如果你最近逛技术社区多少都会刷到 OpenClaw 这个名字。它跟 Claude Code、Codex CLI 属于同一类东西——一个跑在终端里的 AI 编程与执行助手你敲一段自然语言指令它能在你的命令行环境里帮你写代码、跑命令、读日志、改配置。和很多把 AI 放在网页聊天框里的工具相比OpenClaw 最大的特点是交出了“操作权”它不仅能回答问题还能直接在你的机器上执行命令。这篇东西不是官方文档的纯翻译更像是我自己从安装、初始化到日常高频使用整理出来的一份“命令参考 踩坑记录”。文章里所有命令都尽量按“命令 / 作用 / 说明”这种结构给出装完之后可以直接对着敲。如果你刚接触这类终端 AI 工具建议先看第一部分搞清楚它到底是干什么的再去看命令否则容易一头雾水。下面直接开始。1. OpenClaw 是什么先想清楚再装1.1 它和普通对话式 AI 到底差在哪很多人第一次打开 OpenClaw 交互界面时会有点不适没有漂亮的网页聊天框就是一个终端窗口光标在等你的指令。这恰恰是它的核心设计思路——AI 不再只是一问一答的“智囊团”而是直接参与工作流的“执行者”。你告诉它“帮我分析一下项目里哪个函数调用次数最多”它会自己翻代码然后跑一段分析命令再把结果整理给你。这种交互方式能成立的底层逻辑是“工具调用Tool Use”。传统聊天 AI 只能基于已有知识回答而 OpenClaw 被允许调用一组工具读取文件、执行命令、搜索目录、修改代码。打个不精确的比方网页聊天 AI 像请人指路OpenClaw 则更像把车钥匙交给一个靠谱的朋友让他直接帮你开到目的地前提是你设好了权限和路线。也正因为它能直接操作系统权限、安全、可追溯这些概念就变得很重要。OpenClaw 在执行危险操作前通常会有确认机制这个细节后面专门讲。1.2 什么人适合用命令行版 AI 助手先说结论OpenClaw 不是给所有人的工具。如果你日常工作已经被 IDE 里的 AI 插件覆盖得很好聊天窗口用得也顺手那不一定非要迁移到终端来。但如果你是这几类人很值得试一试程序员尤其是后端、脚本、自动化相关天天跟终端打交道顺手就能把 AI 接进现有工作流。运维和 DevOps 工程师需要快速查日志、看服务状态、批量处理文件OpenClaw 能直接在这些操作上帮上忙。喜欢研究新工具、愿意折腾配置的技术爱好者OpenClaw 的部署、模型接入和技能系统本身就有极强的可玩性。反过来如果你只是想要一个随叫随到的问答机器人对命令行不熟也不想学终端操作那 OpenClaw 的学习成本对你来说就不划算。终端 AI 工具的上手曲线主要不在安装而在“你是否有用命令表达需求”的思维习惯。2. 安装与初始化命令从零到能跑2.1 安装、版本与帮助信息OpenClaw 的安装方式和很多现代 CLI 工具一样支持包管理器安装和官方脚本安装。以我在 Linux 服务器和 Windows 上折腾的经验最快的方式是看官方 README 里的安装命令。装完第一件事不是急着跑而是先看版本和帮助openclaw --version openclaw --help这两条命令恐怕是我用得最多的“元命令”。我建议你把openclaw --help的输出存个截图或者保存到本地文件因为不同版本之间的子命令可能会有细微差别以你当前版本的帮助信息为准永远是最稳妥的做法。如果你发现某个命令敲进去提示 unknown command多半不是你的问题而是版本差异回到--help里查就行。如果帮助信息里能看到install、init、config、skill、doctor这些常见子命令说明这个版本的功能比较完整。顺带一提遇到功能异常时先跑一下openclaw doctor这类诊断命令它会检查环境变量、Node 版本、配置完整性很多莫名问题能直接定位。2.2 初始化与登录让 OpenClaw 认识你的项目安装完成后通常需要初始化。初始化这个动作要做的事情很简单生成默认配置文件、建立会话存储目录、绑定默认模型。不同版本用的初始化命令可能不太一样常见的是init或者setupopenclaw init openclaw config listopenclaw config list是我建议你初始化后立刻执行的命令把当前配置全部看一遍确认默认模型是哪个、API Base 指向哪、密钥文件在哪里。很多人的问题出在这一步安装好了初始化也过了但对话时模型不响应回头看配置才发现 API Key 没填进去。配置类命令要注意的一点OpenClaw 支持通过环境变量、配置文件、命令行参数三种方式传递配置优先级是命令行 环境变量 配置文件。我踩过的一个坑是环境变量里临时设了一个模型参数导致配置文件里怎么改都没效果排查到最后才发现是环境变量在捣乱。所以当你改配置发现“没生效”先检查是不是有环境变量覆盖了。2.3 Windows 安装与 Companion 配置Windows 上安装 OpenClaw 的路径和 Linux 不太一样很多新手卡在“OpenClaw Windows Companion 怎么配置”这一步。这里先说清一个背景Windows 的权限模型、路径规则和进程管理与 Linux 差异巨大OpenClaw 跑 Windows 版本时往往需要搭配一个叫 Companion 的组件来桥接操作系统的权限和文件访问。我第一次在 Windows 上装完 OpenClaw也遇到了 Companion 连不上的问题。查了半天发现核心原因就三个版本不匹配。OpenClaw 主程序版本和 Companion 版本对不上握手失败。