OpenClaw 怎么配置日程管理功能？冲突检测、会前准备、会后纪要完整教程
OpenClaw 日程管理要同时处理冲突检测、会前准备和会后纪要。配置时先接入日历，再定义提醒、摘要和归档规则。 一、先看整体关系 日程助手的价值不只是提醒开会，而是把会前信息、会议结果和后续任务连起来。 OpenClaw 配置关系 OpenClaw 配置关系 1 接入日历 2 识别冲突 3 会前准备 4 会后纪要 5 任务归档 按顺序处理，可以把部署、权限、渠道和验证拆开检查，减少混在一起排错。 跑通后你会得到什么 配置完成后，OpenClaw 会每天固定巡检今天和未来 3 天的日程，识别冲突会议、超长会议和无议程会议；重点会议会前自动生成准备清单；会议结束后再输出纪要、风险和行动项，并把结果推送到飞书，同时写入 Todoist 持续跟进。 开始前先确认适用边界 模块 用途 说明 caldav-calendar 读取/创建日程、识别冲突 当前公开技能说明更偏 Linux / WSL2 环境 feishu-send-message 推送巡检结果、纪要与提醒 建议先单独跑一条测试消息 todoist 会后行动项落到任务系统 适合持续追踪 owner 和 ddl agentmail 处理外部预约与改期邮件 只在需要对外邮件协同时启用 先把 OpenClaw 环境准备好 如果你还在搭环境，建议先走「Claw龙虾部署大师」这条路径。先把 OpenClaw 部署起来，再回来配置日程管理，会比边装边调更稳。 安装日程管理需要的 Skills 当前这条工作流至少要有 5 类能力：安全审查、日历、飞书发送、对外邮件、待办系统。安装顺序上，建议先装安全审查，再装日历、飞书、邮件和待办能力。 这里有两个版本差异要注意。第一，旧文章里常写 skill-vetter，但当前技能库里更常见的名字是 skill-vetting。第二，AgentMail 官方集成页仍会给出 npx clawhub@latest install agentmail 的安装方式，但如果你的环境已经启用 OpenClaw 原生 skills 命令，可以优先使用 openclaw skills install agentmail 统一管理。 先单独验证四类核心能力 不要一上来就直接加巡检任务。更稳的顺序是：先验证日历能读出来、冲突能识别、飞书能发消息、Todoist 能写入行动项。只有这些单项都通了，再把它们拼进一个完整流程，排错成本才低。 固定会前与会后的输出模板 会前和会后这两块一定要提前固定模板。会前重点放在巡检范围、准备清单和待确认问题；会后重点放在纪要结构、owner 和 ddl。模板越明确，OpenClaw 每次跑出来的结果越稳定。 如果你要处理外部会议改期，建议再补一条约束：外部会议改期时，先生成邮件草稿给我确认，再发送。 这样既保留自动化效率，也能把外发风险控制住。 添加每日巡检 cron 当前官方文档推荐使用 Gateway 自带的 cron 跑这类固定巡检。这里建议把巡检放在工作日早上固定时段，并使用独立会话运行，更适合作为后台任务。 巡检任务配置完成后，先执行一次 openclaw cron list 确认任务已经落库；如果你是 Windows + WSL2 路线，再检查 Gateway 服务是否已启动，否则 cron 子命令可能看起来“添加成功”，但后续不会实际触发。 把会后纪要和行动项真正落地 智能日程管理最容易做成“会后总结一下就完了”，但真正有价值的是把纪要转成持续动作。这里建议固定纪要字段至少包含：结论、决策、风险、行动项、负责人、截止时间。然后把行动项写入 Todoist，再通过飞书推一次摘要版，避免会议开完就散。 如果你希望提醒噪音更低，可以只让 OpenClaw 对逾期行动项和 P1 任务做每日提醒，而不是把所有行动项每天都重复发一次。 什么时候该把 AgentMail 加进来 如果你的日程管理只发生在团队内部，其实只用 caldav-calendar、Todoist 和飞书就够了。只有在需要对外预约、改期确认、发出草稿邮件时，才建议把 AgentMail 加进来。这样可以把复杂度留给真正需要的场景，而不是一开始就把链路堆满。 参考链接 OpenClaw Skills 文档 OpenClaw Cron 文档 skill-vetting 技能页 caldav-calendar 技能页 todoist 技能页 feishu-send-message 技能页 AgentMail × OpenClaw 集成文档 常见误区 只同步标题 没有地点、参会人和备注，会议准备信息会不完整。 冲突规则太粗 全部冲突都提醒会造成噪音，要按重要程度区分。 纪要不归档 会后纪要如果不进入任务或文档，后续追踪会断掉。 方法对比 处理项适合场景确认重点 冲突检测多会议重叠提前改期 会前准备开会前汇总资料 会后纪要会议后沉淀行动项 用「Claw龙虾部署大师」减少前置配置成本 一键本地部署 用来处理 OpenClaw 安装、基础环境和本地运行入口，适合不想先花大量时间排查依赖的人。 模型接入 用来把豆包、通义千问、DeepSeek 等模型配置进工作流，适合需要先跑通 AI 助手底座，再继续配置渠道和任务的人。 本地安全部署 适合把数据、账号和运行环境留在本机或指定设备上，再按文章里的步骤继续收紧权限、接入渠道或验证任务。
如何使用openclaw写论文
用 OpenClaw 写论文，要把选题、资料整理、提纲、初稿、引用核验和查重修改分开处理，不能让模型一次性替代完整学术流程。 一、先看整体关系 论文工作流的重点是可追溯和可核验。OpenClaw 可以帮你整理和生成，但资料来源、引用和最终判断仍要人工把关。 OpenClaw 配置关系 OpenClaw 配置关系 1 选题 2 资料整理 3 提纲 4 初稿 5 引用核验 6 修改 按顺序处理，可以把部署、权限、渠道和验证拆开检查，减少混在一起排错。 二、把风险边界先拆开 复杂任务要先看输入、权限、执行和输出的边界。边界清楚后，再写命令、接模型或接渠道，排错会更可控。 任务边界拆分 任务边界拆分 输入与控制面 执行与数据面 资料库 提纲 初稿 核验 修改稿 把输入、权限和输出边界拆开，能更快判断哪里需要收紧。 推荐使用方案 项目推荐选择原因第一次自检入口openclaw dashboard不用先接聊天渠道，先确认 OpenClaw 自己能用正式聊天渠道飞书OpenClaw 官方内置渠道，接入和排障都比微信稳第一个模型DeepSeek 或 GLM更便于完成基础配置，成本和稳定性更平衡联网检索Kimi 搜索更适合中文资料检索与摘要整理第一次任务类型综述草稿或轻实验便于先完成基础验证和流程检查系统环境WSL2 或本地英文路径比网络盘、中文路径、映射盘稳定得多 建议优先采用飞书完成第一篇任务的配置与验证。微信可放在后续渠道扩展阶段处理。 