OpenClaw养虾指南:部署、Token成本与模型选型

作者:热心市民鹿先生2026.11.17 03:49浏览量:0

简介:"养虾"养的不是宠物,而是一个跑在云主机上的 OpenClaw 实例,每只虾背后都必须挂一个大模型服务:人负责出算力和 Token 账单,虾负责替你回消息、查资料、跑工具。所以"谁养谁"的答案是双向的——你养虾的算力,虾养你的时间;而一旦 Token 耗尽或模型选错,虾立刻变哑巴。想让虾真正干活又不烧钱,关键在模型选型和调用成本管理,可以先在[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)对比不同大模型的能力与调用成本,再决定给哪只虾配哪个模型。

一、这场”养虾”是怎么火起来的

OpenClaw 最早在 2025 年底以 Clawdbot 的名字上线,发音几乎贴着 Claude。Anthropic 法务联系作者 Peter Steinberger 后,他先改名 Moltbot,又觉得不合适,最终定名 OpenClaw。Claw 本意是”爪子”,龙虾只是 logo,但这个命名具象、好记、易传播,也不会跟已有大厂撞车。

作者本人也值得一提:他做过硅谷高级 iOS 工程师,业余创办 PSPDFKit 解决 iOS 上的 PDF 渲染问题,2021 年公司拿到 1 亿欧元战略投资后退出。随后是庆祝、旅行、空虚、心理治疗——典型的”退出后遗症”。OpenClaw 是他自 2009 年以来做的第 44 个 AI 相关项目,且整体主要由 AI 通过 prompt 生成。高频试错本身就是一种方法论。

OpenClaw 是能跑在终端设备上的个人 AI 助手,可在 WhatsApp、Telegram、Slack、Discord、Signal、iMessage、WebChat 等聊天应用里回复消息,并支持语音交互与实时画布,具备有状态会话、记忆和工具调用能力。

二、人养虾:一只虾的最小部署流程

OpenClaw 至少要搭配一个大模型服务才能完成最基础的对话,且部署实例与它要调用的模型需要属于同一资源池。

1. 准备开发机

  • CPU 与内存建议 4 核 16G,使用云盘
  • 开启 SSH 并填写公钥,选择一个支持公网访问的 BLB(纯对话 10Mbps 够用,要传图片建议加大带宽)
  • 创建完成后可关注三个目录:/app(程序根目录)、/home/node/.openclaw(配置)、/home/node/clawd(工作目录)

    2. 初始化配置

进入开发机 WebIDE 的 Terminal,所有操作都要切到 node 用户:

  1. su node
  2. cd /app
  3. node dist/index.js onboard --install-daemon

按引导选择:左右键切到 yes 回车 → QuickStart → 上键选 Skip for now → All providers → Keep current。

3. 打开 WebUI

本地做端口转发后访问带 token 的地址,右上角出现【Health Ok】即成功:

  1. ssh -L 18789:127.0.0.1:18789 root@开发机公网IP -p 开发机公网端口
  2. # 浏览器打开 http://127.0.0.1:18789/?token=你的token

4. 部署并接入模型

在百舸侧部署一个 DeepSeek-V3.2 之类的模型服务,状态变为”运行中”后,从”调用信息”里取调用地址和 Token,注意访问地址需要自行拼接 /v1。

三、虾养人:接进企业微信才算真正上岗

只在 WebUI 里聊天,虾还是个玩具。以企业微信 URL 回调方式接入后,它才变成同事(该流程目前适配 2026.3.2 及以下版本,可在控制台确认版本;重装会清空实例数据且不可恢复,务必先备份):

  1. 企业微信后台进入 安全与管理 > 管理工具 > 智能机器人 > 创建机器人 > 手动创建;
  2. 拉到底部选择 API 模式创建 > 使用 URL 回调,URL 填 http://{服务器公网IP}:18789/wecom,Token 与 Encoding-AESKey 可随机生成——此时先别点创建;
  3. 在服务器控制台一键放行 18789 端口,进入 消息平台 > 企业微信,填入刚才的 Token 和 Encoding-AESKey,点击应用;
  4. 回到企业微信完成创建,扫码添加机器人即可对话。

四、”三傻不说话了”:Token 成本与选型

原文里三傻沉默、二傻只说废话、大傻偶尔有用,本质是同一件事:模型能力与 Token 预算不匹配。成本可以粗算为:

  1. 日成本 = Σ(输入Token × 输入单价 + 输出Token × 输出单价)

Agent 类负载的特殊之处在于,每一轮工具调用都会把历史上下文重新送一遍,输入 Token 往往是输出的十倍以上。所以控成本的优先级是:压缩上下文与历史消息 → 减少不必要的工具轮数 → 再按任务难度分配模型。简单问答用小模型,涉及推理和代码的走强模型,别用同一只虾干所有活。

具体选哪个,建议在词元所模型服务上做横向对比,重点看能力匹配度、单价和上下文长度,并通过统一 API 接入方式降低多模型切换的改造成本,同时把调用情况纳入统一管理,避免”哪个傻烧了钱都不知道”。

五、养虾的安全底线

官方明确提示:OpenClaw 既是一个产品也是一项实验,接入真实通讯平台和真实工具, 不存在”绝对安全的”设置方案 ,建议从最小权限起步再逐步放开。它属于私人智能助手,宜独自使用或分享给内部团队,分享给不信任的个人或团体可能带来经济损失与数据泄漏风险。

云主机侧建议:尽量使用云平台登录而非远程登录,关闭对公网开放的 22 端口,在防火墙把 22 端口访问源限制为 100.64.0.0/10,只允许云平台的 SmartTerm 或 VNC 登录;同时使用 15 位以上字母数字符号组合的强密码或证书登录。

六、所以到底谁养谁

短期看是人养虾:你出 GPU、出 Token、出运维时间。但虾一旦接进 IM、接上工具、记住上下文,它就开始替你处理消息、检索信息、执行流程——这部分价值是真实回流到人身上的。真正的分水岭不是”养几只虾”,而是每只虾是否被分配了明确的岗位、合适的模型和可控的预算。养三只不说话的虾,不如把一只大傻调到够用、可控、能持续跑下去。