解决办法是先升级 OpenClaw再重新安装匹配版本的 Companion。端口没放开。Companion 会在本机监听一个端口防火墙拦截后从主程序看就是“连接被拒绝”。这时候去防火墙里放行对应端口就行。Windows 的执行策略限制。有些脚本在 PowerShell 下不能直接跑需要以管理员身份启动终端或者修改执行策略。我的建议是Windows 用户把 OpenClaw 装在一个路径里没有中文、没有空格的目录然后以普通用户身份跑通一个最简单的任务再考虑加权限。不要一上来就搞复杂的系统交互很多时候只是目录环境的问题。2.4 安卓 Termux 部署和手机端限制热心网友折腾 OpenClaw 的一个热门方向是“手机版”——在安卓上用 Termux 跑 OpenClaw。思路本身没问题Termux 就是安卓上的 Linux 终端环境能装 Node、Python、Git 等一大堆工具。只要 OpenClaw 是纯 CLI 实现的理论上就能在 Termux 里跑起来。但手机部署有几个客观限制先说清楚免得你白忙活文件隔离。Termux 默认只能访问自己的数据目录要用termux-setup-storage授权才能读到手机内置存储里的文件。资源有限。手机 RAM 和 CPU 和服务器没法比OpenClaw 在手机端跑重任务会明显卡顿适合做轻量操作和“出门在外应急查个东西”。后台限制。安卓系统对后台进程有严格管理Termux 会话一挂后台OpenClaw 可能就被系统回收了。真要长时间运行建议配合termux-wake-lock。手机部署的安装步骤和桌面版基本一致先pkg install nodejs然后用包管理器安装 OpenClaw再openclaw init初始化。区别是手机端模型配置建议优先连远程 API 或者局域网里的 Ollama 服务别指望手机本地跑大模型效果太感人。2.5 升级与卸载的干净姿势再说说容易被忽略的升级和卸载。升级这件事看起来简单但直接覆盖装新版可能留下旧会话和旧配置残留。我习惯先备份配置文件再执行升级命令升级完看一眼--version和config list确认关键配置还在。卸载也是同理。有些人卸载完 OpenClaw又重装发现旧会话、旧日志全回来了这是因为配置目录没被清理。卸载命令只会删主程序文件不会主动删你的个人配置目录。如果你确定不要了可以手动把~/.openclaw之类的目录一起删掉。备份之前先确认里面没有你想留的会话记录别手滑。3. 日常会话与高频交互命令3.1 新建、恢复、切换会话管理你的“记忆空间”OpenClaw 的日常使用核心是会话Session。每条指令、每次执行都会沉淀到当前会话的上下文中。会话管理命令直接决定了你能否高效地和 AI 协作。进入交互模式很简单终端里直接敲openclaw这样会进入一个 REPL 式的对话界面之后的所有指令都在这个会话里进行。你也可以不开交互界面直接传一段任务openclaw 统计一下当前目录下所有Python文件的行数这种一次性调用适合脚本化和自动化场景输出结果后进程就退出不会挂在那里等你继续问。会话恢复是另一个高频操作。关掉终端再打开想接着上次的上下文继续聊就需要恢复会话命令。常见的做法是/resume或openclaw resume具体以版本帮助为准。这里我强烈建议你养成习惯重要任务做完前不要频繁新建会话因为你每次 /exit 再重开上下文就断了OpenClaw 对你的项目背景理解需要重新建立。3.2 会话内四大高频斜杠命令进入交互模式后有一批以斜杠开头的内置命令。这里把最常用的几个整理成表格方便你对照命令作用说明/exit或/bye退出当前会话会保存会话状态下次可以恢复/resume恢复最近一次的会话在没带参数启动时可以从历史会话列表里挑一个继续/status查看当前会话状态显示当前模型、上下文占用、已有技能等信息/model切换模型可以临时用另一个模型处理当前会话适合对比效果/compact压缩上下文上下文太长时把历史对话精炼成摘要节省 token/skills查看技能列表列出当前已启用和可用的技能是扩展 OpenClaw 的关键入口这里面/compact是我最早忽略、后来真香的一个命令。长时间对话后上下文会越来越长超过模型窗口后不是报错就是效果变差让 OpenClaw 自己把历史压缩成摘要再继续相当于给会话“减肥”。不过压缩会丢失一些细节重要信息最好在压缩前让它先存档到文件里这个习惯很重要。/model同样实用。本地 Ollama 跑一个小模型日常够用遇到复杂重构时临时切到 API 上的大模型一个会话里就能完成“轻量问答”和“重量级代码生成”两种任务的切换不必重启会话。3.3 让 OpenClaw 替你执行终端命令的权限逻辑OpenClaw 最核心、也是风险最高的能力就是执行终端命令。它要跑命令之前一般会经过权限确认。这里我不去逐字描述界面文案只讲清逻辑默认情况下OpenClaw 会检查命令本身的风险级别和当前目录的信任状态。如果你在项目目录里授权过一次后续同类命令就会放行如果命令涉及删除、覆盖、全盘扫描、系统配置变更这类高风险动作它会停下来等你确认。我的实操建议是只对项目目录授权。让 OpenClaw 在一个明确的、低风险的目录里执行操作不要稀里糊涂地给整个用户目录或根目录授权。高危命令一定人工确认。比如rm -rf、dd、chmod -R这类不管它怎么保证没问题先看一遍再放行。用git diff检查改动。让 OpenClaw 改完代码后先让它跑git diff给你看确认改动符合预期再决定要不要接受。权限配置一般集中在config里有一个“允许自动执行的命令模式”之类的配置项。