前言

本文手把手教你把 MimiClaw 部署到 ESP32-S3系列开发板上，并对接国内大模型（以阿里云百炼 Qwen 为例），适合 0 基础小白，部分步骤参考了Mimiclaw 快速体验指南 - 芯电厂和MimiClaw 项目中添加一个新的大语言模型 提供商 - 哔哩哔哩的教程。

目录

  1. 准备工作

  2. 克隆 MimiClaw 仓库

  3. 安装 ESP-IDF 开发环境

  4. 修改配置文件（核心步骤）

  5. 编译烧录

  6. 常见问题

1. 准备工作

需要的硬件

  • ESP32-S3-WROOM-1 开发板

  • USB-C 数据线

  • 电脑（Windows 系统）

需要的软件

  • Git（用于克隆仓库）

  • 阿里云百炼账号（获取 API Key）

  • 飞书机器人（可选，用于和 MimiClaw 对话）

2. 克隆 MimiClaw 仓库

首先，在 D 盘创建一个文件夹（比如 D:\mimiclaw），然后打开 cmd，输入：

cd /d D:\
git clone git@github.com:memovai/mimiclaw.git

克隆完成后，你会看到 D:\mimiclaw 文件夹下有很多文件。

3. 安装 ESP-IDF 开发环境

3.1 下载离线安装包

访问这个链接下载 ESP-IDF 安装管理器和完整离线包： https://dl.espressif.cn/dl/eim/?tab=offline

点击“Download”下载这两个文件：

  • ESP-IDF 安装管理器（ESP-IDF Installation Manager）

  • 完整离线套餐：archive_vv5.5.3_windows-x64.zst

3.2 安装 ESP-IDF

  1. 打开下载好的 ESP-IDF 安装管理器

  2. 点击"从存档安装"（Install from archive）

  3. 选择刚才下载的 archive_vv5.5.3_windows-x64.zst 压缩包

  4. 更改安装路径到 D 盘（比如 D:\ESP-IDF）

  5. 点击"开始安装"

3.3 配置工具链

安装完成后，你会看到：

  • D:\ESP-IDF\v5.5.3\esp-idf 文件夹

  • C:\Espressif 文件夹（里面有 dist 和 tools）

重要步骤：

  1. 先不要管 C:\Espressif

  2. 按 Win + R 键，输入 cmd 打开命令行

  3. 输入：

    cd /d D:\ESP-IDF\v5.5.3\esp-idf
install.bat

  4. 这个脚本会在 C:\Users\你的用户名\.espressif 下创建 dist 和 tools 文件夹，但安装过程可能很慢

  5. 关闭命令行窗口，我们直接复制已有的文件

  6. 把 C:\Espressif 下的 dist 和 tools 两个文件夹复制到 C:\Users\你的用户名\.espressif 内（点击替换相同类型的文件）

  7. 再次按 Win + R，输入 cmd，输入：

    cd /d D:\ESP-IDF\v5.5.3\esp-idf
install.bat

  8. 等待安装完成后，输入：

    export.bat

  9. 验证环境：

    idf.py --version

如果没有报错，说明 ESP-IDF 环境配置成功！

4. 修改配置文件

我们需要修改mimiclaw文件夹下的 3 个文件：

  1. main\mimi_secrets.h - 存放私密配置

  2. main\mimi_config.h - 全局配置

  3. main\llm\llm_proxy.c - 大模型代理逻辑

4.1 修改 mimi_secrets.h（以配置qwen3.5-flash模型接口为例）

位置：D:\mimiclaw\main\mimi_secrets.h

原始文件内容：

/* Anthropic API */
#define MIMI_SECRET_API_KEY         ""
#define MIMI_SECRET_MODEL           ""
#define MIMI_SECRET_MODEL_PROVIDER  "anthropic"

修改后的内容：

/* Anthropic API */
#define MIMI_SECRET_API_KEY         "sk-你的阿里云百炼API Key"
#define MIMI_SECRET_MODEL           "qwen3.5-flash"
#define MIMI_SECRET_MODEL_PROVIDER  "qwen"

