为什么用本地Ollama？

数据隐私担忧

用云端AI模型的风险：

• 数据上传云端
• API密钥可能泄露
• 企业数据合规问题
• 日志可能被记录

API费用负担

模型	月成本（500万Token）
Claude-3.5	¥315
GPT-4o	¥262
DeepSeek	¥15

月成本仍需¥15+。

Ollama解决方案

• 数据不出本地 - 100%隐私安全
• 完全免费 - 无API费用
• 离线可用 - 无需联网
• 合规无忧 - 企业数据不外传

---

Ollama是什么？

Ollama是本地大模型运行工具：

• 支持多种开源模型
• 本地GPU/CPU运行
• OpenAI兼容API
• 一键安装使用

支持的模型

模型	参数量	硬件要求	特点
Llama 3.2	1B/3B	低	轻量级，适合对话
Llama 3.1	8B	中	通用能力强
Qwen 2.5	7B/14B	中-高	中文能力强
DeepSeek-V2	7B	中	代码能力强
Mistral	7B	中	速度快
Gemma 2	9B	中	Google开源

---

安装Ollama

Windows安装

1. 下载Ollama Windows版
2. 运行安装程序
3. 验证安装：

ollama --version

macOS安装

brew install ollama

Linux安装

curl -fsSL https://ollama.com/install.sh | sh

---

下载模型

选择推荐模型

场景	推荐模型	说明
中文对话	Qwen 2.5 7B	中文理解强
代码辅助	DeepSeek-V2 7B	代码能力好
通用场景	Llama 3.1 8B	通用能力强
资源紧张	Llama 3.2 3B	资源占用低

下载模型

# 中文场景推荐
ollama pull qwen2.5:7b

# 代码场景推荐
ollama pull deepseek-v2:7b

# 通用场景推荐
ollama pull llama3.1:8b

# 资源紧张场景
ollama pull llama3.2:3b

验证模型

ollama list

输出：

NAME              ID              SIZE
qwen2.5:7b        xxxxxxx         4.7GB
deepseek-v2:7b    xxxxxxx         4.2GB
llama3.1:8b       xxxxxxx         4.9GB

---

OpenClaw接入Ollama

步骤1：启动Ollama服务

ollama serve

默认监听：http://localhost:11434

步骤2：配置OpenClaw

providers:
  ollama:
    enabled: true
    baseUrl: "http://localhost:11434"
    models:
      - name: qwen2.5:7b
        type: chat
        contextWindow: 4096
        
      - name: deepseek-v2:7b
        type: chat
        speciality: coding
        
      - name: llama3.1:8b
        type: chat
        contextWindow: 8192

agents:
  # 中文对话
  chinese-helper:
    model: "ollama:qwen2.5:7b"
    
  # 代码辅助
  code-helper:
    model: "ollama:deepseek-v2:7b"
    
  # 通用场景
  general-helper:
    model: "ollama:llama3.1:8b"

步骤3：测试连接

openclaw test --provider ollama --model qwen2.5:7b

输出：

Provider: ollama
Model: qwen2.5:7b
Status: ✅ 本地连接成功
Response: 测试消息正常回复
Cost: ¥0（完全免费）

---

硬件要求

最低配置

项目	最低要求
CPU	4核心
内存	8GB
硬盘	10GB（模型存储）
GPU	可选（无GPU用CPU）

推荐配置

模型	GPU显存	内存	速度
3B模型	4GB	8GB	快
7B模型	8GB	16GB	中
14B模型	16GB	32GB	较慢

无GPU配置

无GPU可用CPU运行，速度较慢：

模型	CPU推理速度
3B模型	10-20 Token/秒
7B模型	3-8 Token/秒
14B模型	1-3 Token/秒

---

使用场景

场景1：隐私对话

用户：分析这份合同的风险条款

小龙虾：使用本地模型分析，数据不上传...

数据100%留在本地。

场景2：离线使用

无网络环境 → 本地Ollama正常工作

场景3：企业合规

企业数据 → 不外传 → 合规无忧

---

与云端模型对比

维度	本地Ollama	云端API
成本	¥0	¥15-315/月
隐私	100%本地	数据上传云端
网络	不需要	必须联网
速度	取决硬件	API响应快
能力	7B模型够用	更强大模型
合规	无风险	有合规顾虑

---

完整配置示例

# OpenClaw本地Ollama配置

providers:
  # 本地Ollama
  ollama:
    enabled: true
    baseUrl: "http://localhost:11434"
    models:
      - qwen2.5:7b      # 中文对话
      - deepseek-v2:7b  # 代码辅助
      - llama3.1:8b     # 通用场景
      
  # 云端DeepSeek（备用）
  deepseek:
    enabled: true
    apiKey: "${DEEPSEEK_API_KEY}"
    
agents:
  # 主Agent - 本地优先
  main:
    model: "ollama:qwen2.5:7b"  # 默认用本地
    fallback: "deepseek-chat"   # 本地失败时切换云端
    channels:
      - feishu
      - dingtalk
      
  # 代码Agent - 本地代码模型
  coder:
    model: "ollama:deepseek-v2:7b"
    fallback: "deepseek-coder"
    
  # 隐私Agent - 强制本地
  privacy:
    model: "ollama:qwen2.5:7b"
    config:
      forceLocal: true  # 不允许切换云端

---

离线部署方案

完全离线环境

企业内网无外网环境：

1. 提前下载模型
2. 提前安装Ollama
3. 提前安装OpenClaw
4. 全部本地运行

内网部署架构

内网服务器
├── Ollama服务（端口11434）
├── OpenClaw（端口3000）
└── 飞书/钉钉机器人（内网代理）

---

成本对比

月成本计算

方案	硬件成本	API成本	月成本
本地Ollama	已有硬件	¥0	¥0
DeepSeek	无	¥15	¥15
Claude	无	¥315	¥315

年成本对比

方案	年成本
本地Ollama	¥0
DeepSeek	¥180
Claude	¥3780

本地Ollama年节省¥180-3780。

---

注意事项

1. 模型能力差距

能力	本地7B	云端Claude
日常对话	✅ 够用	✅ 更好
代码辅助	✅ 够用	✅ 更好
复杂推理	⚠️ 较弱	✅ 强
长文档	⚠️ 上下文短	✅ 200K

2. 硬件资源占用

运行7B模型：

• GPU显存：8GB+
• 内存：16GB+
• 推理时占用资源

3. 首次下载模型

模型文件较大：

• 7B模型：4-5GB
• 14B模型：8-9GB

首次下载需等待。

---

总结

OpenClaw接入本地Ollama：

维度	数据
成本	¥0（完全免费）
隐私	100%本地
网络	离线可用
合规	无风险
年节省	¥180-3780

数据不出本地。

完全免费。

隐私100%安全。

---

🦞 Claw is the law. 本地部署，Ollama免费。