我的建议是默认保守一些宁可多确认几次不要为了省事把所有权限全部放开。OpenClaw 的能力边界最终是用户自己划定的这个责任没法外包给 AI。3.4 任务队列与并行执行如果你熟悉 shell自然会产生一个念头能不能让它同时跑多个任务答案是可以但要注意方式。OpenClaw 支持多条指示并发处理有些任务之间没有依赖确实可以并行显著提升效率。但并行执行有一个副作用多个任务同时读上下文可能导致上下文污染任务 A 的结果跑到任务 B 里去了。我更推荐的做法是分两类处理相互独立的简单任务可以并行发现上下文串了立刻/exit重开会话有依赖关系的任务老老实实按顺序排队避免出问题后反而更浪费时间。还有一种模式是在一个任务里用串联命令让 OpenClaw 连跑一串 git 操作或测试命令这种一次性脚本式的写法也省心。4. Skills 技能系统与自定义命令扩展4.1 技能列表、开关和状态查看Skills 是 OpenClaw 体系里让我最兴奋的部分。简单说技能就是一组预设的指令模板和脚本让 OpenClaw 针对特定场景具备“专业知识”。比如你可以给它一个“代码审查”技能它看到代码时就按指定的检查清单逐项审视或者给它一个“日志分析”技能它拿到日志文件就知道先用哪些命令提取关键词。技能相关的高频命令基本围绕“查看、启用、禁用”展开openclaw skill list openclaw skill enable name openclaw skill disable name在交互界面里/skills命令也能完成类似操作还能顺带看到每个技能的说明和适用场景。我强烈建议你把默认仓库里的技能全看一遍很多你以为是“功能缺失”的问题其实只是没启用对应技能。比如让 OpenClaw 读 PDF、分析 Markdown 文档结构、跑数据库查询这些在很多版本里都对应着现成技能。4.2 自定义技能怎么写目录结构与一个知识库实例自定义技能并不复杂核心是一个 SKILL.md 文件和可选的脚本目录。以我建过一个“本地知识库问答”技能为例目录结构大概是这样的~/.openclaw/skills/knowledge-base/ ├── SKILL.md └── scripts/ └── search.shSKILL.md 里面写清楚技能的名字、描述、使用场景、触发方式还有提示词模板。描述写得好不好直接决定 OpenClaw 会不会在合适的场景主动调用这个技能。我第一版技能描述写得太抽象“用于知识库搜索”结果 OpenClaw 经常无视它。改成“当用户提到项目文档、知识库、特定资料目录时使用这个技能搜索并提供原始路径”触发率立刻上来了。scripts 目录里放实际执行的脚本。我的知识库检索脚本本质上就是grepfind的组合把特定目录里的文本文件扫一遍输出命中片段和文件路径。后来我用 Python 做了个简单的关键词权重排序效果更好一些但原理没变技能的本质是“把检索逻辑封装成固定动作”。技能写好后用openclaw skill list能看到它启用之后就能在会话里触发。这里要强调技能里涉及到的路径、权限、依赖脚本都必须在测试环境先跑通一遍。别指望 OpenClaw 能自动修复技能的运行时错误它能在运行时发现问题并报告已经很不错了。4.3 技能生效的常见坑技能不生效是群里反馈最集中的问题之一。我遇到的典型场景和原因有这么几类描述与触发场景不匹配。技能描述写得太窄用户问法稍微变一下OpenClaw 就不认为该用这个技能。目录位置不对。有些版本要求技能放在项目目录的.openclaw/skills下而不是全局目录放错位置自然识别不到。脚本权限没执行位。Linux 环境下scripts/search.sh没有chmod xOpenClaw 执行脚本时直接 permission denied。SKILL.md 格式不对。字段名拼错或 YAML 缩进有问题技能加载时静默失败在--help或诊断命令里也未必报错。排查技能问题我的建议是三步走先确认技能在skill list里看得到再检查描述文本是否覆盖了你的提问方式最后手动跑一遍技能里的脚本确认纯脚本层面没有错误。三步走完绝大多数问题都能定位到。5. 算力与模型接入别被“只能用 API”带偏5.1 远程 API 模型接入模型接入是 OpenClaw 配置里的重头戏。很多人看到“API”就先入为主觉得麻烦其实流程很固定拿到模型服务的 API Key在配置文件或环境变量里填好地址和模型名然后openclaw init或者重启会话让配置生效。远程 API 的好处是模型能力上限高、响应速度稳定、不占本地资源。缺点是流量成本、隐私顾虑——你的代码片段和日志内容会发送到服务端处理。对开源项目和公开代码没什么问题涉密项目就得斟酌了。5.2 本地模型 Ollama 接入算力不迷信 API热搜里有个问题非常典型“OpenClaw 只能用接入 API 的方式使用算力吗”答案是否定的。OpenClaw 完全可以接入本地模型服务最常见的方案就是 Ollama。我的操作流程是这样的ollama serve ollama pull qwen2.5-coder:7b然后进入 OpenClaw 的配置把模型地址指向http://localhost:11434模型名改成qwen2.5-coder:7b保存后重启会话。OpenClaw 就能直接和本地模型对话了。接入本地模型后“算力”这个概念就变得很实在本地跑模型占用的是你的 CPU/GPU 和内存不消耗外部 API 额度也不会有数据传输出去隐私上放心很多。