OpenClaw本地部署指南：数据不出本地完全可控

摘要：担心数据泄露？用OpenClaw本地部署，所有数据都在你的电脑上处理，完全可控。支持三种方案：本地模型、混合部署、完全离线。

为什么要本地部署？

云端AI服务的问题：

• 数据发送到第三方服务器
• 不清楚数据如何被使用
• 可能被用于模型训练
• 敏感数据不敢上传

本地部署解决这些问题：

• 数据不出本地
• 完全自己控制
• 可以审计每一行代码

---

本地部署的三种方案

方案	复杂度	成本	适用场景
方案A：只用本地模型	中等	0	最高隐私要求
方案B：本地部署+云端API	简单	按用量	平衡隐私和效果
方案C：完全离线	复杂	硬件成本	敏感环境

---

方案A：本地部署 + 本地模型

架构图

本地电脑
├── OpenClaw（本地运行）
├── Ollama（本地模型服务）
└── 数据文件（完全本地）

数据完全不出本地。

步骤1：安装Ollama

Windows:

下载：https://ollama.com/download

安装后，打开命令行：

ollama pull qwen2.5:7b

Mac:

brew install ollama
ollama pull qwen2.5:7b

Linux:

curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen2.5:7b

步骤2：配置OpenClaw使用本地模型

编辑 ~/.openclaw/openclaw.yaml：

providers:
  ollama:
    baseUrl: "http://localhost:11434"
    
models:
  qwen-local:
    provider: ollama
    modelId: "qwen2.5:7b"
    
agents:
  default:
    model: "qwen-local"

步骤3：验证配置

openclaw test --model qwen-local

看到回复说明配置成功。

本地模型推荐

模型	大小	内存需求	效果
qwen2.5:7b	4.7GB	8GB	日常够用
qwen2.5:14b	9GB	16GB	效果更好
deepseek-r1:7b	4.7GB	8GB	推理能力强
llama3.2:3b	2GB	4GB	轻量级

建议：8GB内存用7b模型，16GB用14b模型。

---

方案B：本地部署 + 云端API

架构图

本地电脑
├── OpenClaw（本地运行）
├── 数据文件（本地存储）
└── API调用 → 云端模型

数据存储在本地，只有API请求发送到云端。

配置方式

providers:
  deepseek:
    apiKey: "sk-xxxx"
    baseUrl: "https://api.deepseek.com"
    
  ollama:
    baseUrl: "http://localhost:11434"
    
models:
  deepseek-chat:
    provider: deepseek
    
  qwen-local:
    provider: ollama
    modelId: "qwen2.5:7b"
    
agents:
  # 日常任务用云端模型（效果好）
  assistant:
    model: "deepseek-chat"
    
  # 敏感任务用本地模型（隐私保护）
  sensitive:
    model: "qwen-local"

按任务选择模型

agents:
  # 写文章、日常对话 → 用云端（DeepSeek便宜）
  content-helper:
    model: "deepseek-chat"
    
  # 处理敏感数据 → 用本地
  data-processor:
    model: "qwen-local"

---

方案C：完全离线部署

适用场景

• 内网环境
• 高敏感数据
• 不允许任何外网连接

架构图

内网服务器
├── OpenClaw
├── Ollama
├── 本地模型文件
└── 完全无外网连接

部署步骤

步骤1：在有网环境下载模型

# 下载模型文件
ollama pull qwen2.5:14b

# 导出模型
ollama save qwen2.5:14b -o qwen2.5-14b.tar

步骤2：传输到离线服务器

将以下文件传输到离线服务器：

- ollama 安装包
- qwen2.5-14b.tar（模型文件）
- openclaw 安装包

步骤3：离线安装

# 安装Ollama
sudo dpkg -i ollama-linux.deb

# 导入模型
ollama load qwen2.5-14b.tar

# 安装OpenClaw
npm install -g openclaw

步骤4：配置

providers:
  ollama:
    baseUrl: "http://localhost:11434"
    
models:
  qwen-local:
    provider: ollama
    modelId: "qwen2.5:14b"
    
agents:
  default:
    model: "qwen-local"

---

硬件要求

本地模型硬件需求

模型	CPU	内存	GPU	硬盘
3b模型	4核	4GB	可选	5GB
7b模型	4核	8GB	推荐	10GB
14b模型	8核	16GB	推荐	20GB
32b模型	8核	32GB	必须	40GB

推荐配置

使用场景	推荐配置
个人日常使用	7b模型 + 8GB内存
专业工作	14b模型 + 16GB内存
团队服务	32b模型 + 32GB内存 + GPU

---

安全配置

限制网络访问

# 禁止外网访问
network:
  outbound:
    enabled: false    # 完全禁止出站

审计日志

skills:
  - name: audit-log
    config:
      logPath: "./logs/audit/"
      logLevel: "all"

数据加密

# 敏感数据加密存储
storage:
  encrypt: true
  keyPath: "./keys/storage.key"

---

本地模型效果对比

日常对话

测试问题： "介绍一下Agent是什么"

模型	效果评价
qwen2.5:7b	回答准确，够用
qwen2.5:14b	回答更详细
deepseek-r1:7b	有推理过程

结论： 7b模型日常够用，14b效果更好。

写代码

测试问题： "写一个Python函数，计算斐波那契数列"

模型	效果评价
qwen2.5:7b	能写，偶尔有小错误
qwen2.5:14b	代码更规范
deepseek-r1:7b	有思考过程

结论： 写代码建议用14b模型或云端模型。

复杂推理

测试问题： "分析OpenClaw普及速度慢的原因"

模型	效果评价
qwen2.5:7b	回答一般
qwen2.5:14b	分析较全面
deepseek-r1:7b	推理能力强

结论： 复杂推理用deepseek-r1或云端模型。

---

常见问题

Q：本地模型效果够用吗？

A：日常对话够用。复杂任务建议用14b模型或云端API。

Q：本地部署会很慢吗？

A：取决于硬件。有GPU会快很多。

Q：完全离线能用吗？

A：可以。用Ollama + 本地模型。

Q：如何更新模型？

A：

ollama pull qwen2.5:7b    # 更新到最新版本

---

总结

三种本地部署方案：

方案	适用场景	隐私级别
本地部署+本地模型	最高隐私要求	⭐⭐⭐⭐⭐
本地部署+云端API	平衡隐私和效果	⭐⭐⭐⭐
完全离线	敏感环境	⭐⭐⭐⭐⭐

一句话： 数据敏感就用本地部署，效果和隐私可以兼顾。

🦞 Claw is the law. 本地部署，数据在你自己手里。