你需要准备什么 项目最低建议OpenClaw 运行环境Node 24 推荐，Node 22.14+ 也支持AutoResearchClaw 运行环境Python 3.11 及以上，不是 3.10Git需要克隆仓库模型 Key至少准备一组可用模型 API Key本地目录尽量用本地磁盘英文路径，例如 D:\OpenClawResearchDocker可选，做真实实验时更稳 请注意以下两点： Windows 原生能用，但官方文档明确写了 WSL2 更稳定。不建议将项目放在网络映射盘、中文深层路径或 NAS 同步目录中，这类路径更容易触发虚拟环境和 pip install -e . 的安装异常。 第一步，确认 OpenClaw 基础状态正常 如果已经通过 「Claw龙虾部署大师」完成部署，可以直接进入下一步。手动安装时可按下面的顺序执行： 浏览器中的 Control UI 可以正常打开，才说明 OpenClaw 基础状态正常。建议完成这一步后，再继续配置飞书、仓库和论文流水线。 如果需要让 OpenClaw 代为克隆仓库、修改配置并执行安装，工具权限至少应设置为 coding： 这里不建议写成模糊的 “coding/full”。coding 和 full 是两个不同的工具配置档。一般教程场景下，coding 已经足够。 第二步，聊天渠道优先选飞书，微信放到第二阶段 为什么主线推荐飞书 OpenClaw 2026 年的官方文档里，飞书是内置渠道，接入方式是官方维护的；微信则是外部插件路线，当前能力声明以私聊为主，不适合拿来做第一次验证。 因此，建议采用以下顺序： 使用 openclaw dashboard 完成自检再接飞书确认论文流程能跑最后再考虑接微信 飞书怎么接 常用做法有两种： 新安装时直接在 openclaw onboard 里选飞书已经装好 OpenClaw 后，运行 openclaw channels add 再选飞书 你需要准备的是飞书开放平台里的： App IDApp Secret 接完后，把飞书事件订阅改成长连接模式，并订阅消息事件。官方文档里给出的关键点是： 使用 WebSocket 长连接收消息增加事件 im.message.receive_v1 接入完成后，检查这三个命令： 第一次给机器人发消息时，系统通常会返回一个配对码。完成批准后，后续论文任务才能正常收发。 微信能不能接 可以接入，但不建议作为第一条主线。 原因很简单： 微信在 OpenClaw 体系里属于外部插件路线当前公开能力说明里，以私聊为主第一次配置论文流程时，更适合优先选择官方内置、排障路径清晰的渠道 因此，这篇教程的正式步骤统一采用飞书路径。待第一篇流程完成后，再考虑将入口扩展到微信。 第三步，国内模型怎么选，怎么配 先记住一个大原则： OpenClaw 本身已经原生支持国内不少模型提供商AutoResearchClaw 自己的 init 向导没有把所有国内模型都列出来 因此，更适合先在 OpenClaw 这一层完成模型配置，再由 OpenClaw 调用 AutoResearchClaw。 推荐模型表 需求推荐模型适用场景优先完成基础配置deepseek/deepseek-chat首次接入论文流程中文写作与说明文整理zai/glm-5.1更关注中文表达效果联网检索与长文资料整理moonshot/kimi-k2.5 + Kimi 搜索资料搜集和综述整理需求明显火山体系接入volcengine-plan/ark-code-latest 或 volcengine/*已有豆包或火山引擎账号体系阶跃接口接入stepfun/step-3.5-flash已有阶跃 API 配置 OpenClaw 层的官方接入方式 下面这些命令都来自 OpenClaw 官方文档，能直接当操作入口： 如果你还想让 OpenClaw 的网页检索走 Kimi，可以再配一次： 进去后选择 Kimi 即可。 第四步，不要先手写配置，让 OpenClaw 先帮你安装 AutoResearchClaw 官方仓库对 OpenClaw 的推荐用法很简单：把仓库地址发给 OpenClaw，让它自己读 RESEARCHCLAW_AGENTS.md、自己克隆、自己安装。 建议不要只发送一句“帮我装一下”。更适合的方式，是把安装要求一次说明清楚，例如： 这样做的主要作用是： 让 OpenClaw 更容易按预期完成安装与自检提前明确 Windows 环境中最容易遗漏的路径设置 第五步，如果你要手动装，按这个顺序做 如果需要手动安装，可按下面的顺序进行。 1. 使用本地英文路径创建目录 例如： 不建议一开始就放在： NAS 映射盘企业同步盘中文深层目录 2. 克隆仓库并创建虚拟环境 3. 先尝试标准安装 如果这一步报错，不必立即判断为仓库不可用。在 Windows 映射路径环境下，pip install -e . 更容易出现安装异常。 4. 安装失败时的保底做法 建议将项目移动到本地英文路径后，再执行下面这组保底命令： 这组命令的目的，不是立即生成论文，而是先确认三件事： CLI 能不能启动配置文件能不能生成当前机器还缺哪些前置条件 5. Windows 用户一定要改这个路径 config.researchclaw.example.yaml 里已经写了提示：Windows 不应继续用 Linux 的 Python 路径。 如果你是 Windows，把： 改成： 否则 researchclaw doctor 会直接给你报沙箱 Python 不存在。 第六步，首次任务建议从综述草稿或轻实验开始 首次任务建议优先选择以下两种类型： 方案 A，先做综述草稿 可参考下面的任务描述： 这里需要特别强调的是：不要生成虚构实验结果。 因为 simulated 模式在官方示例里明确写的是“只用于框架开发调试，不应用于论文生成”。如果你只是想做综述，就应该把产物定义成“综述草稿”或“调研报告”，而不是拿假数据去凑实验论文。 方案 B，做一个轻实验对比 如果已经具备稳定的模型 Key，并且允许本机执行代码，可先从轻量实验开始： 实验模式怎么选 模式什么时候用是否适合作为首次任务sandbox真实运行 Python 代码适合docker需要更干净、更稳定的隔离环境适合，但前提是已具备 Docker 环境ssh_remote已有 GPU 服务器不建议作为首次任务simulated仅用于流程调试，不做正式论文不建议作为正式论文结果来源 常见配置提醒 以下问题在首次配置时较为常见： 1. Python 版本应为 3.11+ AutoResearchClaw 仓库的 pyproject.toml 写的是 requires-python = ">=3.11"。如果仍使用 3.10，后续更容易出现兼容性问题。 2. researchclaw init 不会把所有国内模型都列给你选 researchclaw init 当前直接列出的交互项主要是： openaiopenrouterdeepseekminimaxacp 这意味着，GLM、Kimi、豆包、阶跃这些更本地化的方案，不适合完全依赖它的默认向导。