代价是模型参数规模小复杂任务的能力上限明显低于顶级 API 模型。我的实测感受是如果任务集中在写代码、读日志、文件整理这类结构化操作7B 乃至更小的模型完全够用而且没有 API 速率限制批量处理时反而更稳定。一旦进入深度的代码重构、复杂逻辑推理、多步骤方案设计本地模型就会露怯这时候切到远程大模型更靠谱。所以理想配置是“本地模型 API模型”双轨并行靠/model命令来回切换。5.3 模型配置参数的经验模型接入相关的配置项最核心的就三个模型服务地址、API Key、模型名称。除此之外上下窗口长度也是关键参数直接影响会话能容纳多少历史内容。我踩过的坑是模型服务支持 128K 上下文但 OpenClaw 配置文件里只写了 8K导致 OpenClaw 早早触发/compact浪费了很多上下文空间。模型能力几斤几两配置时最好先查清楚。还有一个容易忽略的参数是“请求超时时间”。本地模型如果跑在小机器上一个长任务的生成时间可能超过默认超时OpenClaw 会报超时错误。这时候不是模型坏了而是超时时间设置太短调大一些就好。6. 常见问题排查与避坑速查6.1 问题排查速查表把我在实际使用中遇到的高频问题整理成一个速查表方便你直接对号入座现象常见原因解决思路初始化后无响应API Key 没配或配错openclaw config list检查配置确认 Key 与环境变量会话恢复后少了上文之前执行过压缩或会话被清理重要信息让它落盘到文件别只依赖上下文技能长期不触发技能描述写得太窄扩展描述覆盖更多提问场景多写几个触发词命令执行常被换行中断Windows 路径或换行符问题确保目录无中文空格优先用 Linux/容器环境本地模型响应很慢模型太大或没走 GPU换小参数模型检查 Ollama 是否启用了 GPU 加速执行的任务结果串了并行任务上下文相互污染分会话处理或者改成串行执行卸载重装后旧会话还在配置目录未清理手动删除个人配置目录后再重装Windows Companion 连接失败版本不匹配或端口被防火墙拦截升级到匹配版本放行对应端口6.2 Windows 下命令闪退与 Companion 连不上的排查Windows 命令闪退是非常典型的用户问题我在 2.3 节提过一层这里再展开说。闪退通常不是你操作错误而是运行环境不完整。最常见的三个原因PATH 里缺少 Node.js 环境。OpenClaw 依赖 Node 运行时如果从别的终端能启动从你的终端启动就闪退先查node --version确认。版本兼容问题。Windows 上 OpenClaw 和 Companion 的版本需要匹配一个太新一个太旧就会闪退。把两边都升级到最新版再重新启动。权限问题。某些目录需要管理员权限才能写入启动时直接报错退出。用管理员身份跑一次如果把问题解决了后面再把目录权限配好。Companion 连接失败还有一种隐蔽情况端口被占用。Companion 默认监听固定端口如果电脑上其他程序抢先占用了这个端口连接必然失败。排查方法是用netstat -ano | findstr 端口找到占用进程关掉冲突进程或者修改 Companion 配置换一个端口。6.3 Shell 环境被弄乱的判断方法热搜里有一条“top 命令被改变 怎么办”虽然不是 OpenClaw 特有的问题但用终端 AI 工具的人多多少少会遇到 shell 环境异常。判断思路很简单先看命令是否真的被替换了还是路径被劫持。运行type -a top command -v top echo $PATH如果type显示的路径奇怪或者 PATH 里有异常目录大概率是 shell 配置文件里被加了 alias 或 PATH 注入。先检查~/.bashrc、~/.zshrc里的 alias 和 export把可疑行删掉再开新终端验证。这里也帮 OpenClaw 澄清一句它不会主动改你的系统命令除非你明确授权让它去改。如果你发现命令行为异常先怀疑自己之前是不是执行过什么来源不明的脚本或者不小心采纳了 AI 给出的“改 PATH/alias”建议。用终端 AI 工具时很好的一条原则是它给你的每条修改命令都先看懂再执行看不懂就不执行。6.4 关于 WorkBuddy 与 OpenClaw 生态的一个观察热搜里有人问“WorkBuddy 这种是不是参考了 OpenClaw 才搞出来的时间对得上吗”这类问题我见过很多背后的情绪是好奇工具之间的“血缘关系”。客观来说2024 年到 2025 年这波终端 AI Agent 工具的集中爆发几乎是所有主流产品站在同一个浪潮上互相借鉴是常态。你问 OpenClaw 和 Claude Code、Codex CLI 之间有没有互相参考我想任何从业者都会坦诚地说一定有。但作为使用者我有个更实在的建议与其纠结谁先谁后不如关注三条更本质的维度——能不能帮你完成真实任务、权限模型安不安全、技能生态扩展性强不强。OpenClaw 的 Skills 机制和终端命令执行边界设计得比较清晰这一点让它成为我日常主力工具之一。工具之间的“借鉴”从来不是问题用得顺手、维护得当才是真的生产力。从我个人的角度看OpenClaw 最让人服气的一点是它把复杂能力封装成了足够简单的命令。你不用懂模型调用细节不用懂 Agent 框架原理记住几个常见命令就能开始干活。而真正值得投入时间去学习的不是命令列表本身是你自己的工作流什么该交给它、什么必须自己确认、什么时候该切模型、什么时候该开新会话。这些边界感才是在终端 AI 时代用好工具的核心能力。 
