5 分钟！就能拥有完全属于你的开源专属 AI 助手！OpenClaw “小龙虾”，个人开源 AI 神器！Windows、macOS、Linux 全平台都能装，官方方案手把手教学！直接给你配好登顶使用榜的 Kimi K2.5 模型，5 分钟搞定全套安装！装完就有稳定服务网关、配置好的身份验证、开箱即用的聊天界面，到手就能干活的专属 AI，赶紧安排！

安装前准备

系统要求：Windows 10+/macOS 12+/主流Linux发行版（Ubuntu 22.04+推荐）

  • 依赖条件：Node.js ≥ v22（一键脚本会自动安装）、npm/pnpm、Git（源码安装需要）
  • 内存要求：≥ 2GB（推荐 4GB+）
  • 网络环境：需联网下载安装包和依赖
  • 权限要求：Windows需PowerShell管理员权限，Linux/macOS需sudo权限

第一步：安装 OpenClaw（新手入门首选，3分钟完成）

这是官方最推荐的方式，自动检测并安装Node.js和所有依赖，无需手动配置环境

macOS / Linux

需要打开电脑终端软件，输入下面命令等待依赖和openclaw安装，主要依赖为Node JS
curl -fsSL https://openclaw.ai/install.sh | bash
在这里插入图片描述

Windows（PowerShell管理员模式）

  1. 以管理员身份打开PowerShell（开始菜单搜索PowerShell，右键选择"以管理员身份运行"）
  2. 执行以下命令：
    iwr -useb https://openclaw.ai/install.ps1 | iex
  3. 等待脚本自动完成Node.js检测、安装和OpenClaw配置

第二步：入门新手引导（配置模型）

入门向导会引导你完成以下核心设置:

  1. 第一步安装成功后显示下面画面，我们选择 Yes并回车，表示知道风险。可以用键盘方向键左右切换Yes或No
    在这里插入图片描述

  2. 选择快速安装模式 QuickStart 并敲击回车确认
    在这里插入图片描述

  3. 选择Model，这里我们选择OpenClaw创始人推荐的Moonshot AI（Kimi K2.5）进行作为基础模型。
    在这里插入图片描述

Moonshot AI（Kimi K2.5）配置步骤

  1. 中国用户，选择Moonshot AI .cn 接入点
    在这里插入图片描述

  2. 登录Kimi网站获取API Key，访问 https://platform.moonshot.cn/console 点击登录
    在这里插入图片描述

  3. 点击左侧的API Key管理，创建API Key，复制弹出的密钥字符
    在这里插入图片描述

  4. 回到OpenClaw继续配置
    将复制的API Key贴入终端并敲击回车，然后选择Moonshot/Kimi-K2.5模型并敲击回车确认。
    在这里插入图片描述

  5. 选择与OpenClaw聊天的载体，我们可以先跳过，使用tui进行体验。
    在这里插入图片描述

  6. 选择网络搜索提供商，选择Kimi
    在这里插入图片描述

  7. 然后回到Kimi工作台，创建一个搜索专用的API Key
    在这里插入图片描述

  8. 复制Key并粘贴到OpenClaw配置步骤，敲击回车确认
    在这里插入图片描述

  9. 选择你OpenClaw的技能和一些配置，选择Yes
    在这里插入图片描述

  10. 选择你想用的Skill，按回车确认安装所有勾选的Skills
    在这里插入图片描述

  11. Google Places选择No跳过
    在这里插入图片描述

  12. Notion API选择No
    在这里插入图片描述

  13. Open AI语言服务选择No
    在这里插入图片描述

  14. Sag 服务选择No
    在这里插入图片描述

  15. 自动化Hook选择跳过
    在这里插入图片描述

第三步：使用TUI快速体验，开始畅聊

选择TUI并敲击回车
在这里插入图片描述

第四步：查看OpenClaw状态

  1. 连续按两次ctrl + c，先退出TUI
    在这里插入图片描述

  2. 输入 openclaw status 可查看当前状态
    在这里插入图片描述

  3. 输入openclaw gateway status 可查看 gateway状态
    在这里插入图片描述

  4. 输入openclaw tui 可返回 tui继续聊天
    在这里插入图片描述

常见问题及解决方案：未找到OpenClaw

如果安装成功但在终端中找不到 openclaw：
node -v # Node 是否已安装？
npm prefix -g # 全局包位于何处？
echo “$PATH” # 全局二进制目录是否在 PATH 中？

  • 如果未包含在 PATH 中，请将其添加到 shell 启动文件（或）中：(npmprefix−g)/bin(npm prefix -g)/bin(npmprefix−g)/binPATH/.zshrc/.bashrc
    export PATH=“(npmprefix−g)/bin:(npm prefix -g)/bin:(npmprefix−g)/bin:PATH”
    然后打开一个新的终端。

结语

恭喜你！跟着教程一步步操作，已经顺利完成 OpenClaw 的本地部署，成功解锁了这款人气开源 AI 助手的完整能力。现在，属于你的智能数字伙伴已正式上线，尽情畅聊、自由探索，让这只可爱的 “AI 小龙虾” 陪你高效工作、快乐生活，一起发现更多惊喜玩法！

# github # windows # macos
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

【VMD-SSA-LSSVM】基于变分模态分解与麻雀优化Lssvm的负荷预测【多变量】（Matlab代码实现）

本文提出了一种结合变分模态分解（VMD）、麻雀搜索算法（SSA）和最小二乘支持向量机（LSSVM）的多变量负荷预测模型（VMD-SSA-LSSVM）。该模型通过VMD将原始负荷数据分解为不同频率的本征模态函数（IMF），降低数据的复杂性和非平稳性；利用SSA优化LSSVM的核函数参数和正则化参数，提高模型的预测精度；最后将各IMF分量的预测结果叠加，得到最终的负荷预测值。实验结果表明，VMD-SS

avatar AtomGit开源社区

基于密集型复杂城市场景下求解无人机三维路径规划的Q-learning 算法研究（Matlab代码实现）

随着无人机在城市环境中应用的不断拓展，如物流配送、航拍测绘、交通监控等，其三维路径规划问题日益受到关注。密集型复杂城市场景具有障碍物密集、三维空间约束复杂、实时性要求高等特点，传统路径规划算法难以满足需求。Q-learning算法作为一种强化学习方法，具有无需环境模型、通过试错学习等优点，适合应用于此类场景。本文深入研究基于Q-learning算法的无人机三维路径规划方法，通过合理定义状态空间、动

avatar AtomGit开源社区

【水下机器人建模】基于QLearning自适应强化学习PID控制器在AUV中的应用研究（Matlab代码实现）

因此，本文提出了一种基于QLearning自适应强化学习的PID控制器，旨在提高AUV在不确定环境下的控制性能。具体来说，通过QLearning算法优化PID控制器的参数，使其能够适应不同的环境条件并实现更好的控制性能。在仿真实验中，我们将提出的方法与传统的PID控制器进行了对比。结果表明，基于QLearning的自适应PID控制器在不同的海洋环境下都能够实现更好的控制性能，表现出更高的稳定性和鲁

avatar AtomGit开源社区