我对一切云端API的态度是：不信任。不是因为它们不好用，而是因为当你把指令和上下文发送到远端服务器时，你的数据就脱离了你的控制。你不知道它会被存储多久、会不会被用于模型训练、会不会在某次数据泄露事件中出现在暗网上。
所以我的原则很简单：数据不出本机。 推理在本地完成，模型在本地运行，对话记录在本地存储。没有任何一个比特的数据需要经过互联网。OpenClaw搭配本地大模型，可以做到这一点。下面是完整的离线部署方案。
核心架构
整个系统由两部分组成：OpenClaw作为操作载体，负责任务调度、工具调用、界面交互；本地大模型作为推理引擎，负责理解指令和生成回复。两者通过本地回环地址（127.0.0.1）通信，流量不经过任何外部网络。
本地模型运行工具有两个主流选择：Ollama（命令行驱动，资源占用低，适合有终端使用习惯的用户）和LM Studio（图形界面，操作直观，适合不习惯命令行的用户）。两者都是开源免费的。
硬件要求：你的机器能不能跑本地模型？
这是第一个必须回答的问题。本地大模型对硬件有明确要求：
基础配置（能跑7B参数模型，如Qwen2.5-7B）： CPU需要Intel i5或AMD Ryzen 5及以上，4到6核心。内存至少16GB，8GB也能跑但会明显卡顿。存储预留10到20GB空闲空间给模型文件。没有独立显卡也能运行，CPU推理速度大约5到10 tokens每秒——能用，但不快。
推荐配置（流畅运行7B及以上模型）： CPU需要i7或Ryzen 7级别，8核以上。内存32GB。SSD存储（机械硬盘加载模型会慢很多）。显卡8到12GB显存（如RTX 3060或4060），GPU加速后推理速度可达20到60 tokens每秒，体验显著提升。
如果你的机器不满足基础配置，建议暂时使用云端API，等硬件升级后再迁移到本地方案。数据隐私很重要，但卡到无法使用也没有意义。
第一步：安装OpenClaw
这一步各操作系统的流程：
Windows（推荐WSL2方案）： 以管理员身份打开PowerShell，执行wsl --install -d Ubuntu安装WSL2。重启后进入Ubuntu终端，执行sudo apt update && sudo apt install -y nodejs git python3-pip安装依赖。然后npm config set registry https://registry.npmmirror.com配置国内镜像，npm install -g openclaw@latest安装OpenClaw。openclaw --version验证。
Windows（原生方案）： 安装nvm-windows管理Node.js版本，nvm install 22然后nvm use 22。解锁PowerShell执行策略：Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser。安装OpenClaw：npm i -g openclaw@latest。
macOS： brew install node@22安装Node.js，npm config set registry https://registry.npmmirror.com配镜像，npm install -g openclaw@latest安装。
Linux（Ubuntu）： sudo apt update && sudo apt install -y nodejs git python3-pip，然后同上。
第二步：安装本地模型运行工具
方案A：Ollama（我的首选）
Windows WSL2和Linux用户在终端执行：curl https://ollama.com/install.sh | sh。Windows原生和macOS用户去ollama.com下载安装包，双击安装。
安装完成后，拉取模型。我推荐Qwen2.5-7B，在隐私性和性能之间取得了不错的平衡：
ollama pull qwen2.5:7b
下载大约需要十到二十分钟，取决于网速。模型文件大约4到5GB。
关键步骤：扩展上下文窗口。 默认的4096 tokens上下文太小，AI容易说到一半就断。执行以下命令创建一个32K上下文的自定义模型：
echo "FROM qwen2.5:7b
PARAMETER num_ctx 32768" > Modelfile
ollama create qwen2.5:7b-32k -f Modelfile
启动Ollama服务：ollama serve。验证：浏览器访问http://127.0.0.1:11434，显示"Ollama API is running"即成功。
方案B：LM Studio
去lmstudio.ai下载安装。打开软件后，在模型搜索中找到Qwen2.5-Coder-7B-Instruct，选择Q4_K_M量化版本下载。加载模型时，如果没有独立显卡，把GPU卸载设为0；有显卡则根据显存调整。启动本地API服务器，默认端口1234。
第三步：对接OpenClaw与本地模型
初始化OpenClaw：openclaw init。
启动网关服务（后台运行）：
Linux/WSL2/macOS：nohup openclaw gateway start > ~/.openclaw/logs/gateway.log 2>&1 &
Windows原生：openclaw gateway install然后openclaw gateway start。
验证：openclaw gateway status显示"Gateway running on port 18789"。
修改配置文件： 这是最关键的一步。打开OpenClaw配置文件：
Linux/WSL2/macOS路径：~/.openclaw/config.json
Windows路径：C:\Users\你的用户名\.openclaw\config.json
如果使用Ollama，配置为：
{
"models": {
"provider": "ollama",
"basePath": "http://127.0.0.1:11434/v1",
"apiKey": "ollama",
"model": "qwen2.5:7b-32k"
}
}
如果使用LM Studio，配置为：
{
"models": {
"provider": "openai",
"basePath": "http://127.0.0.1:1234/v1",
"apiKey": "lmstudio",
"model": "你下载的模型名称"
}
}
三个必须注意的配置细节：
第一，basePath必须用127.0.0.1，不要用localhost。部分系统解析localhost时可能出问题。
第二，apiKey不能留空。Ollama和LM Studio虽然不需要真实认证，但OpenClaw的配置校验要求该字段有值。随便填一个非空字符串即可。
第三，如果用了自定义扩窗模型，model字段必须写自定义模型的名称（如qwen2.5:7b-32k），不是原始模型名。
保存配置后重启网关：openclaw gateway restart。
第四步：验证部署
生成访问令牌：openclaw token generate。查看令牌，打开浏览器访问http://localhost:18789，输入令牌登录。
在Chat界面输入一段测试文字，比如"用三句话介绍你自己"。如果AI正常回复，整个部署就完成了。所有的推理都在你的本地CPU或GPU上完成，没有任何数据发送到外部。
隐私加固措施
部署完成后，我建议额外做以下几件事情来加固隐私：
防火墙规则。 在系统防火墙中阻止OpenClaw和Ollama进程的所有出站网络连接。它们只需要通过127.0.0.1互相通信，不需要访问互联网。这样即使配置被误改，数据也不会意外外泄。
磁盘加密。 对话记录和配置文件存储在~/.openclaw/目录下。启用全盘加密（Windows用BitLocker，macOS用FileVault）保护这些文件不被物理接触设备的人读取。
独立设备。 如果条件允许，在一台专用设备上运行OpenClaw，不在这台设备上处理其他涉及个人隐私的事务。如果条件不允许，至少在虚拟机中运行。
定期清理。 定期审查并清理~/.openclaw/下的对话记录和日志文件。不需要保留的数据就安全删除，减少数据存量。
模型文件校验。 只从官方渠道下载模型文件。下载完成后检查文件哈希值，确保模型未被篡改。一个被植入后门的模型可以在回复中泄露你的输入内容。
关于性能与隐私的取舍
本地7B模型的推理能力不如GPT-4o或Claude这样的大模型，这是事实。你会注意到它在复杂推理、长文本处理、代码生成方面的表现有差距。但对于大多数日常任务——信息整理、自动回复、文档起草、数据处理——7B模型已经足够胜任。
隐私不是免费的，它的代价是一些推理能力和响应速度。我认为这个代价是值得的。你的数据是你的数据，这个底线不应该因为"云端模型更聪明"就被放弃。