长河君 · 2026/10/8 9:20:07 · 阅读 1.2k OpenClaw 终端 AI 助手完全指南：安装、命令、技能与本地模型接入
如果你最近逛技术社区多少都会刷到 OpenClaw 这个名字。它跟 Claude Code、Codex CLI 属于同一类东西——一个跑在终端里的 AI 编程与执行助手你敲一段自然语言指令它能在你的命令行环境里帮你写代码、跑命令、读日志、改配置。和很多把 AI 放在网页聊天框里的工具相比OpenClaw 最大的特点是交出了“操作权”它不仅能回答问题还能直接在你的机器上执行命令。这篇东西不是官方文档的纯翻译更像是我自己从安装、初始化到日常高频使用整理出来的一份“命令参考 踩坑记录”。文章里所有命令都尽量按“命令 / 作用 / 说明”这种结构给出装完之后可以直接对着敲。如果你刚接触这类终端 AI 工具建议先看第一部分搞清楚它到底是干什么的再去看命令否则容易一头雾水。下面直接开始。1. OpenClaw 是什么先想清楚再装1.1 它和普通对话式 AI 到底差在哪很多人第一次打开 OpenClaw 交互界面时会有点不适没有漂亮的网页聊天框就是一个终端窗口光标在等你的指令。这恰恰是它的核心设计思路——AI 不再只是一问一答的“智囊团”而是直接参与工作流的“执行者”。你告诉它“帮我分析一下项目里哪个函数调用次数最多”它会自己翻代码然后跑一段分析命令再把结果整理给你。这种交互方式能成立的底层逻辑是“工具调用Tool Use”。传统聊天 AI 只能基于已有知识回答而 OpenClaw 被允许调用一组工具读取文件、执行命令、搜索目录、修改代码。打个不精确的比方网页聊天 AI 像请人指路OpenClaw 则更像把车钥匙交给一个靠谱的朋友让他直接帮你开到目的地前提是你设好了权限和路线。也正因为它能直接操作系统权限、安全、可追溯这些概念就变得很重要。OpenClaw 在执行危险操作前通常会有确认机制这个细节后面专门讲。1.2 什么人适合用命令行版 AI 助手先说结论OpenClaw 不是给所有人的工具。如果你日常工作已经被 IDE 里的 AI 插件覆盖得很好聊天窗口用得也顺手那不一定非要迁移到终端来。但如果你是这几类人很值得试一试程序员尤其是后端、脚本、自动化相关天天跟终端打交道顺手就能把 AI 接进现有工作流。运维和 DevOps 工程师需要快速查日志、看服务状态、批量处理文件OpenClaw 能直接在这些操作上帮上忙。喜欢研究新工具、愿意折腾配置的技术爱好者OpenClaw 的部署、模型接入和技能系统本身就有极强的可玩性。反过来如果你只是想要一个随叫随到的问答机器人对命令行不熟也不想学终端操作那 OpenClaw 的学习成本对你来说就不划算。终端 AI 工具的上手曲线主要不在安装而在“你是否有用命令表达需求”的思维习惯。2. 安装与初始化命令从零到能跑2.1 安装、版本与帮助信息OpenClaw 的安装方式和很多现代 CLI 工具一样支持包管理器安装和官方脚本安装。以我在 Linux 服务器和 Windows 上折腾的经验最快的方式是看官方 README 里的安装命令。装完第一件事不是急着跑而是先看版本和帮助openclaw --version openclaw --help这两条命令恐怕是我用得最多的“元命令”。我建议你把openclaw --help的输出存个截图或者保存到本地文件因为不同版本之间的子命令可能会有细微差别以你当前版本的帮助信息为准永远是最稳妥的做法。如果你发现某个命令敲进去提示 unknown command多半不是你的问题而是版本差异回到--help里查就行。如果帮助信息里能看到install、init、config、skill、doctor这些常见子命令说明这个版本的功能比较完整。顺带一提遇到功能异常时先跑一下openclaw doctor这类诊断命令它会检查环境变量、Node 版本、配置完整性很多莫名问题能直接定位。2.2 初始化与登录让 OpenClaw 认识你的项目安装完成后通常需要初始化。初始化这个动作要做的事情很简单生成默认配置文件、建立会话存储目录、绑定默认模型。不同版本用的初始化命令可能不太一样常见的是init或者setupopenclaw init openclaw config listopenclaw config list是我建议你初始化后立刻执行的命令把当前配置全部看一遍确认默认模型是哪个、API Base 指向哪、密钥文件在哪里。很多人的问题出在这一步安装好了初始化也过了但对话时模型不响应回头看配置才发现 API Key 没填进去。配置类命令要注意的一点OpenClaw 支持通过环境变量、配置文件、命令行参数三种方式传递配置优先级是命令行 环境变量 配置文件。我踩过的一个坑是环境变量里临时设了一个模型参数导致配置文件里怎么改都没效果排查到最后才发现是环境变量在捣乱。所以当你改配置发现“没生效”先检查是不是有环境变量覆盖了。2.3 Windows 安装与 Companion 配置Windows 上安装 OpenClaw 的路径和 Linux 不太一样很多新手卡在“OpenClaw Windows Companion 怎么配置”这一步。这里先说清一个背景Windows 的权限模型、路径规则和进程管理与 Linux 差异巨大OpenClaw 跑 Windows 版本时往往需要搭配一个叫 Companion 的组件来桥接操作系统的权限和文件访问。我第一次在 Windows 上装完 OpenClaw也遇到了 Companion 连不上的问题。查了半天发现核心原因就三个版本不匹配。