Qwen3-32B整合Clawdbot指南：代理直连8080→18789网关详细步骤
1. 为什么需要这一步配置？
你可能已经部署好了Qwen3-32B大模型，也装好了Clawdbot聊天平台，但打开页面后发现——消息发不出去，或者一直显示“连接中”。这不是模型没跑起来，也不是前端页面坏了，而是中间少了一条关键的“通信通道”。
Clawdbot本身不直接调用Ollama的API，它需要一个统一的网关来转发请求。而Ollama默认只监听本地127.0.0.1:11434，且不支持跨域、不暴露给外部服务。这时候，就需要一层轻量级代理：把Clawdbot发来的http://your-server:8080/api/chat这类请求，精准转给Ollama，并把响应原路送回。
本文讲的，就是这条通道怎么搭——不改一行Clawdbot源码，不碰Ollama配置，只靠标准HTTP代理规则，把8080端口的入站请求，稳稳落到18789网关，再透传到Qwen3-32B。整个过程无需Docker编排、不依赖Nginx复杂配置，适合中小团队快速验证和上线。
你不需要懂反向代理原理，只要照着做，5分钟内就能让对话框真正“活”起来。
2. 环境准备与基础确认
2.1 确认你的服务已就绪
在动手前，请花1分钟确认以下三项都已正常运行：
Qwen3-32B已在Ollama中加载成功
运行命令：ollama list，输出中应包含qwen3:32b（注意是qwen3:32b，不是qwen:32b或qwen2:32b）
若未加载，执行：ollama run qwen3:32b（首次运行会自动拉取，约需15–25分钟，取决于带宽）Ollama API服务正在监听
默认地址：http://127.0.0.1:11434
快速验证：在服务器终端执行
curl -s http://127.0.0.1:11434/api/tags | jq '.models[] | select(.name=="qwen3:32b")'有输出即表示模型已注册且API可达。
- Clawdbot前端已启动，监听8080端口
启动后访问http://your-server:8080能看到聊天界面（如你贴出的第二张图），但发送消息无响应——这正是代理未通的典型表现。
注意：所有操作均在同一台Linux服务器完成（推荐Ubuntu 22.04/CentOS 7+）。不支持Windows本地开发环境直连；若用Mac，请确保Ollama和Clawdbot均运行在本机，且端口未被占用。
2.2 安装必要工具：curl、jq、netcat（仅验证用）
这些是诊断工具，非必需组件，但能帮你快速定位卡点：
# Ubuntu/Debian sudo apt update && sudo apt install -y curl jq netcat # CentOS/RHEL sudo yum install -y curl jq nc安装后可跳过本节，后续验证会用到。
3. 核心代理配置：从8080到18789的三步落地
3.1 理解端口映射逻辑
你看到的“8080 → 18789”不是随意指定的，而是Clawdbot与网关之间的约定协议：
| 端口 | 角色 | 说明 |
|---|---|---|
8080 | Clawdbot对外服务端口 | 前端页面发起请求的目标地址，如POST /api/chat |
18789 | 自定义网关监听端口 | 我们手动起的服务，负责接收8080来的请求，做路径重写、头处理、转发 |
11434 | Ollama原生API端口 | 不对外暴露，仅由18789网关内部调用 |
整个链路是：
浏览器 → Clawdbot(8080) → 网关(18789) → Ollama(11434)
关键点：Clawdbot并不知道Ollama在哪，它只认/api/chat这个路径；网关要做的，就是把/api/chat变成Ollama能懂的/api/chat（路径一致），同时把model字段从qwen3:32b透传过去——不增不减，不改格式。
3.2 启动轻量网关：用Python写一个60行的转发器
我们不用Nginx，也不用Caddy，而用Python自带的http.server模块写一个极简网关。它只有三个能力：
① 接收POST /api/chat请求
② 把Content-Type设为application/json，补全Ollama要求的头
③ 转发给http://127.0.0.1:11434/api/chat，原样返回响应
将以下代码保存为qwen3-gateway.py：
#!/usr/bin/env python3 import http.server import socketserver import urllib.request import json import sys PORT = 18789 OLLAMA_URL = "http://127.0.0.1:11434/api/chat" class ProxyHandler(http.server.BaseHTTPRequestHandler): def do_POST(self): if self.path != "/api/chat": self.send_error(404, "Only /api/chat is supported") return # 读取原始请求体 content_length = int(self.headers.get('Content-Length', 0)) body = self.rfile.read(content_length) try: # 转发到Ollama req = urllib.request.Request( OLLAMA_URL, data=body, headers={ "Content-Type": "application/json", "Accept": "application/json" } ) with urllib.request.urlopen(req) as resp: self.send_response(resp.getcode()) self.send_header("Content-Type", "application/json") self.end_headers() self.wfile.write(resp.read()) except Exception as e: self.send_error(500, f"Ollama error: {str(e)}") if __name__ == "__main__": with socketserver.TCPServer(("", PORT), ProxyHandler) as httpd: print(f"Qwen3 Gateway running on port {PORT} → forwarding to {OLLAMA_URL}") try: httpd.serve_forever() except KeyboardInterrupt: print("\nShutting down gateway...") httpd.shutdown()赋予执行权限并后台运行：
