在PAI-DSW中一键部署OpenClaw智能体：云端AI开发与模型训练实战

阿里云人工智能平台 PAI 现已支持在 PAI-DSW（交互式建模）中一键安装 OpenClaw（小龙虾）。通过将 OpenClaw 的智能体能力与 DSW 提供的 AI 算力、训练环境及文件存储深度集成，你的专属 AI 助手可以直接操控同一个环境，执行文件读写、GPU 状态监控乃至训练任务分发，实现真正意义上的云端智能化开发闭环。

针对注重数据安全的企业用户，PAI 依托其全链路模型能力，还支持用户直接接入在平台内自主微调的模型，帮助你打造一个安全可控、深度契合业务逻辑的私有化智能体！

OpenClaw 是什么？

OpenClaw 是一个功能丰富的 AI 智能体框架，它支持直接与操作系统交互、具备持久化记忆能力、可以定时主动推送消息，并通过 Web UI、钉钉等多种方式与你沟通。其内置的丰富 Skills 生态，让它能够胜任从日常助手到复杂自动化任务的各种角色。

为什么选择在 PAI-DSW 上部署？

在 PAI-DSW 上部署 OpenClaw，最大的优势在于将强大的云端算力与智能体的执行能力无缝结合：

• 🖥️ 随开随用，免运维：无需自建服务器，按需创建 DSW 实例即可获得开箱即用的完整环境。
• ⚡ 弹性算力，按需扩展：DSW 实例支持多种规格的 CPU/GPU 资源，满足从轻量测试到大规模训练的不同需求。
• 🔗 与阿里云生态无缝打通：天然集成 OSS、NAS 等云存储，方便数据存取；可直接调用百炼、PAI EAS 等服务的大模型。
• 🔒 安全访问，避免服务裸奔：通过 DSW Gateway 提供安全的内部服务访问，无需暴露公网端口。
• 🤖 让智能体“住”在算力旁边：OpenClaw 与你的训练代码、数据、GPU 同处一个环境，操作延迟极低，响应更迅速。

PART 01: 一键部署 OpenClaw

只需简单的几步，你就能在 DSW 中拥有自己的 AI 助手。

第一步：打开 DSW 实例

在 PAI 控制台的 DSW 实例列表中，找到你已经创建好的实例，点击「打开」进入 JupyterLab 环境。

第二步：运行安装脚本

在打开的 DSW 实例中，你有两种方式启动安装：

1. 通过启动台图标：在「启动台」页面，找到并点击“小龙虾”气泡图标（如果已预置）。
2. 通过终端命令：点击「Terminal」图标打开终端，直接执行以下命令：

curl -fsSL https://pai-dsw-ai-machine.oss-cn-beijing.aliyuncs.com/agent/openclaw/openclaw_installer_dsw.sh -o openclaw_installer_dsw.sh && bash openclaw_installer_dsw.sh

执行后，你将看到一个交互式安装菜单。

选择操作 [1] 开始安装。脚本会引导你完成后续步骤，建议在版本选择时使用推荐版本，以确保与 DSW Gateway 的最佳兼容性。整个安装过程通常只需 2-5 分钟。

第三步：配置模型服务

安装核心程序后，需要为 OpenClaw 配置“大脑”——即大模型服务。脚本支持两种主流的阿里云模型服务：

◆ 配置 AI 模型

  [1] ○ 百炼 (DashScope) - 阿里云百炼模型服务
  [2] ○ EAS服务 - 阿里云机器学习 PAI EAS 服务

(↑↓ 导航 | 数字直选 | Enter 确认)

1. 配置百炼 (DashScope) 服务

如果你选择百炼，配置步骤如下：

1. 配置 Base URL：脚本默认使用百炼 Coding Plan 的专用 URL。如果你使用的是普通百炼账号，请输入 https://dashscope.aliyuncs.com/compatible-mode/v1。

   