OpenClaw 主程序版本和 Companion 版本对不上握手失败。解决办法是先升级 OpenClaw再重新安装匹配版本的 Companion。端口没放开。Companion 会在本机监听一个端口防火墙拦截后从主程序看就是“连接被拒绝”。这时候去防火墙里放行对应端口就行。Windows 的执行策略限制。有些脚本在 PowerShell 下不能直接跑需要以管理员身份启动终端或者修改执行策略。我的建议是Windows 用户把 OpenClaw 装在一个路径里没有中文、没有空格的目录然后以普通用户身份跑通一个最简单的任务再考虑加权限。不要一上来就搞复杂的系统交互很多时候只是目录环境的问题。2.4 安卓 Termux 部署和手机端限制热心网友折腾 OpenClaw 的一个热门方向是“手机版”——在安卓上用 Termux 跑 OpenClaw。思路本身没问题Termux 就是安卓上的 Linux 终端环境能装 Node、Python、Git 等一大堆工具。只要 OpenClaw 是纯 CLI 实现的理论上就能在 Termux 里跑起来。但手机部署有几个客观限制先说清楚免得你白忙活文件隔离。Termux 默认只能访问自己的数据目录要用termux-setup-storage授权才能读到手机内置存储里的文件。资源有限。手机 RAM 和 CPU 和服务器没法比OpenClaw 在手机端跑重任务会明显卡顿适合做轻量操作和“出门在外应急查个东西”。后台限制。安卓系统对后台进程有严格管理Termux 会话一挂后台OpenClaw 可能就被系统回收了。真要长时间运行建议配合termux-wake-lock。手机部署的安装步骤和桌面版基本一致先pkg install nodejs然后用包管理器安装 OpenClaw再openclaw init初始化。区别是手机端模型配置建议优先连远程 API 或者局域网里的 Ollama 服务别指望手机本地跑大模型效果太感人。2.5 升级与卸载的干净姿势再说说容易被忽略的升级和卸载。升级这件事看起来简单但直接覆盖装新版可能留下旧会话和旧配置残留。我习惯先备份配置文件再执行升级命令升级完看一眼--version和config list确认关键配置还在。卸载也是同理。有些人卸载完 OpenClaw又重装发现旧会话、旧日志全回来了这是因为配置目录没被清理。卸载命令只会删主程序文件不会主动删你的个人配置目录。如果你确定不要了可以手动把~/.openclaw之类的目录一起删掉。备份之前先确认里面没有你想留的会话记录别手滑。3. 日常会话与高频交互命令3.1 新建、恢复、切换会话管理你的“记忆空间”OpenClaw 的日常使用核心是会话Session。每条指令、每次执行都会沉淀到当前会话的上下文中。会话管理命令直接决定了你能否高效地和 AI 协作。进入交互模式很简单终端里直接敲openclaw这样会进入一个 REPL 式的对话界面之后的所有指令都在这个会话里进行。你也可以不开交互界面直接传一段任务openclaw 统计一下当前目录下所有Python文件的行数这种一次性调用适合脚本化和自动化场景输出结果后进程就退出不会挂在那里等你继续问。会话恢复是另一个高频操作。关掉终端再打开想接着上次的上下文继续聊就需要恢复会话命令。常见的做法是/resume或openclaw resume具体以版本帮助为准。这里我强烈建议你养成习惯重要任务做完前不要频繁新建会话因为你每次 /exit 再重开上下文就断了OpenClaw 对你的项目背景理解需要重新建立。3.2 会话内四大高频斜杠命令进入交互模式后有一批以斜杠开头的内置命令。这里把最常用的几个整理成表格方便你对照命令作用说明/exit或/bye退出当前会话会保存会话状态下次可以恢复/resume恢复最近一次的会话在没带参数启动时可以从历史会话列表里挑一个继续/status查看当前会话状态显示当前模型、上下文占用、已有技能等信息/model切换模型可以临时用另一个模型处理当前会话适合对比效果/compact压缩上下文上下文太长时把历史对话精炼成摘要节省 token/skills查看技能列表列出当前已启用和可用的技能是扩展 OpenClaw 的关键入口这里面/compact是我最早忽略、后来真香的一个命令。长时间对话后上下文会越来越长超过模型窗口后不是报错就是效果变差让 OpenClaw 自己把历史压缩成摘要再继续相当于给会话“减肥”。不过压缩会丢失一些细节重要信息最好在压缩前让它先存档到文件里这个习惯很重要。/model同样实用。本地 Ollama 跑一个小模型日常够用遇到复杂重构时临时切到 API 上的大模型一个会话里就能完成“轻量问答”和“重量级代码生成”两种任务的切换不必重启会话。3.3 让 OpenClaw 替你执行终端命令的权限逻辑OpenClaw 最核心、也是风险最高的能力就是执行终端命令。它要跑命令之前一般会经过权限确认。这里我不去逐字描述界面文案只讲清逻辑默认情况下OpenClaw 会检查命令本身的风险级别和当前目录的信任状态。如果你在项目目录里授权过一次后续同类命令就会放行如果命令涉及删除、覆盖、全盘扫描、系统配置变更这类高风险动作它会停下来等你确认。我的实操建议是只对项目目录授权。让 OpenClaw 在一个明确的、低风险的目录里执行操作不要稀里糊涂地给整个用户目录或根目录授权。高危命令一定人工确认。比如rm -rf、dd、chmod -R这类不管它怎么保证没问题先看一遍再放行。用git diff检查改动。让 OpenClaw 改完代码后先让它跑git diff给你看确认改动符合预期再决定要不要接受。