看不懂？让小龙虾帮你快速落地：
本文及本站大部分openclaw相关文章，都可以让Openclaw agent阅读，然后进行应用，参考Prompt如下：
请阅读这篇文章：https://www.aiec.fun/%e6%89%93%e9%80%a0%e4%b8%93%e5%b1%9e%e5%b7%a5%e4%bd%9c%e5%a4%a7%e8%84%91%ef%bc%9a%e8%ae%a9openclaw%e4%bc%98%e5%85%88%e4%bd%bf%e7%94%a8%e4%bd%a0%e7%9a%84%e7%a7%81%e6%9c%89%e5%b7%a5%e4%bd%9c%e7%9f%a5/
分析有哪些内容，对我们优化工作流程有价值。并严格根据openclaw最新官方文档核对，排除错误及过时信息，制定落地计划。详细方法，参考文章 >>>
作为一名经常使用OpenClaw的Mac用户，相信很多人都有这样的困扰：频繁调用云端大模型，token消耗快、成本高，而一些简单任务其实没必要麻烦云端；但又不想放弃云端模型的强大能力，希望只在特殊任务时启用本地模型。
我自己的设备是MacBook M4芯片、24G内存、376G可用硬盘，经过多次测试，整理出了一套完整的OpenClaw本地大模型配置方案——既不修改默认云端模型，又能在特殊任务时调用本地模型节省token，还能通过飞书直接调用Agents执行任务，全程实操性拉满，小白也能跟着一步步完成。
下面就从模型选型、配置方法、详细安装步骤、飞书集成这几个核心部分，和大家分享我的实操经验，帮大家少踩坑、省成本、提效率。
一、为什么要给OpenClaw配置本地大模型？
在开始实操前，先和大家说下配置本地大模型的核心价值，帮大家理解为什么要花时间做这件事：
- 省token=省成本：
日常简单任务（数据整理、格式转换、内容摘要）用本地模型，能节省70%-90%的云端API费用，尤其适合高频使用OpenClaw的场景。 - 保隐私更安全：
敏感数据（比如工作文档、客户信息）不用上传云端，全程在本地处理，符合合规要求，也更放心。 - 响应更快不卡顿：
本地模型响应是毫秒级，比云端模型（数百毫秒）快很多，操作体验更流畅。 - 灵活不受限：
可以根据任务类型选择合适的模型，简单任务用轻量本地模型，复杂任务用云端模型，兼顾效率和效果。
二、按 MacBook 配置推荐模型
很多人配置本地模型时，最头疼的就是"选什么模型"——选大了内存不够卡顿，选小了满足不了需求。
我的M4 24G内存配置，使用了2个核心模型组合，兼顾性能、实用性和兼容性，还不占用过多存储（3个模型总计仅15GB左右，远低于376G可用硬盘）。
选择理由：24G内存可同时运行1个14B模型+1个7B模型，完全满足多Agent协作需求；Qwen2.5:14B中文能力顶尖，DeepSeek-R1:7B擅长代码，二者互补，覆盖绝大多数使用场景。
三、OpenClaw本地模型完整安装配置步骤
这部分是核心，每一步都有详细命令和注意事项，跟着操作就能完成，全程不踩坑。前置条件：macOS 12.0+（Monterey及以上），已安装OpenClaw（若未安装，步骤1会包含）。
步骤1：安装基础依赖（必做，缺一不可）
基础依赖是本地模型运行的前提，按顺序执行以下命令，每一步执行完成后再进行下一步。
- 安装Xcode命令行工具：
xcode-select --install
弹出安装提示，点击"安装"，输入Mac密码，等待安装完成（约5-10分钟，视网络情况而定）。 - 安装Homebrew（包管理器，已安装的跳过）：
/bin/zsh -c "$(curl -fsSL https://gitee.com/cunkai/HomebrewCN/raw/master/Homebrew.sh)"
执行后，选择"清华源"（推荐，速度快），输入密码，按提示完成安装，安装完成后关闭终端再重新打开。
- 安装Node.js 22+：
brew install node@22
安装完成后，配置环境变量，输入以下2条命令：echo 'export PATH="/usr/local/opt/node@22/bin:$PATH"' >> ~/.zshrcsource ~/.zshrc
验证版本，输入node -v，显示v22.x.x（≥22.0.0）即为成功。 - 安装OpenClaw（若未安装，已安装的跳过）：
npm install -g openclaw
安装完成后，输入openclaw -v，显示版本号即为成功。
步骤2：安装并配置Ollama（本地大模型管理工具）