2. 配置 API KEY：粘贴从百炼控制台获取的 API Key。

3. 选择 AI 模型：根据需要从列表中选择一个模型（如 Qwen、通义千问等）。

4. 配置 Gateway 端口：通常保持默认即可。

2. 配置 PAI-EAS 服务

如果你想使用自己部署的模型，可以选择 EAS 服务。

1. 部署模型：首先，你需要通过 PAI 的 Model Gallery 一键部署一个大语言模型服务（例如 Qwen）。具体步骤可参考快速开始文档。

2. 获取调用信息：模型服务部署完成后，进入服务详情页，在“调用信息”中获取公网调用地址和 Token。

   

3. 在脚本中配置：根据脚本提示，依次输入获取到的基础访问地址和 Token。

   ◆ 配置 EAS 服务
   
     提示：请从 PAI-EAS 控制台获取基础访问地址和 Token
     基础地址示例：http://16********.cn-hangzhou.pai-eas.aliyuncs.com/api/predict/test
     注意：只需输入基础地址（不含 /v1），脚本会自动添加
   
   ◆ EAS 基础访问地址: http://16xxxxxxxx.cn-hangzhou.pai-eas.aliyuncs.com/api/predict/test
   ◆ EAS Token（可见输入）: your-eas-token-here

4. 工具调用配置：脚本会询问是否禁用工具调用功能。这个选项取决于你的 EAS 服务端是否启用了 --enable-auto-tool-choice 参数。

   • 如果 EAS 服务端已支持，选择“否”（启用工具调用）。
   • 如果不确定或遇到 400 错误，选择“是”（禁用工具调用）。

   ◆ 工具调用配置
     提示：如果 EAS 服务未启用 --enable-auto-tool-choice 参数
           会导致 400 错误，此时需要禁用工具调用
   
   ◆ 是否禁用工具调用？
   [1] ○ 否 - 启用工具调用（推荐，需 EAS 服务端支持）
   [2] ○ 是 - 禁用工具调用（适用于服务端未配置的情况）

第四步：完成配置

所有配置完成后，脚本会自动启动 OpenClaw 的 Gateway 服务，并在终端输出 Web UI 的访问地址。直接点击该 URL 即可进入 OpenClaw 的 Web 界面，开始与你的 AI 助手对话。

PART 02: 访问 OpenClaw 服务

部署完成后，你有多种方式与 OpenClaw 交互，最推荐的是通过 DSW Gateway 直接访问 Web UI。

1. 通过 DSW Gateway 访问 Web UI（推荐）

安装脚本成功运行后，会在终端输出类似以下的信息：

✓ Gateway 已成功启动并在后台运行

  服务信息
  ├─ 进程 PID: 12345
  ├─ 日志文件    ~/.openclaw/gateway.log
  └─ PID 文件    ~/.openclaw/gateway.pid

  访问地址
  └─ http://127.0.0.1:18789/?token=xxxxxxxxxxxxxxxxxxxx

直接点击这个访问地址链接。DSW 的内置 Gateway 代理机制会自动处理，你的浏览器将直接打开 OpenClaw 的 Web UI，无需任何额外的端口映射或网络配置。

说明：链接中的 127.0.0.1 是 DSW 实例内部的本地地址。DSW Gateway 会安全地将此服务暴露给当前已登录的阿里云账号，外部无法访问，确保了安全性。

访问要求：

• 使用拥有该 DSW 实例访问权限的阿里云主账号或子账号登录。
• 在 PAI 控制台环境内点击链接，或直接在脚本输出的终端中点击。

验证状态：打开 Web UI 后，可以查看页面右上角的服务状态，显示 “Health: OK” 和 “Gateway: Connected” 即表示一切正常。

PART 03: 应用场景实践

拥有了住在算力旁边的 OpenClaw，你可以解锁许多高效的开发与训练场景。

基础场景

场景1：日常问答与代码助手

你可以让它直接在你的工作空间里写代码。

请帮我在/mnt/workspace下创建一个使用kaggle公开数据实现房价预测的ipynb代码

场景2：智能文件搜索

忘记文件放哪了？让它帮你找。

请帮我找一下DSW实例中所有包含“报告”关键词的 Markdown 文件

场景3：关注消息订阅

让它成为你的 AI 行业情报员。

每天早上9点，给我发送最新的AI行业新闻

训练场景（核心价值）

将 OpenClaw 部署在 PAI-DSW 上，对于需要长时间运行 模型训练 的任务来说，价值巨大：

• 主动监控：无需人工盯屏，OpenClaw 可主动发现问题并通知你。
• 远程操作：通过钉钉等渠道，随时随地用对话管理训练任务。
• 智能记忆：自动整理实验记录，形成可查询的知识库。

