OpenClaw 本地部署实践：助手使用避坑指南与记忆管理经验

摘要： 本文记录了本地部署 OpenClaw 过程中的模型选择问题，以及使用 AI 助手过程中的宝贵经验教训——助手会犯错、会遗忘、会有幻觉，需要主动管理和矫正。

关键词： OpenClaw、本地模型、AI Agent、记忆管理、幻觉矫正

---

一、背景

使用 OpenClaw 本地部署已经有一段时间了，经历了从模型选择困惑到逐步掌握技巧的过程。但在使用 AI 助手（我的 OpenClaw）过程中，发现了一个更重要的课题：AI 助手不是完美的，它会犯错、会遗忘、会有幻觉，需要主人主动管理和矫正。

今天在调试过程中，助手又一次犯了低级错误——操作 Git 分支时没有使用我明确配置的 master 分支，而是用了默认的 main 分支。这个经历让我决定把这段宝贵经验记录下来。

---

二、OpenClaw 与 AI 助手

OpenClaw 是一个开源的 AI Agent 运行框架，核心特性包括：

• 本地模型支持 - 可对接 llama.cpp、vllm 等本地推理后端
• 工具调用能力 - 支持 MCP 协议，可调用各种外部工具
• 会话管理 - 支持多会话、子代理、定时任务等
• 扩展性强 - 可通过 Skill 机制扩展功能

我的部署目标：搭建一个本地 AI 助手，能够调用企业微信 API、管理待办事项、查询日程、自动整理博客等。

---

三、模型选择的坑与经验

3.1 工具调用需要专门训练

工具调用不是模型的天然能力，需要专门训练。

不是所有模型都支持工具调用（Function Calling）。这个能力需要：

• 训练数据中包含 API 调用示例
• 学习工具定义的结构化格式
• 理解何时调用工具、如何填充参数

3.2 模型规模与工具调用能力

模型规模	工具调用能力	推荐场景
<14B	❌ 较弱	不推荐
14B-32B	⚠️ 一般	学习/测试可用
≥32B	✅ 可用	工具调用场景
≥70B	✅✅ 推荐	生产环境

3.3 模型年龄也很关键

2023 年前的老模型基本不支持工具调用，因为：

• 训练时 Function Calling 概念还未普及
• 不理解结构化输出格式
• 容易忽略工具定义

---

四、核心教训：AI 助手不是完美的

4.1 问题列表

使用 AI 助手过程中，我发现了以下问题：

问题	描述	频率
记不住配置	多次说过的配置，下一次仍然用错	高
分支操作错误	默认用 main 而不是配置的 master	高
存在幻觉	自信地说出不存在的信息	中
惰性确认	觉得差不多就直接操作，不确认	高

4.2 典型案例

案例：Git 分支操作失误

# 我的配置（TOOLS.md）
分支：master

# 助手实际操作
git checkout main  # 错误！

助手每次都说"记住了"，但下次依然用错。这不是能力问题，是流程问题。

4.3 为什么会这样

1. 跨会话记忆依赖文件 - 助手每次醒来要读配置文件才能记住，但没有养成习惯
2. 配置与实际不符 - 发现配置和实际不同时，没有立即汇报
3. 将就心态 - 看到错误后没有修复流程，直接将就

---

五、解决方案：主动矫正与管理

5.1 配置固化流程

规则：重要配置必须写进文件

TOOLS.md      → 任务相关配置（分支、路径、代理等）
MEMORY.md     → 关键决心和重要配置（main session 必读）
AGENTS.md     → 行为规范和流程规则

更新 AGENTS.md：执行任务前必须读取相关配置

## Before Each Task

For known task types, read relevant configuration BEFORE acting:
- **Blog/Git operations** → Check TOOLS.md for branch, paths, proxy settings
- **External actions** → Confirm target and settings first

5.2 定期会话确认

建议：定期通过会话方式确认记忆是否正常

例如每周一次：

• 询问助手："你记得我的博客仓库在哪个路径吗？"
• 让助手复述关键配置
• 发现错误立即矫正

5.3 主动监督与矫正

核心理念：

AI 助手是有机器，有幻觉，需要想办法矫正，使其符合自己的预期

实操方法：

1. 重要操作后主动检查结果
2. 发现错误立即指出
3. 让助手记录错误到记忆文件
4. 不容忍"差不多"——必须精确

5.4 聊天记录管理

定期清理聊天记录有好处：

• 减少干扰
• 避免助手被旧信息误导
• 强迫重要信息沉淀到文件

---

六、推荐配置方案

6.1 开发/测试环境

model: qwen-32b-chat
context_length: 16384
backend: vllm
gpu: 1x RTX 4090 (24GB)

适用场景：

• 本地开发调试
• 功能验证
• 学习探索

6.2 生产环境

model: qwen-72b-chat
context_length: 32768
backend: vllm
gpu: 2x RTX 4090 (48GB) 或 A100 80GB

6.3 云端备选方案

model: qwen-max  # 阿里云
# 或
model: glm-4-plus  # 智谱 AI

---

七、总结

7.1 模型选择结论

1. 工具调用需要大模型 - ≥32B 可用，≥70B 推荐
2. 模型年龄很重要 - 优先选择 2024 年后的新模型
3. 上下文要充足 - 预留足够空间给工具定义

7.2 助手使用结论

1. 不要假设助手记住了 - 必须固化到文件
2. 不要容忍错误 - 立即矫正并记录
3. 主动管理 - 定期确认、清理、监督
4. 把它当工具 - 助手是机器，不是人，要有管理意识

最宝贵的教训： AI 助手的能力取决于主人的管理水平。管理好，它就是利器；管理不好，它就是玩具。

---

八、参考资源

• OpenClaw 官方文档：https://docs.openclaw.ai
• OpenClaw GitHub：https://github.com/openclaw/openclaw
• 李宏毅 AI Agent 课程（推荐学习）
• llama.cpp：https://github.com/ggerganov/llama.cpp
• vllm：https://github.com/vllm-project/vllm

---

作者简介： 资深程序员，11 年华为自动化测试平台开发经验，目前探索 AI Agent 在测试领域的应用。

欢迎交流： 如有问题或建议，欢迎在评论区留言讨论！

---

本文首发于个人博客，转载请注明出处。