Ollama是Mac上最适合管理本地大模型的工具，自动优化Metal加速（适配M4芯片），一键安装模型，操作简单。
- 安装Ollama，输入命令：
brew install ollama
自动配置Metal加速，无需手动操作，等待安装完成。
- 启动Ollama服务（后台运行，不影响终端使用）：
ollama serve& 执行后，终端会显示服务启动信息，无需关闭终端，继续下一步即可。 - 拉取推荐的本地模型（按顺序执行，也可只拉取1-2个，优先拉取Qwen2.5:14b）：
ollama pull qwen2.5:14b// 中文主力模型ollama pull deepseek-r1:7b// 代码专用模型ollama pull llama3.3:8b// 通用对话模型 拉取速度取决于网络，
每个模型约4-6GB，耐心等待即可（拉取完成后，终端会提示"success"）。 - 验证模型安装成功，输入命令：
ollama list终端会显示已安装的模型名称，说明安装成功。
步骤3：配置OpenClaw关联Ollama（核心步骤）
这一步是让OpenClaw识别并调用本地模型，按以下步骤操作，全程交互式配置，无需手动修改复杂文件。
- 启动OpenClaw配置向导，输入命令：
openclaw onboard - 配置向导关键步骤（按提示操作，直接回车默认即可，重点看标注）：
- Step 1: 选择模型后端 → 用方向键选择「Ollama (Local)」，回车确认；
- Step 2: 输入Ollama地址 → 默认http://localhost:11434，直接回车；
- Step 3: 选择默认模型 → 用方向键选择你刚才拉取的模型（如qwen2.5:14b），回车；
- Step 4: 设置API Key → 云端模型才需要，本地模型直接回车跳过；
- Step 5: 完成配置 → 记住生成的访问令牌（后续飞书集成可能用到），回车退出。
- 手动优化配置（可选，但推荐，提升稳定性）：
输入命令打开OpenClaw主配置文件：code ~/.openclaw/openclaw.json
将配置文件内容替换为以下代码（保留默认云端模型，关联本地模型）：
{
"auth": {
"profiles": {
"ollama:default": {
"provider": "ollama",
"mode": "none" // Ollama无需API Key，设为none
}
}
},
"gateway": {
"mode": "hybrid", // 混合模式：本地+云端
"default_model": "gpt-4o" // 保持默认云端模型
},
"agents": {
"defaults": {
"model": {
"primary": "gpt-4o", // 普通任务用云端模型
"fallback": ["ollama:qwen2.5:14b"] // 云端模型失效时，用本地模型兜底
}
},
"specialized": {
"local-task-agent": {
"model": {
"primary": "ollama:qwen2.5:14b",
"fallback": ["ollama:deepseek-r1:7b"]
}
}
}
}
}保存文件，输入命令重启OpenClaw服务，使配置生效： openclaw gateway restart
步骤4：最终验证（确保本地模型能正常调用）
完成所有配置后，最后验证一次，确保本地模型能正常被OpenClaw调用：
- 启动OpenClaw网关服务，输入命令：
openclaw gateway start - 调用本地模型测试，输入命令：
openclaw prompt "用本地模型帮我写一段产品摘要" --agent local-task-agent
若能快速返回响应，且终端输入ollama ps能看到运行的模型，说明配置成功。 - 测试默认云端模型，输入命令：
openclaw prompt "用默认模型帮我写一段产品摘要"能返回云端模型响应，说明默认云端模型未被修改，实现了"特殊任务用本地，普通任务用云端"。
四、如何同时使用云端模型和本地模型
很多人担心配置本地模型会影响默认云端模型的使用，其实完全不用怕。我们可以保持默认模型为云端（比如GPT-4o），只给特殊任务的Agent配置本地模型，实现"普通任务用云端，特殊任务用本地"的灵活模式。推荐2种简单易操作的方案，优先选方案1（Agent专属配置），小白也能快速上手。
方案1：父子 Agent 协同模式