更合适的方式是： 先在 OpenClaw 层配置模型或者手动改 config.arc.yaml 3. ACP 路线不是“装了 codex 就自动能用” 仓库里的 ACP 客户端还依赖 acpx。如果你机器上只有 codex、gemini，却没有 acpx，那条路还是跑不起来。 因此，ACP 更适合作为进阶方案，而不是首次配置的默认选项。 4. 论文自动推送不是默认就有 官方示例配置里，notifications.channel 默认是 console，openclaw_bridge.use_message 默认也是 false。这说明“论文做好后自动把 PDF 发回聊天工具”不是零配置默认行为，需要你额外把消息桥接和交付动作配好。 最后怎么判断自己成功了 是否配置成功，可以先按下面几项判断： OpenClaw 能在 Control UI 或飞书里正常回复你所选模型已经配好，models 状态正常AutoResearchClaw 已经生成 config.arc.yamlvalidate 能通过doctor 只剩少量可解释的提醒你已经拿到第一份综述草稿或轻实验草稿 如果不希望逐项处理 Node、Python、飞书、模型 Key 和仓库安装这些细节，可优先使用 「Claw龙虾部署大师」 完成 OpenClaw 的主体部署，再继续论文流水线配置。对大多数用户来说，这会更便于后续按步骤完成整套教程。 常见误区 直接生成全文 一次性生成容易出现引用不准、论证跳跃和结构失衡。 引用不核验 模型给出的文献和页码必须回到原始来源确认。 忽略学校规范 格式、查重和引用标准要按学校要求执行。 方法对比 处理项适合场景确认重点 资料整理阅读阶段提取观点和证据 提纲生成写作前建立章节结构 引用核验定稿前降低学术风险 用「Claw龙虾部署大师」减少前置配置成本 一键本地部署 用来处理 OpenClaw 安装、基础环境和本地运行入口，适合不想先花大量时间排查依赖的人。 模型接入 用来把豆包、通义千问、DeepSeek 等模型配置进工作流，适合需要先跑通 AI 助手底座，再继续配置渠道和任务的人。 本地安全部署 适合把数据、账号和运行环境留在本机或指定设备上，再按文章里的步骤继续收紧权限、接入渠道或验证任务。
OpenClaw 怎么卸载？3种方法彻底删除 OpenClaw 及残留数据
OpenClaw 的卸载方式取决于安装方式。命令行、系统服务和 Docker 部署留下的残留不同，清理顺序也不同。 一、先看整体关系 先判断 OpenClaw 是命令行、服务还是 Docker 部署，再选择卸载动作。这样比直接删文件更容易清干净。 OpenClaw 配置关系 OpenClaw 配置关系 1 判断安装方式 2 停止网关 3 删除主程序 4 按平台清残留 5 处理 Docker 卷 按顺序处理，可以把部署、权限、渠道和验证拆开检查，减少混在一起排错。 先判断安装方式 命令行安装：通常会有 openclaw 主命令。服务方式安装：可能会有网关服务、计划任务或系统服务。Docker 部署：还会额外留下容器、镜像和数据卷。 注意事项 删除目录之前，先确认网关已经停止。如果你只是想重装，先把旧配置和 profile 目录处理掉，再安装新版本。不要只看安装目录，启动项、服务和数据卷也要一起查。 1. 命令行卸载 如果你的 openclaw 命令还在，这是最省事的方法。 操作步骤 先执行 openclaw gateway stop，停止网关。再执行 openclaw uninstall --all --yes --non-interactive。如果你是通过包管理器安装的，再按对应方式删除全局包。 这一步完成后，主程序通常就已经退出系统入口了。 2. 按系统清理残留 有些 OpenClaw 卸载不干净，问题往往出在系统服务、计划任务或配置目录没有删完。下面按平台分别处理。 Windows 删除与 OpenClaw 相关的计划任务。删除网关脚本和配置目录。检查是否还有启动项继续关联它。 macOS 删除 launchd 服务项。清理对应的 plist 文件。检查用户目录里的状态和缓存文件。 Linux 关闭并删除 systemd 用户服务。执行 daemon reload 让服务列表刷新。再检查 ~/.openclaw 一类目录是否还在。 如果你在找的是 OpenClaw 残留清理，这一部分最关键。 3. Docker 部署怎么卸载 如果你是用 Docker 跑的 OpenClaw，那就不能只删本地命令，要把容器、镜像和数据卷一起看。 操作步骤 先停止并删除容器。再删除对应镜像。最后删掉数据卷，避免旧数据继续占空间。 只删容器不删卷，很多时候等于没有真正清理干净。 4. 用「Windows优化大师」一键清理 OpenClaw 如果你不想一项项找服务、找目录，可以直接用 「Windows优化大师」 的软件管理卸载 OpenClaw，并继续清理残留文件、关联记录和无效快捷方式。 这种方式适合需要彻底删除 OpenClaw、准备重新部署，或者担心旧配置影响新环境的用户。清理前确认旧 profile、Skills 和工作区数据不再需要，再执行一键清理。 常见误区 只删除容器 Docker 场景只删容器不会删除数据卷，旧数据仍会在下一次启动时被加载。 忽略系统服务 systemd、launchd、计划任务还在时，卸载后仍可能被自动拉起。 不同平台混用命令 Windows、macOS、Linux 的服务入口不同，照搬命令容易漏项。 方法对比 处理项适合场景确认重点 命令行卸载openclaw 命令仍可用最快处理主程序 系统服务清理卸载后仍自启补齐计划任务和服务 Docker 清理容器化部署同时处理镜像和数据卷 用「Claw龙虾部署大师」减少前置配置成本 一键本地部署 用来处理 OpenClaw 安装、基础环境和本地运行入口，适合不想先花大量时间排查依赖的人。 模型接入 用来把豆包、通义千问、DeepSeek 等模型配置进工作流，适合需要先跑通 AI 助手底座，再继续配置渠道和任务的人。 本地安全部署 适合把数据、账号和运行环境留在本机或指定设备上，再按文章里的步骤继续收紧权限、接入渠道或验证任务。
用龙虾写代码做软件的实战部署指南
