、给规则。
• 参考脚本与资源：SKILL.md里可以引用同目录下的脚本文件，用相对路径即可。

简单举个例子，一个“批量重命名文件”的技能，它的SKILL.md可能是这样的：

--- name: bulk_file_renamer description: 当用户需要对某个目录下的多个文件进行批量重命名，或者要求批量修改文件名前缀/后缀时使用。 --- # 批量重命名步骤 1. 使用 `list_files` 工具列出目标目录下的所有文件。 2. 与用户确认重命名规则，包括前缀、后缀或替换的文本。 3. 使用 Python 脚本 `scripts/rename.py` 执行重命名操作。 4. 输出重命名前后的对照表。

你注意看，这个技能包并没有规定 OpenClaw 必须调用某个具体的 API，它只是在告诉 OpenClaw：遇到“批量重命名”任务时，你怎么拆解动作。OpenClaw 读到之后，会自行决定使用内置的文件操作工具还是运行 Python 脚本。

4.2 下载现成 skills：baoyu 技能包与 superpower 实战

最省事的玩法是直接克隆社区现成的技能仓库。比如你直接用 git 把 baoyu 的技能包克隆到你配置好的 skills 目录下：

cd D:\OpenClaw\skills git clone https://github.com/baoyuai/openclaw-skills.git baoyu-skills

克隆下来之后，你会看到里面有很多子文件夹，每个子文件夹就是一个独立的 skill。它们有各自的名字，比如web-developer、>D:\OpenClaw\skills ├── baoyu-web # 从 baoyu-skills 目录里抽出来的 web 开发技能 ├── superpower # superpower 技能合集 └── my-own-skill # 我自制的技能

每个子目录下都直接放着SKILL.md。

superpower skills的安装方式同理。它仓库里的结构设计得比较好，基本上克隆下来就能被 OpenClaw 直接读取。装好之后重启 OpenClaw，你会发现启动日志里多了一行：

Skills loaded: 15

这说明 15 个技能包全部被成功加载。

4.3 skills 与 MCP 工具的联动原理

很多小白看到“skills 如何调用 MCP 工具”这个问题就头大了，这里我用最直白的方式讲清楚。

MCP 的全称是 Model Context Protocol，通俗理解就是一个统一插头标准。不同软件都有各自的接口，如果没有统一标准，每接一个工具就要写一套定制代码。MCP 出现之后，任何符合 MCP 规范的工具，OpenClaw 都可以通过 MCP 客户端直接连接。

而 skills 和 MCP 的关系是这样的：

• MCP 工具是“手”：它提供具体的能力，比如操作浏览器、查询数据库、发 HTTP 请求。
• skills 是“大脑中的操作手册”：它不直接执行动作，它规定遇到什么场景用什么顺序调哪个 MCP 工具。

举例来说，如果 OpenClaw 的环境里配置了一个playwright的 MCP 服务（浏览器自动化工具），然后你有一个“前端开发 skill”，这个 skill 的SKILL.md里写着“遇到需要调试页面时，调用 playwright 打开浏览器、截取报错信息、返回页面状态”。OpenClaw 读到这个指引，就会去调用 MCP 服务里的工具接口，完成浏览器操作。

配置 MCP 服务，是在clawd.config.json里增加一个mcpServers字段。以 Playwright 为例：

{ "mcpServers": { "playwright": { "command": "npx", "args": ["@playwright/mcp@latest"] } } }

配置好之后重启，OpenClaw 就会自动拉起这个 MCP 服务。当你发出的任务被某个 skill 命中，而这个 skill 又需要浏览器能力时，它就可以直接调用了。

4.4 自己动手做一个 skill：以“PPT 生成”为例

官方 skills 库生态虽然已经很丰富，但很多时候你自己的使用场景需要量身定制。我这里用一个“PPT 生成”技能做演示，手把手带你走一遍完整流程。

第一步：创建目录与文件

cd D:\OpenClaw\skills mkdir ppt-maker cd ppt-maker New-Item SKILL.md New-Item generate_ppt.py

第二步：编写 SKILL.md

--- name: ppt_maker description: 当用户要求制作 PPT、幻灯片、演示文稿，或者需要把 Markdown 大纲转为 PPT 时使用。同时适用于生成数学建模汇报稿、项目总结汇报等场景。 --- # PPT 生成流程 1. 确认用户需求：主题、页数、风格、是否需要图片。 2. 使用 generate_ppt.py 脚本生成 .pptx 文件。 3. 脚本输入参数：--title "标题" --pages 10 --output 输出路径 4. 将生成的 PPT 文件路径返回给用户。

第三步：编写 Python 生成脚本

这里用python-pptx库，先确保它已经安装：

pip install python-pptx

generate_ppt.py的内容可以写得很简单，核心逻辑是根据命令行参数生成一个带标题和各页内容的 pptx 文件：

import argparse from pptx import Presentation from pptx.util import Inches parser = argparse.ArgumentParser() parser.add_argument("--title", required=True) parser.add_argument("--pages", type=int, default=5) parser.add_argument("--output", required=True) args = parser.parse_args() prs = Presentation() title_layout = prs.slide_layouts[0] slide = prs.slides.add_slide(title_layout) slide.shapes.title.text = args.title for i in range(2, args.pages + 1): layout = prs.slide_layouts[1] slide = prs.slides.add_slide(layout) slide.shapes.title.text = f"第 {i} 页" slide.placeholders[1].text = f"这一页的内容由 OpenClaw 根据用户需求自动填充。" prs.save(args.output)