这是最符合 OpenClaw 设计哲学的做法。你不需要去强行改变一个 Agent 的内核，而是通过任务委派来实现。
- 定义两个 Agent：
data-analyst（主 Agent）：配置为云端大模型，负责任务调度、日常沟通和简单分析。local-reasoner（子 Agent）：配置为本地deepseek-r1:7b，专门负责高难度推理或本地计算。
- 实现逻辑： 在
data-analyst的指令（System Prompt）中加入逻辑："当你判断任务涉及复杂的逻辑推理、长链条数学计算或需要深度思考时，请将该子任务下发给local-reasoner处理，并整合其输出。"
这样，你只需对 data-analyst 下令，它会根据任务难度自动决定是否"召唤"本地模型。
方案2：临时切换模型
如果只是偶尔需要用本地模型，无需修改配置，执行任务时加一个参数即可临时指定本地模型，重启OpenClaw后失效，不影响默认设置：
openclaw prompt "这里输入你的任务（如：整理这份数据）" --model ollama:qwen2.5:14b配置验证步骤（必做）
配置完成后，一定要验证是否生效，避免后续踩坑：
- 输入
ollama ps，确认Ollama服务正常运行（显示"no models are running"或已启动的模型）。 - 输入
openclaw prompt "本地模型测试"，默认调用云端模型，查看响应结果。
方案3：通过 Workflow（工作流）指定节点模型
如果你执行的任务是标准化的 SOP（例如：每日电商数据复盘），你可以使用 OpenClaw 的 Workflow 功能。在工作流的 YAML 配置文件中，你可以为不同的步骤（Task）指定不同的模型。
# workflow_example.yaml
tasks:
- name: "fetch_data"
agent: "data-analyst"
# 此步骤默认使用全局配置（云端）
action: "get_yesterday_sales_report"
- name: "deep_analysis"
agent: "data-analyst"
# 局部覆盖：仅在此步骤强制使用本地模型
llm_config:
model: "deepseek-r1:7b"
base_url: "http://localhost:11434/v1"
api_key: "ollama"
action: "analyze_competitor_pricing_logic"这种方式不需要修改 Agent 的默认属性，而是在任务定义层级进行重写。它非常适合你提到的"执行特定任务时临时调用"的需求。
方案4：开发一个"本地推理"Skill（技能）
可以为 Agent 编写一个专用的 Skill（通常是一个 Python 脚本），这个 Skill 的唯一功能就是将提示词发送给本地的 Ollama 接口。
- 编写 Skill：创建一个
ollama_chat技能，通过requests库调用http://localhost:11434/api/chat。 - 赋予 Agent：在
data-analyst的skills列表中加入这个技能。 - 调用方式： 当你在对话中要求："请使用本地模型分析这段代码"，Agent 会识别出这是一个需要调用
ollama_chat技能的行为，从而实现模型切换。
五、总结与避坑指南
到这里，MacBook M4 24G配置OpenClaw本地大模型的全流程就完成了，核心总结如下：
- 模型选型：优先安装Qwen2.5:14b+DeepSeek-R1:7b，覆盖中文、代码场景，适配24G内存；
- 调用策略：保持默认云端模型，给特殊任务创建专属Agent，或通过工作流指定、本地推理Skills等方式，仅在需要时调用本地模型，省token不影响体验；
- 飞书集成：配置完成后，可通过飞书机器人直接调用Agents，不用打开终端，提升办公效率。
避坑提醒：
- 安装依赖时，若提示"权限不足"，在命令前加sudo（如sudo brew install ollama），输入密码即可；
- Ollama服务启动失败，输入
lsof -i :11434查看端口占用，关闭占用进程后重新启动； - 本地模型响应慢，关闭其他占用内存的应用（如Xcode、浏览器），确保内存充足。
按照以上步骤操作，你也能轻松实现OpenClaw本地模型与云端模型的灵活切换，既节省token成本，又提升使用效率，适合高频使用OpenClaw的小伙伴。如果在操作过程中遇到问题，欢迎在评论区留言交流～