用龙虾写代码做软件，要把模型、代码仓库、权限、消息入口和审查流程一起配置好。真正可用的 Vibe Coding 需要先跑通最小闭环。 一、先看整体关系 对话式开发不是让模型直接改生产代码，而是把需求、执行、验证和审查放进一条可控链路。 OpenClaw 配置关系 OpenClaw 配置关系 1 消息入口 2 任务解析 3 代码修改 4 测试验证 5 PR 审查 按顺序处理，可以把部署、权限、渠道和验证拆开检查，减少混在一起排错。 二、把风险边界先拆开 复杂任务要先看输入、权限、执行和输出的边界。边界清楚后，再写命令、接模型或接渠道，排错会更可控。 任务边界拆分 任务边界拆分 输入与控制面 执行与数据面 需求 分支 测试 审查 合并 把输入、权限和输出边界拆开，能更快判断哪里需要收紧。 Vibe Coding 是什么？一句话对话就能修 Bug 的工作流 Vibe Coding（对话式开发）是一种把"提需求 → 改代码 → 跑测试 → 提 PR"压缩成一次自然语言对话的工程流程。用户在飞书里描述需求，OpenClaw 机器人（龙虾）接收并编排任务，由 OpenCode 完成分支创建、代码修改、测试执行、Pull Request 提交，再由 GitHub Copilot 完成审查，人工只需在最后做合并决策。 这套流程的三个核心价值： 降低动手门槛：开发者不再需要切换到 IDE，产品经理等非开发角色也可以通过飞书直接提交代码修改需求。 全流程可追溯：每一次对话都沉淀为具体的 PR、commit、审查记录。 角色解耦：OpenClaw 负责消息编排，OpenCode 负责编码重活，GitHub Copilot 负责审查，飞书负责人机交互。 本文基于 2026 年 4 月最新的模型与工具文档，给出从零部署到第一次合并 PR 的完整操作步骤，全程使用 Kimi K2.5 作为走查示例，并在后文给出 GLM-4.7、DeepSeek-V3.2、Doubao-Seed-Code 的等价配置。 最小可行技术栈（MVP）对照表 Vibe Coding 的最小可行技术栈由四层构成。下表列出每一层的作用与是否可替代。 层级组件作用是否可替代 人机交互飞书接收自然语言需求、推送 PR 通知与审查结果可替换为企业微信或 Slack，但要重新对接 OpenClaw 消息通道 编排层OpenClaw 机器人（龙虾）解析需求、调用 OpenCode、轮询状态、回推消息不建议替换；替代方案需要自写 shell 桥接 + 会话管理 执行层OpenCode 编码 Agent拉分支、改代码、跑测试、提 commit、建 PR可替换为 TRAE、Cline、Aider 等，但 OpenCode 同时支持多家模型后端，切换成本最低 模型层Kimi K2.5 / GLM-4.7 / DeepSeek-V3.2 / Doubao-Seed-Code为 OpenCode 提供推理与代码生成能力四家互为备份，按额度、延迟、上下文窗口择优 审查层GitHub Copilot Code Review自动审查 PR 并留意见可用 CodeRabbit / Graphite 等，但审查调用入口与回传结构不同 部署前的前置条件 在服务器上开始安装之前，需要先备齐以下五项前置条件。任一项缺失都会导致后续"跑第一条任务"阶段失败。 一台可访问公网且已接入飞书通道的 OpenClaw 机器人服务器。 一个有效的模型 API Key（本文默认使用 Kimi K2.5，其它可选见下一节对照表）。 一个 GitHub Fine-grained Personal Access Token，已授权目标仓库。 目标仓库已存在，且 Token 的账号对其具有写入权限。 服务器的 Shell 环境支持 Bash、Zsh 或 PowerShell（Windows 还需 Git for Windows）。 模型选型与 API Key 获取 OpenCode 通过标准 Messages API 或 OpenAI 兼容端点对接模型。下表对照了四家常见模型的 API 入口、推荐 model id 与控制台位置。 Kimi K2.5：model id 以 kimi-k2.5 / kimi-k2.6 为主，API 入口使用 Moonshot，控制台是 platform.moonshot.ai。 GLM-4.7：model id 使用 glm-4.7，Max 套餐可选 glm-5.1，控制台在智谱或 z.ai。 DeepSeek-V3.2：非思考任务用 deepseek-chat，推理任务用 deepseek-reasoner，控制台是 platform.deepseek.com。 Doubao-Seed-Code：代码任务可用 doubao-seed-code-preview-latest，控制台在火山方舟 Ark。 创建 Kimi K2.5 API Key 访问 platform.moonshot.ai，用邮箱或微信登录。 右上角进入 API Keys（或账户设置 → API Keys）。 点击 新建 API Key，命名为 openclaw-vibe-coding 便于后续审计。 复制生成的 Key（只显示一次），立即存入密码管理器。 在服务器 Shell 启动脚本写入环境变量（OpenClaw 启动时需继承）： 来源：Kimi API Platform 官方指南 platform.kimi.ai/docs/guide/agent-support。 创建 GitHub Fine-grained Token GitHub 官方路径：Settings → Developer settings → Personal access tokens → Fine-grained tokens → Generate new token。 在 Token 表单中需要设置以下选项： 字段建议值说明 Token nameopenclaw-vibe-coding便于审计 Expiration30 或 90 天与内部密钥轮换周期对齐 Repository accessOnly select repositories仅勾选目标仓库，最小权限 ContentsRead and write允许读写仓库文件 Pull requestsRead and write允许创建和管理 PR IssuesRead and write允许读写 Issue MetadataRead-onlyGitHub 自动勾选，不需要手动开启 生成后保存 Token 并配置 Git credential： Fine-grained Token 可以限定到单个仓库，安全级别高于 Classic Token。建议不要使用拥有所有仓库权限的 Classic Token。 来源：GitHub 官方文档 docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens。 安装 OpenCode 编码 Agent OpenCode 是面向终端的开源编码 Agent，原生支持多家模型后端。官方安装方式按平台分为以下四类，来源 opencode.ai/docs。 macOS / Linux / WSL 原生安装 macOS（Homebrew） Windows（Scoop / Chocolatey） 全平台备选，npm npm 方式要求 Node.js ≥ 18。原生安装不依赖 Node.js，生产环境推荐原生路径。 安装后校验 opencode auth list 会列出当前已注册的模型提供方。任一提供方缺少 Key 时，在下一步补上即可。 