chmod +x qwen3-gateway.py nohup ./qwen3-gateway.py > gateway.log 2>&1 &验证是否启动成功：
curl -s -o /dev/null -w "%{http_code}" http://127.0.0.1:18789/api/chat # 应返回 400（因为没传body，但端口通了）；若返回000，说明进程未运行3.3 修改Clawdbot的API基础地址
Clawdbot默认调用的是/api/chat，但它需要知道这个路径背后是哪个域名+端口。你有两个选择：
方式一：修改前端配置（推荐，零侵入）
进入Clawdbot项目目录，找到前端配置文件（通常是src/config.js或public/config.json），修改API_BASE_URL：
{ "API_BASE_URL": "http://your-server-ip:18789" }注意：这里填的是服务器公网IP或内网IP（如192.168.1.100），不是localhost或127.0.0.1——因为浏览器运行在用户本地，必须能直连该IP的18789端口。
然后重新构建前端（如有构建步骤）或刷新页面。
方式二：用浏览器开发者工具临时覆盖（调试用）
按F12打开控制台，在Console中执行：
localStorage.setItem('clawdbot_api_base', 'http://your-server-ip:18789'); location.reload();刷新后即可生效，关闭页面即失效，适合快速试错。
验证成功标志：在浏览器Network面板中，看到
/api/chat请求的Status变为200，Response里出现"model":"qwen3:32b"和实际流式文本块（如{"message":{"content":"你好"}}）。
4. 实际使用与常见问题排查
4.1 正常对话流程演示
当你完成上述配置后，打开http://your-server:8080，输入任意问题，比如：
“用一句话解释量子纠缠”
你会看到：
- 输入框变灰，显示“思考中…”
- 几秒后，文字逐字浮现（流式响应）
- 右下角状态栏显示
Connected to qwen3:32b
这就是完整链路打通的信号。此时所有请求都经过18789网关，再抵达Ollama中的Qwen3-32B，模型推理结果原路返回，Clawdbot负责渲染。
4.2 三类高频问题及解决方法
| 现象 | 可能原因 | 快速检查命令 | 解决方案 |
|---|---|---|---|
| 发送后无响应，Network里请求一直pending | 18789端口未监听，或防火墙拦截 | ss -tuln | grep :18789sudo ufw status（Ubuntu） | 检查qwen3-gateway.py是否运行；开放端口：sudo ufw allow 18789 |
| 请求返回400 Bad Request | 请求体JSON格式错误，或缺少model字段 | tail -20 gateway.log | 确保Clawdbot发送的JSON含{"model":"qwen3:32b", "messages":[...]}；检查是否有中文乱码或不可见字符 |
返回500 Internal Error，log里报Connection refused | Ollama未运行，或监听地址不对 | curl -v http://127.0.0.1:11434/api/tags | 重启Ollama：systemctl restart ollama或ollama serve & |
小技巧：遇到问题时，先看
gateway.log最后一行，90%的线索都在那里。它会明确告诉你“连不上Ollama”还是“收到非法JSON”。
4.3 性能与稳定性增强建议
这个网关设计为“够用就好”，但如果你计划长期使用，建议加两处小优化：
- 加超时控制：在Python脚本中给
urllib.request.urlopen()加timeout=30参数，避免Ollama卡死拖垮整个聊天； - 加日志记录：在
ProxyHandler.do_POST开头加一行print(f"[{self.client_address[0]}] POST {self.path}")，方便追踪谁在调用； - 进程守护：用
systemd或supervisord管理qwen3-gateway.py，防止意外退出。
示例systemd服务（/etc/systemd/system/qwen3-gateway.service）：
[Unit] Description=Qwen3-32B Proxy Gateway After=network.target [Service] Type=simple User=ubuntu WorkingDirectory=/opt/clawdbot ExecStart=/usr/bin/python3 /opt/clawdbot/qwen3-gateway.py Restart=always RestartSec=10 [Install] WantedBy=multi-user.target启用：sudo systemctl daemon-reload && sudo systemctl enable --now qwen3-gateway
5. 进阶：如何支持多模型共存？
当前配置只对接qwen3:32b，但你可能还想接入qwen2:7b或llama3:8b。只需两步：
- Ollama侧：确保其他模型已
ollama pull并ollama list可见； - 网关侧：修改Python脚本，根据请求里的
model字段动态拼接Ollama URL：
# 替换原OLLAMA_URL赋值行为 try: data = json.loads(body) model_name = data.get("model", "qwen3:32b") ollama_url = f"http://127.0.0.1:11434/api/chat?model={model_name}" except: ollama_url = OLLAMA_URL这样，Clawdbot发送{"model":"llama3:8b", ...}时，网关会自动路由到对应模型——无需重启，无需改前端。
6. 总结
你现在已经掌握了Qwen3-32B与Clawdbot之间最轻量、最可控的直连方式：
不依赖Nginx等重型中间件
不修改Clawdbot源码，不侵入Ollama配置
全程用标准HTTP协议，兼容任何前端框架
日志清晰、错误明确、5分钟可复现
这条8080→18789的通道，看似只是端口映射，实则是大模型落地最关键的“握手协议”。它把抽象的AI能力，变成了一个可调用、可监控、可扩展的Web接口。
下一步，你可以：
- 把网关升级为支持鉴权的版本（加API Key校验）
- 在网关层增加请求计数、耗时统计，为后续成本核算打基础
- 将
qwen3-gateway.py打包成Docker镜像，一键部署到K8s集群
技术的价值，从来不在多炫酷，而在多可靠。当你的第一个“你好”从Qwen3-32B流式返回时，你就已经站在了工程落地的起点上。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