第四步：重启并验证

保存文件后重启 OpenClaw，输入：“帮我做一个 10 页的项目总结 PPT，标题是‘AI 自动化的实践’”。它应该会命中ppt_maker这个 skill，自动运行脚本，然后在工作区输出一个.pptx文件。整个过程你观察它输出的日志，能清楚地看到它是如何加载 skill、调用脚本的。

5. 常见问题与排查技巧实录

5.1 部署阶段的高频报错与解决方案

问题 1：npm install报权限错误（Node 的 EPERM 系列报错）

这个在 Windows 上非常常见，通常是因为当前 PowerShell 没有以管理员身份运行，或者杀毒软件锁定了 node_modules 目录。解决办法：右键 PowerShell 选择“以管理员身份运行”，然后重新执行npm install。如果还不行，就把 Windows Defender 的“文件夹受控访问”里临时放行项目目录。

问题 2：启动时报Cannot find module '@modelcontextprotocol/sdk'

如果出现这种“找不到模块”的报错，说明依赖没有装全，或者装到一半中断了。单独安装这个依赖即可：

npm install @modelcontextprotocol/sdk

问题 3：git pull更新代码后启动报错，clawd.config.json被重置

这种情况基本是官方在新版本里改了配置字段名。你去项目的docs/目录里看一下最新的配置样例，把老字段映射到新字段上就行。注意：升级前先手动备份你自己的配置文件，放到项目目录之外。

5.2 skills 不生效的排查步骤

这是最多人问的问题：“我明明把 skills 放进去了，为什么启动日志里显示 0”？用排除法一步步查：

• 先检查clawd.config.json里的skillsPath是否是绝对路径，是否指向了正确目录。注意 Windows 路径在 JSON 里要写成D:\\OpenClaw\\skills，而不是D:\OpenClaw\skills。
• 再检查每个 skill 子目录下的文件名是否叫SKILL.md，注意大小写和扩展名。如果是skill.md或SKILL.MD，OpenClaw 是不认的。
• 然后检查SKILL.md的 frontmatter 格式。description字段必须存在，且name和description必须是 YAML 合法的字符串，冒号后面要跟空格。

如果你配置好之后是热更新模式，OpenClaw 不一定每次都能扫到新加的技能。稳妥的做法是把 skills 目录改个名字再改回来，或者直接重启 OpenClaw。

5.3 模型响应异常的调优心得

我用 DeepSeek 和 Ollama 本地模型跑了大概两个月，明显感觉响应质量受temperature、maxTokens和系统提示词的影响，而且是剧烈影响。

• 如果你想让 OpenClaw 表现出“严谨工程师”的风格，temperature设在 0.2 到 0.4 之间，任务完成度高，很少跑偏。
• 如果你拿它做创意写作，比如让 skill 帮你写文案、生成脚本台词，temperature可以拉到 0.8 以上。
• maxTokens别设太小，默认 4096 够用，但如果你让它生成长文章，可能不够，改成 8192 更稳。

另外还有一个非常影响体验的细节：如果模型返回内容出现格式崩塌，优先检查系统提示词。不要小看那几句 system prompt 的作用，OpenClaw 整个工具调用的稳定性，有一半靠 prompt 压着。

5.4 常见问题速查表

6. 我的一些实操心得与建议

这几个月折腾下来，我最大的感受是：OpenClaw 这类工具的想象力边界，完全取决于你喂给它的“技能”有多精细。官方文档里给出的是骨架，真正让整个系统变得顺手的是你自己不断沉淀的 skills。

我在实际使用中最常干的事情，就是把平时工作里那些重复性的操作逐步做成技能包。比如每周要写项目周报，我就做了一个weekly-report技能，和我本地的工作目录绑定，让它自动扫描这周改过哪些文件、提交过哪些 commit，然后按模板生成周报。一个月下来，至少帮我节省了三个小时。

如果你想把这个项目继续往深了玩，我建议你的下一步探索路线是：先弄懂SKILL.md里的 frontmatter 对触发率的影响，学会写精准的 description；再尝试配置三四个常用的 MCP 服务，让智能体真正拥有操作外部工具的能力；最后尝试自己做一两个解决自己实际问题的 skills，你会上瘾的。

最后再分享一个小技巧：OpenClaw 的技能编排能力虽然强，但它给 AI 的发挥空间也大，所以一定要把SKILL.md里的步骤写清楚、写具体，最好每一步都带上验证标准。否则你会经常遇到“AI 以为自己干完了，实际文件根本没生成”的尴尬局面。我在最初踩过几次坑之后学乖了，每个技能的最后一步都会写上“必须确认文件成功生成，若失败则排查原因并重试”。这个小细节，能让你的 OpenClaw 使用体验直接上一个台阶。