配置 OpenCode 对接模型 配置分为两步：写入对应提供方的 API Key 环境变量，再在 OpenCode 里用 /models 选择模型。 第一步，导出模型环境变量 以 Kimi K2.5 为例： 其它模型的环境变量名： 模型环境变量名说明 Kimi K2.5MOONSHOT_API_KEYOpenCode 自带 Moonshot 插件 DeepSeek-V3.2DEEPSEEK_API_KEYOpenCode 自带 DeepSeek 插件 GLM-4.7ZAI_API_KEY 或 ZHIPU_API_KEY通过 Z.AI 或 open.bigmodel.cn 入口 Doubao-Seed-CodeVOLCENGINE_ARK_API_KEY火山方舟控制台获取 第二步，在 OpenCode 里选模型 启动 OpenCode 并进入模型选择菜单： 在 OpenCode 界面内输入： 菜单里选中 moonshot/kimi-k2.5（或对应模型）。之后所有会话默认使用该模型。想切换只需再次 /models 重选。 固化配置（可选） 若要避免每次启动都选模型，在仓库根目录写 opencode.json： 对于 OpenCode 尚未内置的自定义兼容端点，则在 opencode.json 的 provider 段声明 npm、baseURL、apiKey、models 四项，具体字段以 opencode.ai/docs/providers 为准。 安装 gh CLI 并完成认证 OpenCode 在创建 PR 时会调用 gh 命令。gh 的官方安装方式按平台分为三类。 Debian / Ubuntu 官方仓库 GitHub CLI 官方推荐使用带签名的 keyring 安装，避免发行版自带版本落后： macOS Windows 认证 来源：GitHub CLI 官方仓库 github.com/cli/cli 的 install_linux.md 与 install_windows.md。 启用 OpenClaw 机器人（龙虾）的编码能力 OpenClaw 默认使用 messaging 工具配置档，只能收发消息。要执行代码操作（调用 OpenCode、运行 git、读写仓库目录），必须切换到 coding 或 full 档。 以下命令以 OpenClaw 官方文档为准： 配置完成后依次安装三个技能。安装顺序有讲究：skill-vetter 是安全守卫，要第一个装，后续每次安装技能都会先扫描来源。 各技能的作用对照： 技能作用首跑是否必装 skill-vetter自动扫描技能是否存在 API Key 窃取等安全风险必装 opencode包装 OpenCode 的调用、会话管理、错误重试必装 github查询 PR 审查状态，支持 Cron 轮询后推送到飞书建议在最小闭环跑通后再装 说明：上述 clawhub / openclaw config 命令形式以 OpenClaw / 「Claw龙虾部署大师」 官方文档为准，生产部署前请以服务器内 openclaw --help 与 clawhub search 的实际输出为准。 配置工作区规则 AGENTS.md AGENTS.md 是 OpenCode 启动时读取的项目级规则文件，告诉它"项目规范是什么、哪些文件不要碰、commit 怎么写"。在仓库根目录运行： 进入后输入 /init，OpenCode 会扫描仓库并自动生成 AGENTS.md 草稿。手工补充后提交到版本库，OpenCode 后续的改动会自动遵循该文件。 对 OpenClaw 编排侧，还需要一份 IDENTITY.md 告诉它何时调 OpenCode、怎么汇报、失败怎么处理。默认路径 ~/.openclaw/workspace/IDENTITY.md： 跑通第一次对话式开发 第一次跑通有两个阶段：服务器端自检、飞书端发送真实需求。 第一阶段，服务器 30 秒自检 三条命令都通过，即可进入第二阶段。任一失败跳到本文的"常见排障"小节。 第二阶段，飞书里发第一条真实需求 发送前请确认：目标仓库存在、Token 已授权该仓库、模型 API 额度未耗尽。下面是一条可直接使用的需求模板： 完整闭环分四步： 发送需求：飞书自然语言消息到群 @龙虾。 收到 PR 摘要：机器人回传 PR 编号、修改文件列表、diff 预览。 审查 diff：点击 PR 链接在浏览器里查看代码。 确认合并：在飞书里回复"合并并清理分支"，机器人执行 squash merge + 删除远程分支。 对话式开发的架构总览 下面这张 SVG 流程图概括了一条完整的飞书消息在 Vibe Coding 中的生命周期，从需求输入到合并结束。 常用对话场景与指令模板 Vibe Coding 的实际工作场景集中在四类任务。下面给出四条经过验证的飞书消息模板，可直接复制后替换占位符使用。 场景 1，一句话修 Bug OpenClaw 会调用 OpenCode 完成：创建分支 openclaw/fix-null-user → 修改 user.ts → 运行 npm test → commit → push → gh pr create。 场景 2，多文件重构 多文件重构任务要在需求里显式列出目录范围与验证方式，避免 OpenCode 扫描整个仓库。 场景 3，从 Issue 到 PR 全链路 场景 4，非开发者提交文案修改 产品经理或运营可以直接使用这条模板，OpenClaw 会代替人工走完整 Git 流程。合并决策仍由具备写权限的开发者完成。 Copilot 自动审查与分支保护 生产仓库强烈建议同时启用 Copilot 自动审查与分支保护。两项配置在 GitHub 2026 年的 Rulesets 体系下已整合到同一入口。 启用 Copilot 自动审查 GitHub 已将这项能力从旧的 Settings → Copilot → Code review 路径迁移到 Rulesets 体系。新路径： 打开仓库 Settings。 左侧栏点击 Rules → Rulesets。 点击 New ruleset → New branch ruleset。 在 Branch rules 区勾选 Automatically request Copilot code review。 Target branches 选择 main（或主干分支）。 保存。 来源：GitHub 官方文档 docs.github.com/en/copilot/using-github-copilot/code-review/using-copilot-code-review。 