权限配置一般集中在config里有一个“允许自动执行的命令模式”之类的配置项。我的建议是默认保守一些宁可多确认几次不要为了省事把所有权限全部放开。OpenClaw 的能力边界最终是用户自己划定的这个责任没法外包给 AI。3.4 任务队列与并行执行如果你熟悉 shell自然会产生一个念头能不能让它同时跑多个任务答案是可以但要注意方式。OpenClaw 支持多条指示并发处理有些任务之间没有依赖确实可以并行显著提升效率。但并行执行有一个副作用多个任务同时读上下文可能导致上下文污染任务 A 的结果跑到任务 B 里去了。我更推荐的做法是分两类处理相互独立的简单任务可以并行发现上下文串了立刻/exit重开会话有依赖关系的任务老老实实按顺序排队避免出问题后反而更浪费时间。还有一种模式是在一个任务里用串联命令让 OpenClaw 连跑一串 git 操作或测试命令这种一次性脚本式的写法也省心。4. Skills 技能系统与自定义命令扩展4.1 技能列表、开关和状态查看Skills 是 OpenClaw 体系里让我最兴奋的部分。简单说技能就是一组预设的指令模板和脚本让 OpenClaw 针对特定场景具备“专业知识”。比如你可以给它一个“代码审查”技能它看到代码时就按指定的检查清单逐项审视或者给它一个“日志分析”技能它拿到日志文件就知道先用哪些命令提取关键词。技能相关的高频命令基本围绕“查看、启用、禁用”展开openclaw skill list openclaw skill enable name openclaw skill disable name在交互界面里/skills命令也能完成类似操作还能顺带看到每个技能的说明和适用场景。我强烈建议你把默认仓库里的技能全看一遍很多你以为是“功能缺失”的问题其实只是没启用对应技能。比如让 OpenClaw 读 PDF、分析 Markdown 文档结构、跑数据库查询这些在很多版本里都对应着现成技能。4.2 自定义技能怎么写目录结构与一个知识库实例自定义技能并不复杂核心是一个 SKILL.md 文件和可选的脚本目录。以我建过一个“本地知识库问答”技能为例目录结构大概是这样的~/.openclaw/skills/knowledge-base/ ├── SKILL.md └── scripts/ └── search.shSKILL.md 里面写清楚技能的名字、描述、使用场景、触发方式还有提示词模板。描述写得好不好直接决定 OpenClaw 会不会在合适的场景主动调用这个技能。我第一版技能描述写得太抽象“用于知识库搜索”结果 OpenClaw 经常无视它。改成“当用户提到项目文档、知识库、特定资料目录时使用这个技能搜索并提供原始路径”触发率立刻上来了。scripts 目录里放实际执行的脚本。我的知识库检索脚本本质上就是grepfind的组合把特定目录里的文本文件扫一遍输出命中片段和文件路径。后来我用 Python 做了个简单的关键词权重排序效果更好一些但原理没变技能的本质是“把检索逻辑封装成固定动作”。技能写好后用openclaw skill list能看到它启用之后就能在会话里触发。这里要强调技能里涉及到的路径、权限、依赖脚本都必须在测试环境先跑通一遍。别指望 OpenClaw 能自动修复技能的运行时错误它能在运行时发现问题并报告已经很不错了。4.3 技能生效的常见坑技能不生效是群里反馈最集中的问题之一。我遇到的典型场景和原因有这么几类描述与触发场景不匹配。技能描述写得太窄用户问法稍微变一下OpenClaw 就不认为该用这个技能。目录位置不对。有些版本要求技能放在项目目录的.openclaw/skills下而不是全局目录放错位置自然识别不到。脚本权限没执行位。Linux 环境下scripts/search.sh没有chmod xOpenClaw 执行脚本时直接 permission denied。SKILL.md 格式不对。字段名拼错或 YAML 缩进有问题技能加载时静默失败在--help或诊断命令里也未必报错。排查技能问题我的建议是三步走先确认技能在skill list里看得到再检查描述文本是否覆盖了你的提问方式最后手动跑一遍技能里的脚本确认纯脚本层面没有错误。三步走完绝大多数问题都能定位到。5. 算力与模型接入别被“只能用 API”带偏5.1 远程 API 模型接入模型接入是 OpenClaw 配置里的重头戏。很多人看到“API”就先入为主觉得麻烦其实流程很固定拿到模型服务的 API Key在配置文件或环境变量里填好地址和模型名然后openclaw init或者重启会话让配置生效。远程 API 的好处是模型能力上限高、响应速度稳定、不占本地资源。缺点是流量成本、隐私顾虑——你的代码片段和日志内容会发送到服务端处理。对开源项目和公开代码没什么问题涉密项目就得斟酌了。5.2 本地模型 Ollama 接入算力不迷信 API热搜里有个问题非常典型“OpenClaw 只能用接入 API 的方式使用算力吗”答案是否定的。OpenClaw 完全可以接入本地模型服务最常见的方案就是 Ollama。我的操作流程是这样的ollama serve ollama pull qwen2.5-coder:7b然后进入 OpenClaw 的配置把模型地址指向http://localhost:11434模型名改成qwen2.5-coder:7b保存后重启会话。OpenClaw 就能直接和本地模型对话了。接入本地模型后“算力”这个概念就变得很实在本地跑模型占用的是你的 CPU/GPU 和内存不消耗外部 API 额度也不会有数据传输出去隐私上放心很多。