场景1：任务状态查询

训练到一半，随时问进度。

我刚执行的训练任务GPU利用率怎么样？

场景2：任务异常监控告警

用户痛点：跑通宵的深度学习训练任务，半夜因错误中断或GPU闲置，导致资源空转浪费，进度延迟。
解决思路：让 OpenClaw 定时检查 GPU 状态，异常时通过钉钉立刻告警。

你可以通过命令行直接给 OpenClaw 下发一个定时监控任务：

openclaw cron add \
--name "GPU训练监控" \
--cron "*/15 * * * *" \
--tz "Asia/Shanghai" \
--session isolated \
--message "请执行以下操作检查GPU训练状态：
1. 运行命令：python gpu_monitor.py
2. 如果返回 'HEARTBEAT_OK'，说明一切正常，无需进一步操作
3. 如果返回异常报告，请：
   - 通过钉钉发送完整报告给我
   - 分析报告中提到的可能原因
   - 给出建议的解决方案
注意：只有检测到异常时才需要通知我。" \
  --announce

当 GPU 异常闲置时，你会立刻收到告警。

场景3：实验数据自动归档

用户痛点：手动整理模型训练的实验记录（超参数、结果、结论）费时费力，容易出错或遗漏。
解决思路：利用 OpenClaw 的记忆和定时任务功能，实现实验记录的自动化归档与分析。

你可以指示 OpenClaw 建立归档例行任务：

请每天晚上10点执行实验日志归档任务：
1. 运行归档脚本：
   python /gpu-training-tester/experiment_archiver.py
2. 如果返回 'HEARTBEAT_OK'，说明今天没有新的实验，无需操作
3. 如果返回实验记录，请：
   - 将记录追加写入 /mnt/workspace/experiment_log.md
   - 记住这些实验结果（使用 memory 功能）
   - 发送一份摘要到钉钉
记住：后续我查询历史实验时，你要能从记忆中检索这些信息。

执行后，OpenClaw 会帮你维护一个结构化的实验日志文件。

之后，/mnt/workspace/experiment_log.md 文件的内容会被自动更新，例如：

## 实验记录
### 2026-03-02
| 实验 | 模型 | 学习率 | Epochs | 最终Loss | Accuracy | 状态 | 耗时 |
|------|------|--------|--------|----------|----------|------|------|
| exp_20260302_143015 | qwen-7b | 2e-5 | 3 | 0.0234 | 92.1% | 完成 | 0:31:32 |
| exp_20260302_161522 | qwen-7b | 5e-5 | 3 | - | - | OOM | 0:04:23 |
### 2026-03-01
| 实验 | 模型 | 学习率 | Epochs | 最终Loss | Accuracy | 状态 | 耗时 |
|------|------|--------|--------|----------|----------|------|------|
| exp_20260301_091523 | qwen-7b | 1e-5 | 5 | 0.0312 | 91.8% | 完成 | 2h28m |
| exp_20260301_141035 | qwen-14b | 1e-5 | 5 | - | - | OOM | 12m |

你既可以在 JupyterLab 中直接查看这个文件，也可以随时对话询问 OpenClaw：“对比一下最近三天所有成功的实验，哪个参数组合效果最好？”

探索更多可能

OpenClaw 的可玩性极高。你可以为其配置更多的消息渠道（如 Slack、Discord），也可以通过安装丰富的 Skills（技能插件）来扩展其能力，让它变得更加强大。

• OpenClaw GitHub 仓库：https://github.com/openclaw/openclaw
• OpenClaw 官方文档：https://docs.openclaw.ai/
• 热门 OpenClaw Skills 合集：https://github.com/VoltAgent/awesome-openclaw-skills

在云栈社区的 人工智能 板块，我们持续分享关于 模型训练 与 AI 应用开发的前沿实践与深度讨论。如果你在部署或使用 OpenClaw 的过程中有任何心得或疑问，欢迎来社区交流分享。