启用分支保护 两条路径均可用，Rulesets 是 GitHub 推荐的新入口： 入口路径 传统 Branch protection rulesSettings → Branches → Branch protection rules → Add rule 现代 RulesetsSettings → Rules → Rulesets → New branch ruleset 两个入口都可以配置以下三项： Require a pull request before merging（合并前必须走 PR）。 Require approvals（至少 1 个审批，推荐 1 个人工 + 1 个 Copilot）。 Require status checks to pass（CI 通过才能合并）。 手动请求 Copilot 审查 在 PR 页面右侧 Reviewers 菜单直接勾选 Copilot，或用命令行： 注意：不存在通过评论 @copilot 自动触发审查的命令，必须走 Reviewers 菜单或 gh 命令。 启用 Cron 自动轮询 PR 审查状态 在最小闭环之外，可以给 OpenClaw 配置一条 Cron，每 5 分钟轮询一次所有 openclaw/ 前缀分支的开放 PR，只在出现新审查结果时推送飞书。 收到飞书推送后，用户有三种回复策略： 回复"按建议修改"：OpenClaw 调用 OpenCode 逐条修复 Copilot 意见，更新 PR 并重新请求审查。 回复"忽略建议并合并"：OpenClaw 执行 squash merge。 回复"我来看看"：不触发任何自动动作，由人工后续处理。 这条路径被称为"人在回路"（human-in-the-loop）模式，适合生产仓库。全自动合并（Copilot approved 即触发 merge）只建议用于文档仓库或个人项目。上述 openclaw cron 命令形式以 OpenClaw 官方文档为准。 提升代码质量的两种工程化手段 在仓库根目录维护 AGENTS.md AGENTS.md 是 OpenCode 读取上下文时的首要参考。把项目规范写在这里，OpenCode 后续的改动会自动遵循，减少审查返工。示例： 遵循 Conventional Commits v1.0.0 Conventional Commits v1.0.0 官方规范的消息结构为 <type>[optional scope]: <description>。强制类型只有三种： 类型含义对应 SemVer feat新功能MINOR fixBug 修复PATCH BREAKING CHANGE破坏性变更（在 footer 或 type 后加 !）MAJOR 另外 Angular 约定的常用类型（非强制但社区通用）： build：构建系统或依赖变更。 chore：杂务（不影响代码或测试的维护）。 ci：CI 配置变更。 docs：只改文档。 style：格式化、空白，不影响含义。 refactor：重构（不新增功能也不修 Bug）。 perf：性能优化。 test：新增或修改测试。 来源：conventionalcommits.org/en/v1.0.0。 常见排障与诊断命令 Vibe Coding 的故障面集中在四个环节：OpenCode 调用、PR 推送权限、Copilot 审查触发、代码修改质量。以下四个诊断路径覆盖了约 90% 的首跑失败场景。 OpenCode 调用失败 先按顺序跑这四个诊断： 常见原因： opencode 技能未安装：执行 clawhub install opencode。 模型 API Key 未设置或过期：检查 MOONSHOT_API_KEY / DEEPSEEK_API_KEY / ZAI_API_KEY / VOLCENGINE_ARK_API_KEY 是否写入 Shell 启动脚本。 OpenCode 二进制不在 PATH 中：检查 ~/.local/bin 是否在 $PATH。 模型额度耗尽：去对应平台的计费页查当月用量（Kimi 在 platform.moonshot.ai/billing，DeepSeek 在 platform.deepseek.com/usage）。 PR 创建失败（Permission denied） 常见原因： Fine-grained Token 没有勾选目标仓库。 Token 已过期（默认 30 天）。 组织仓库需要单独的 SSO 授权（登录 GitHub 组织页手动授权）。 git-credentials 中的用户名拼错。 Copilot 审查一直 pending 仓库未启用 Copilot 自动审查（回到上一节的 Rulesets 路径检查）。 组织未开通 Copilot Business / Enterprise 许可。 PR 改动文件数 > 300，Copilot 可能超时。 PR 含大体积二进制文件。 代码修改不符合预期 仓库缺少 AGENTS.md，OpenCode 没有足够上下文。 需求描述过于模糊：改为在飞书里指定具体文件路径。 仓库体量过大：在需求中限定"只修改 src/api 下的文件"。 模型能力不足：/models 切换到更强模型（例如把 GLM-4.5-Air 换成 GLM-4.7 或 Kimi K2.5）。 常见问题（FAQ） Vibe Coding 需要会编程吗？ 不需要会写代码，但需要能说清楚需求。产品经理或设计师可以用自然语言描述"把首页标题从 X 改成 Y"，OpenClaw 和 OpenCode 会完成具体改动并提 PR。最终是否合并仍由有写权限的开发者确认。 只用飞书能给公司代码库提 PR 吗？ 可以。前提是服务器上的 OpenClaw 机器人已经接入飞书通道、OpenCode 已安装并配好模型 API Key、GITHUB_TOKEN 已授权目标仓库。达成这三条后，飞书里的一句话即可驱动一次完整的 PR 流程。 Vibe Coding 会不会把测试或密钥误改掉？ OpenCode 默认只做代码变更与建议，不会自动合并。涉及敏感文件（.env、密钥、CI 配置）时需要在 AGENTS.md 里显式标注"不要修改"。生产仓库建议同时启用分支保护，强制 PR + 人工审批。 四家模型怎么选？ 按三条标准择优：任务复杂度（长上下文重构优先 Kimi K2.5 的 256K 窗口；短平快改动用 DeepSeek-V3.2 或 GLM-4.5-Air 即可）、预算（DeepSeek 按量计费单价最低，GLM 提供月付 Coding Plan）、延迟（就近机房，国内访问火山方舟 Ark 最稳）。切换只需 /models 重选，无需改代码。 安装了 opencode 技能还需要装 github 技能吗？ 首跑不需要。OpenCode 自带 gh 调用，能直接创建 PR。github 技能的作用是让 OpenClaw 主动轮询 PR 审查状态并回推飞书通知，属于增强能力，最小闭环跑通后再加。 OpenCode 和 GitHub Copilot 是竞品吗？ 不是。在 Vibe Coding 架构里它们是协作关系：OpenCode 写代码并提交 PR，GitHub Copilot 审查 PR 并留意见。