代价是模型参数规模小复杂任务的能力上限明显低于顶级 API 模型。我的实测感受是如果任务集中在写代码、读日志、文件整理这类结构化操作7B 乃至更小的模型完全够用而且没有 API 速率限制批量处理时反而更稳定。一旦进入深度的代码重构、复杂逻辑推理、多步骤方案设计本地模型就会露怯这时候切到远程大模型更靠谱。所以理想配置是“本地模型 API模型”双轨并行靠/model命令来回切换。5.3 模型配置参数的经验模型接入相关的配置项最核心的就三个模型服务地址、API Key、模型名称。除此之外上下窗口长度也是关键参数直接影响会话能容纳多少历史内容。我踩过的坑是模型服务支持 128K 上下文但 OpenClaw 配置文件里只写了 8K导致 OpenClaw 早早触发/compact浪费了很多上下文空间。模型能力几斤几两配置时最好先查清楚。还有一个容易忽略的参数是“请求超时时间”。本地模型如果跑在小机器上一个长任务的生成时间可能超过默认超时OpenClaw 会报超时错误。这时候不是模型坏了而是超时时间设置太短调大一些就好。6. 常见问题排查与避坑速查6.1 问题排查速查表把我在实际使用中遇到的高频问题整理成一个速查表方便你直接对号入座现象常见原因解决思路初始化后无响应API Key 没配或配错openclaw config list检查配置确认 Key 与环境变量会话恢复后少了上文之前执行过压缩或会话被清理重要信息让它落盘到文件别只依赖上下文技能长期不触发技能描述写得太窄扩展描述覆盖更多提问场景多写几个触发词命令执行常被换行中断Windows 路径或换行符问题确保目录无中文空格优先用 Linux/容器环境本地模型响应很慢模型太大或没走 GPU换小参数模型检查 Ollama 是否启用了 GPU 加速执行的任务结果串了并行任务上下文相互污染分会话处理或者改成串行执行卸载重装后旧会话还在配置目录未清理手动删除个人配置目录后再重装Windows Companion 连接失败版本不匹配或端口被防火墙拦截升级到匹配版本放行对应端口6.2 Windows 下命令闪退与 Companion 连不上的排查Windows 命令闪退是非常典型的用户问题我在 2.3 节提过一层这里再展开说。闪退通常不是你操作错误而是运行环境不完整。最常见的三个原因PATH 里缺少 Node.js 环境。OpenClaw 依赖 Node 运行时如果从别的终端能启动从你的终端启动就闪退先查node --version确认。版本兼容问题。Windows 上 OpenClaw 和 Companion 的版本需要匹配一个太新一个太旧就会闪退。把两边都升级到最新版再重新启动。权限问题。某些目录需要管理员权限才能写入启动时直接报错退出。用管理员身份跑一次如果把问题解决了后面再把目录权限配好。Companion 连接失败还有一种隐蔽情况端口被占用。Companion 默认监听固定端口如果电脑上其他程序抢先占用了这个端口连接必然失败。排查方法是用netstat -ano | findstr 端口找到占用进程关掉冲突进程或者修改 Companion 配置换一个端口。6.3 Shell 环境被弄乱的判断方法热搜里有一条“top 命令被改变 怎么办”虽然不是 OpenClaw 特有的问题但用终端 AI 工具的人多多少少会遇到 shell 环境异常。判断思路很简单先看命令是否真的被替换了还是路径被劫持。运行type -a top command -v top echo $PATH如果type显示的路径奇怪或者 PATH 里有异常目录大概率是 shell 配置文件里被加了 alias 或 PATH 注入。先检查~/.bashrc、~/.zshrc里的 alias 和 export把可疑行删掉再开新终端验证。这里也帮 OpenClaw 澄清一句它不会主动改你的系统命令除非你明确授权让它去改。如果你发现命令行为异常先怀疑自己之前是不是执行过什么来源不明的脚本或者不小心采纳了 AI 给出的“改 PATH/alias”建议。用终端 AI 工具时很好的一条原则是它给你的每条修改命令都先看懂再执行看不懂就不执行。6.4 关于 WorkBuddy 与 OpenClaw 生态的一个观察热搜里有人问“WorkBuddy 这种是不是参考了 OpenClaw 才搞出来的时间对得上吗”这类问题我见过很多背后的情绪是好奇工具之间的“血缘关系”。客观来说2024 年到 2025 年这波终端 AI Agent 工具的集中爆发几乎是所有主流产品站在同一个浪潮上互相借鉴是常态。你问 OpenClaw 和 Claude Code、Codex CLI 之间有没有互相参考我想任何从业者都会坦诚地说一定有。但作为使用者我有个更实在的建议与其纠结谁先谁后不如关注三条更本质的维度——能不能帮你完成真实任务、权限模型安不安全、技能生态扩展性强不强。OpenClaw 的 Skills 机制和终端命令执行边界设计得比较清晰这一点让它成为我日常主力工具之一。工具之间的“借鉴”从来不是问题用得顺手、维护得当才是真的生产力。从我个人的角度看OpenClaw 最让人服气的一点是它把复杂能力封装成了足够简单的命令。你不用懂模型调用细节不用懂 Agent 框架原理记住几个常见命令就能开始干活。而真正值得投入时间去学习的不是命令列表本身是你自己的工作流什么该交给它、什么必须自己确认、什么时候该切模型、什么时候该开新会话。这些边界感才是在终端 AI 时代用好工具的核心能力。