笔记本跑OpenClaw本地AI模型失败实录：Ollama接入Qwen的血泪教训

在之前的几篇文章中，我们完成了OpenClaw（小龙虾）的介绍、部署、接入云端模型、连接QQ机器人，并对它的默认技能（Skills）有了一定了解。但问题也来了：测试没几下，免费的100万Tokens额度就快见底了。这让我萌生了一个想法：何不尝试接入本地模型，彻底摆脱API调用的成本与限制？

相关阅读：OpenClaw（小龙虾）介绍、部署、接入&更换模型、接入QQ机器人、技能（Skills）介绍及部署。

我的思路是选用轻量且易上手的 Ollama 来部署本地AI模型。具体的Ollama部署方法，可以参考我之前的文章《最简单的DeepSeek部署方法》。

不过，在开始之前，我必须先亮出我的测试机器配置（一台笔记本电脑）。如果你的配置低于或只是略高于这个水平，我强烈建议你直接跳过本地模型测试——因为在我的配置下，一次成功的运行都没有。当然，不信邪的朋友可以继续尝试。

• CPU：13th Gen Intel® Core™ i5-13500H
• 内存：16G（5200频率）
• 显卡：Intel® Iris® Xe Graphics（集成显卡，128M显存）

1. 部署 Ollama 并拉取模型

Ollama的安装过程很顺利。我选择了一个对硬件要求相对友好的模型进行测试：通义千问的 qwen3.5:4b。通过命令行 ollama pull qwen3.5:4b 成功拉取了模型，并用 ollama run qwen3.5:4b 进行了简单的对话测试。在纯Ollama环境下，模型能够正常响应，虽然生成Token的速度比较慢，但功能是完好的。

2. 修改 OpenClaw 配置文件接入本地模型

接下来，就是让OpenClaw使用这个本地模型。方法依然是修改其对应的JSON配置文件，然后重启服务更新配置。

关键的配置文件修改部分如下。你需要将模型提供商（provider）设置为 ollama，并正确指向本地的Ollama服务地址（默认是 http://127.0.0.1:11434），同时将Agent的默认主模型切换到Ollama下的对应模型ID。

{
  meta: {
    lastTouchedVersion: '2026.3.7',
    lastTouchedAt: '2026-03-12T14:11:18.990Z',
  },
  models: {
    mode: 'merge',
    providers: {
      ollama: {
        baseUrl: 'http://127.0.0.1:11434',
        apiKey: '__OPENCLAW_REDACTED__',
        api: 'ollama',
        models: [
          {
            id: 'qwen3.5:4b',
            name: 'Qwen3.5 4B',
            api: 'ollama',
            reasoning: false,
            input: [
              'text',
            ],
            cost: {
              input: 0,
              output: 0,
              cacheRead: 0,
              cacheWrite: 0,
            },
            contextWindow: 32000,
            maxTokens: 32000,
          },
        ],
      },
    },
  },
  agents: {
    defaults: {
      model: {
        primary: 'ollama/qwen3.5:4b',
      },
      compaction: {
        mode: 'safeguard',
      },
      timeoutSeconds: 300,
    },
  },
  commands: {
    native: 'auto',
    nativeSkills: 'auto',
    restart: true,
    ownerDisplay: 'raw',
  },
  channels: {
    qqbot: {
      enabled: false,
    },
  },
  gateway: {
    mode: 'local',
  },
  plugins: {
    entries: {
      qqbot: {
        enabled: false,
      },
    },
    installs: {
      qqbot: {
        source: 'npm',
        spec: '@sliverp/qqbot@latest',
        installPath: 'C:\\Users\\dande\\.openclaw\\extensions\\qqbot',
        version: '1.5.3',
        resolvedName: '@sliverp/qqbot',
        resolvedVersion: '1.5.3',
        resolvedSpec: '@sliverp/qqbot@1.5.3',
        integrity: 'xxxx',
        shasum: 'xxx',
        resolvedAt: '2026-03-08T14:34:07.657Z',
        installedAt: '2026-03-08T14:34:24.209Z',
      },
    },
  },
}

这个 JSON配置文件 清晰地定义了如何从云端模型切换到本地Ollama服务。

3. 网页与机器人测试：失败告终

配置修改完成后，我通过OpenClaw的Web界面发起测试。这时，电脑的CPU风扇立刻开始狂转，系统资源被大量占用。然而，界面始终处于“思考”状态，没有任何实质性的文本输出。

随后检查进程，发现多个ollama进程占用了极高的CPU和内存（合计约13GB），但服务似乎陷入了僵局。

我同时也尝试了通过已接入的QQ机器人进行提问，结果一样：请求发出后石沉大海，没有任何回复。

为了确认不是模型本身的问题，我再次回到命令行直接运行 ollama run qwen3.5:4b，模型虽然慢，但确实能回答。问题显然出在OpenClaw与Ollama的交互环节。

此时，通过 ollama list 命令可以看到本地已有的模型列表：

PS C:\Users\dande> ollama list
NAME                ID              SIZE      MODIFIED
qwen3.5:4b          2a654d98e6fb    3.4 GB    3 hours ago
qwen2.5-coder:7b    dae161e27b0e    4.7 GB    22 hours ago
qwen2.5:7b          845dbda0ea48    4.7 GB    25 hours ago

4. 问题分析与个人建议

这次测试以失败告终。究其原因，很可能是我的笔记本硬件（特别是集成显卡和有限的内存）无法满足OpenClaw Agent框架与本地4B模型同时运行的计算负载。OpenClaw作为一个多Agent系统，其调度和上下文管理本身需要开销，与直接命令行调用模型相比更为复杂。虽然有其他网友用更高配置的机器（尤其是拥有独立显卡的台式机）成功了，但在我的环境下此路不通。

所以，我给大家的建议是：

1. 明确需求，量力而行：如果你有非常明确且持续的本地方案需求，并且本地拥有性能不错的独立显卡（例如RTX 3060 12G以上），那么可以继续深入调试Ollama与其他更大参数模型（如7B、14B）的搭配。或者，也可以考虑购买那些提供包月服务的云端API，比如阿里云百炼就有类似的套餐，成本相对可控。
2. 体验为主，善用免费资源：如果只是好奇想体验OpenClaw的功能，完全可以在初期利用官方或其他平台提供的免费Tokens进行测试。体验完毕后，如果不再需要，建议妥善关闭或卸载。毕竟，一个拥有较高系统权限的AI Agent软件长期运行在本地，若管理不当，可能存在潜在风险。当然，如果你确信自己能完全掌控，那就另当别论。

这次失败的尝试也说明，在个人电脑上部署复杂的AI应用栈，硬件门槛是真实存在的。希望我的这次“踩坑”经历，能为你规划自己的AI项目时提供一些参考。关于更多AI与本地化部署的实战讨论，欢迎来云栈社区交流心得。