一个做"生产者"，一个做"质检员"。 生产环境可以开全自动合并吗？ 不建议。全自动模式（Copilot approved → 自动 merge）仅适合低风险仓库（文档、个人项目）。生产仓库必须保留人工合并环节，并同时配置 Rulesets 下的 Require approvals。 模型 API 额度不够怎么办？ 登录对应平台的用量页：Kimi platform.moonshot.ai/billing、DeepSeek platform.deepseek.com/usage、智谱 open.bigmodel.cn/usercenter、火山方舟 console.volcengine.com/ark。短期可升级套餐或开通 Coding Plan 月付包；长期建议按需求分配独立 API Key 与预算上限，隔离不同项目成本。 飞书之外还能用企业微信、Slack 吗？ 可以。OpenClaw 的消息编排层与具体 IM 通道解耦，只要把对应通道的 Bot Token 按官方文档配置进去即可。OpenClaw 原生支持飞书、Telegram、Discord、iMessage、Slack 等十余种工具。 部署清单总结 回到整体流程，Vibe Coding 的部署可以归结为下面这张清单： 服务器：已接入飞书的 OpenClaw 机器人 + 工具配置档设为 coding。 凭证：模型 API Key（Kimi / GLM / DeepSeek / Doubao-Seed-Code 四选一）+ GitHub Fine-grained PAT。 CLI：OpenCode 原生安装 + gh CLI 官方源安装，二者均通过 --version 校验。 技能：skill-vetter → opencode → 可选 github，按此顺序安装。 工作区规则：仓库根目录 AGENTS.md 写项目规范；~/.openclaw/workspace/IDENTITY.md 写编排策略。 仓库配置：Settings → Rules → Rulesets 配置分支保护 + Copilot 自动审查。 首跑任务：从一条可逆的小改动开始（例如改 README），确认闭环后再扩展到多文件重构。 完成上述七步后，把飞书里的一句话变成一次合规 PR 的全链路就跑通了。 如果不想手动搭建服务器、装依赖、配置通道，可以使用 「Claw龙虾部署大师」完成 OpenClaw 机器人的一键部署，部署完成后直接进入本文的"启用编码能力"步骤，跳过基础环境搭建。这一步是可选的，对手动部署流程没有强依赖。 常见误区 没有仓库规则 缺少 AGENTS.md 或项目约束时，模型容易按通用习惯改错位置。 权限给得过大 代码仓库、密钥和部署权限要分层，不要一次全开。 跳过测试和审查 没有测试和 PR 审查，就无法判断一次修改是否可合并。 方法对比 处理项适合场景确认重点 消息入口非开发者提交需求降低沟通成本 仓库规则执行前限制改动范围 PR 审查合并前控制质量 用「Claw龙虾部署大师」减少前置配置成本 一键本地部署 用来处理 OpenClaw 安装、基础环境和本地运行入口，适合不想先花大量时间排查依赖的人。 模型接入 用来把豆包、通义千问、DeepSeek 等模型配置进工作流，适合需要先跑通 AI 助手底座，再继续配置渠道和任务的人。 本地安全部署 适合把数据、账号和运行环境留在本机或指定设备上，再按文章里的步骤继续收紧权限、接入渠道或验证任务。
OpenClaw 怎么配置邮箱收发？163 邮箱 IMAP/SMTP + 授权码完整教程
OpenClaw 邮箱收发配置要区分登录密码和授权码，再分别验证 IMAP、SMTP、收件、发件和自动处理规则。 一、先看整体关系 邮箱配置失败通常不是模型问题，而是协议、端口、授权码或安全策略没有对齐。 OpenClaw 配置关系 OpenClaw 配置关系 1 开启 IMAP/SMTP 2 生成授权码 3 填写连接信息 4 测试收件 5 测试发件 按顺序处理，可以把部署、权限、渠道和验证拆开检查，减少混在一起排错。 二、把风险边界先拆开 复杂任务要先看输入、权限、执行和输出的边界。边界清楚后，再写命令、接模型或接渠道，排错会更可控。 任务边界拆分 任务边界拆分 输入与控制面 执行与数据面 新邮件 规则判断 生成摘要 确认后处理 把输入、权限和输出边界拆开，能更快判断哪里需要收紧。 适用范围与准备项 本文以网易 163 邮箱为例，配置 OpenClaw 的收件与发件功能。邮箱端使用标准协议，OpenClaw 端使用本地脚本和环境变量完成调用。 项目 建议值 用途 收件协议 IMAP 993 + SSL/TLS 读取收件箱、同步状态 发件协议 SMTP 465 + SSL/TLS 发送测试邮件、通知邮件 登录凭证 163 授权码 同时用于 IMAP 和 SMTP OpenClaw 运行方式 工作区脚本 + .env + prompt 或 cron 让 Agent 可调用邮箱收发能力 第一步，登录 163 邮箱网页端 先打开 163 邮箱网页端并登录要接入 OpenClaw 的邮箱帐号。后续的 IMAP/SMTP 开关和授权码，都需要在网页端完成。 第二步，进入 POP3/SMTP/IMAP 设置页 进入邮箱主页后，在顶部菜单点击“设置”，再进入“POP3/SMTP/IMAP”。对于 OpenClaw 的邮箱收发配置，这一步是整个接入流程的起点。 第三步，开启 IMAP/SMTP 并完成验证 如果你的目标是在 OpenClaw 中读取邮件并发送邮件，优先开启 IMAP/SMTP。这组服务分别负责收件和发件，是本文的主路径。开启过程中如果出现安全提示或手机验证，按页面提示完成即可。 如果你还有兼容旧客户端的需求，可以额外开启 POP3/SMTP；但对 OpenClaw 的自动化收发来说，优先跑通 IMAP/SMTP 即可。 第四步，生成并保存 163 授权码 163 邮箱网页密码不适合直接放进 OpenClaw 工作区脚本。更稳妥的做法，是在协议设置页下方进入授权码管理，生成一枚新的授权码，并把它写入 .env。 这里最容易出错的地方只有一个：把网页登录密码当成脚本密码。163 邮箱在第三方客户端接入场景下，应优先使用授权码，而不是网页密码。 第五步，核对 IMAP 和 SMTP 服务器地址 OpenClaw 配置邮箱收发时，收件和发件不是同一个地址。收件通常使用 IMAP，发件通常使用 SMTP。 用途 服务器地址 端口 加密 收件 imap.163.com 993 SSL/TLS 发件 smtp.163.com 465 SSL/TLS 在 OpenClaw 端，授权码通常同时用于 IMAP 和 SMTP 登录。因此你只需要生成一枚新的授权码，并保证它没有被写错、复制错或过期失效。 第六步，在 OpenClaw 工作区写入邮箱参数 邮箱网页端配置完成后，就可以进入 OpenClaw 工作区。这里不建议把参数零散写进多个文件，第一版直接统一放到当前工作目录的 .env 里会更稳。 建议先按下面这份 .env 模板填写。这里把收件和发件参数放到同一套环境变量里，后面 OpenClaw 调用脚本时更省事。 OpenClaw 官方环境变量文档说明，当前工作目录中的 .env 会参与变量加载。这意味着你把邮箱参数写在工作区 .env 里之后，后续脚本和 Agent 调用都更容易复用。 第七步，放入收件脚本 收件脚本建议先做到两件事：一是能连上 163 IMAP，二是能输出结构化 JSON。这样 OpenClaw 后面无论是做摘要、分类还是晨报，都会更容易处理。 这段脚本完成后，可以先手动运行一次验证链路。只要返回 result = success，并能看到最近邮件的主题、发件人和时间，说明收件端已经跑通。 第八步，放入发件脚本 如果你的目标不只是“读邮件”，而是让 OpenClaw 还能主动发提醒、发测试邮件或发汇总邮件，就需要再放一份 SMTP 发件脚本。 建议先给自己的另一个邮箱发一封测试邮件，确认 SMTP 登录、发件人地址和收件人地址都没有问题。 第九步，让 OpenClaw 调用邮箱脚本 OpenClaw 端最稳的做法，不是先把脚本封成复杂技能，而是先让 Agent 直接在当前工作目录里调用脚本。这样最容易验证收件、发件和摘要链路是否真的可用。 收件测试提示词可以直接这样写： 发件测试提示词可以直接这样写： 对于第一次接邮箱的用户，建议遵循这个顺序：先跑收件脚本，再跑发件脚本，最后再叠加分类、摘要和定时任务。这样排错成本最低。 第十步，给 OpenClaw 增加邮件晨报任务 如果你希望 OpenClaw 每天定时汇总邮箱内容，可以直接用 Gateway 自带的 cron。当前官方文档推荐使用 openclaw cron add 配置周期任务。 如果你在 Windows 上通过 WSL2 运行 OpenClaw，官方文档也明确建议把 Gateway 作为用户服务安装并启动，再去执行 cron 相关命令： 也就是说，邮箱协议本身与 WSL 没有强绑定，但如果你后面要用 OpenClaw 的 cron、Gateway 或长期任务，WSL2 的 Gateway 服务状态就必须先正常。 参考资料 OpenClaw Environment Variables OpenClaw Cron CLI OpenClaw Windows / WSL2 华为：163 邮箱 IMAP/SMTP 开启路径说明 华为云：常见邮箱 SMTP 服务器地址及端口 常见误区 把登录密码当授权码 多数邮箱要求使用单独授权码，直接填登录密码通常会失败。 只测收件不测发件 IMAP 和 SMTP 是两条链路，要分别验证。 自动规则过宽 邮件任务涉及真实收件箱，删除、转发和回复动作要保留确认环节。 方法对比 处理项适合场景确认重点 IMAP收取邮件确认端口和授权码 SMTP发送邮件单独测试发件 自动规则整理和通知先小范围试运行 用「Claw龙虾部署大师」减少前置配置成本 一键本地部署 用来处理 OpenClaw 安装、基础环境和本地运行入口，适合不想先花大量时间排查依赖的人。 模型接入 用来把豆包、通义千问、DeepSeek 等模型配置进工作流，适合需要先跑通 AI 助手底座，再继续配置渠道和任务的人。 本地安全部署 适合把数据、账号和运行环境留在本机或指定设备上，再按文章里的步骤继续收紧权限、接入渠道或验证任务。
OpenClaw 怎么安装？Windows、WSL2 和网关配置完整教程
OpenClaw 安装不是只执行一条命令，还要准备运行环境、模型密钥、聊天渠道和网关配置。Windows 环境优先走 WSL2，部署过程更稳定。 一、先看整体关系 安装成功的判断标准不是命令存在，而是模型、渠道和 Gateway 都能跑通。先把依赖和密钥准备好，后续排错会简单很多。 OpenClaw 配置关系 OpenClaw 配置关系 1 准备 Node.js 2 安装命令行 3 配置模型密钥 4 接入渠道 5 验证网关状态 按顺序处理，可以把部署、权限、渠道和验证拆开检查，减少混在一起排错。 安装前先准备什么 Node.js 22 或更高版本。一个可用的 AI 模型 API 密钥。飞书、企业微信或钉钉中的一个账号。 注意事项 Windows 用户优先用 WSL2，不要一上来就直接在原生环境里硬装。如果电脑里已有旧版本，先卸载旧版并清理残留，再继续安装。安装路径尽量保持简单，别把环境和旧数据混在一起。 1. 安装 OpenClaw 命令行工具 不同系统的安装命令不一样，先选对环境再执行。 macOS / Linux / WSL2 打开终端。执行 curl -fsSL https://openclaw.ai/install.sh | bash。安装完成后用 openclaw --version 检查是否成功。 Windows PowerShell 打开 PowerShell。执行 iwr -useb https://openclaw.ai/install.ps1 | iex。再用 openclaw --version 验证安装结果。 如果你的 Windows 环境不稳定，先装好 WSL2 再继续，会更省时间。 2. 跑配置向导 安装完成后，下一步不是直接使用，而是先把模型、渠道和网关关系配置好。 配置顺序 先选择 AI 模型和对应密钥。再选择飞书、企业微信或钉钉等沟通渠道。然后设置网关运行方式。最后把后台服务安装好，让它能自动运行。 这样配置完，后续使用会更稳定，也更容易排错。 3. 启动网关并接入飞书或企业微信 网关是 OpenClaw 真正运行起来的关键环节。安装成功不代表能用，能正常启动网关、接通聊天渠道，才算完成部署。 验证步骤 执行 openclaw gateway status 查看状态。如果需要手动启动，再执行对应的网关命令。完成配对后，按提示审批渠道连接。最后用健康检查命令确认服务正常。 如果你能顺利看到状态正常，基本就说明安装链路已经跑通了。 常见误区 只检查版本号 版本号正常只说明命令存在，不代表网关和渠道已经接通。 Windows 原生环境硬装 依赖链不稳定时，WSL2 往往比反复修原生环境更可控。 密钥和渠道后补 先装后补配置容易把问题混在一起，建议按顺序完成。 方法对比 处理项适合场景确认重点 WSL2 安装Windows 电脑依赖更稳定 配置向导首次部署串起模型与渠道 网关检查部署完成后确认服务可用 用「Claw龙虾部署大师」减少前置配置成本 一键本地部署 用来处理 OpenClaw 安装、基础环境和本地运行入口，适合不想先花大量时间排查依赖的人。 模型接入 用来把豆包、通义千问、DeepSeek 等模型配置进工作流，适合需要先跑通 AI 助手底座，再继续配置渠道和任务的人。 本地安全部署 适合把数据、账号和运行环境留在本机或指定设备上，再按文章里的步骤继续收紧权限、接入渠道或验证任务。
提示