修改说明：

配置项

修改内容

原因

MIMI_SECRET_API_KEY

填入你的阿里云百炼 API Key

用于认证大模型

MIMI_SECRET_MODEL

改成 qwen3.5-flash

使用阿里云的 Qwen 模型

MIMI_SECRET_MODEL_PROVIDER

改成 qwen

告诉程序使用 Qwen 大模型

4.2 修改 mimi_config.h，新增#define MIMI_QWEN_API_URL

位置：D:\mimiclaw\main\mimi_config.h

原始文件修改前（约第 85-94 行）：

/* LLM */
#define MIMI_LLM_DEFAULT_MODEL       "claude-opus-4-5"
#define MIMI_LLM_PROVIDER_DEFAULT    "anthropic"
#define MIMI_LLM_MAX_TOKENS          4096
#define MIMI_LLM_API_URL             "https://api.anthropic.com/v1/messages"
#define MIMI_OPENAI_API_URL          "https://api.openai.com/v1/chat/completions"

修改后的内容：

/* LLM */
#define MIMI_LLM_DEFAULT_MODEL       "qwen3.5-flash"
#define MIMI_LLM_PROVIDER_DEFAULT    "qwen"
#define MIMI_LLM_MAX_TOKENS          4096
#define MIMI_QWEN_API_URL            "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"
//新增了：#define MIMI_QWEN_API_URL
#define MIMI_LLM_API_URL             "https://api.anthropic.com/v1/messages"
#define MIMI_OPENAI_API_URL          "https://api.openai.com/v1/chat/completions"

修改说明：

配置项

修改内容

原因

MIMI_LLM_DEFAULT_MODEL

改成 qwen3.5-flash

默认使用 Qwen 模型

MIMI_LLM_PROVIDER_DEFAULT

改成 qwen

默认 provider 为 qwen

新增 MIMI_QWEN_API_URL

添加阿里云 API 地址

指定 Qwen 的 API 端点

新增的代码解释：

  • MIMI_QWEN_API_URL：阿里云百炼的 OpenAI 兼容接口地址

  • 后面我们会在 llm_proxy.c 中使用这个 URL

4.3 修改 llm_proxy.c（最复杂的部分）

位置：D:\mimiclaw\main\llm\llm_proxy.c

这是最复杂的部分，我们需要添加 Qwen 的完整支持。

4.3.1 添加 Qwen 的 Provider 判断函数

修改位置：约第 185 行附近

原始代码：

static bool provider_is_openai(void)
{
    return strcmp(s_provider, "openai") == 0;
}

修改后的代码：

static bool provider_is_openai(void)
{
    return strcmp(s_provider, "openai") == 0;
}

static bool provider_is_qwen(void)
{
    return strcmp(s_provider, "qwen") == 0;
}

修改原因：添加一个函数，用来判断当前使用的是不是 Qwen 大模型。

4.3.2 修改 llm_api_url() 函数

修改位置：约第 190 行

原始代码：

static const char *llm_api_url(void)
{
    return provider_is_openai() ? MIMI_OPENAI_API_URL : MIMI_LLM_API_URL;
}

修改后的代码：

static const char *llm_api_url(void)
{
    if (provider_is_qwen()) {
        return MIMI_QWEN_API_URL;
    }
    return provider_is_openai() ? MIMI_OPENAI_API_URL : MIMI_LLM_API_URL;
}

修改原因：当使用 Qwen 时，告诉程序去访问阿里云的 API 地址。

4.3.3 修改 llm_api_host() 函数

修改位置：约第 195 行

原始代码：

static const char *llm_api_host(void)
{
    return provider_is_openai() ? "api.openai.com" : "api.anthropic.com";
}

修改后的代码：

static const char *llm_api_host(void)
{
    if (provider_is_qwen()) {
        return "dashscope.aliyuncs.com";
    }
    return provider_is_openai() ? "api.openai.com" : "api.anthropic.com";
}

修改原因：告诉程序 Qwen 的服务器域名是阿里云的域名。

4.3.4 修改 llm_api_path() 函数

修改位置：约第 200 行

原始代码：

static const char *llm_api_path(void)
{
    return provider_is_openai() ? "/v1/chat/completions" : "/v1/messages";
}

修改后的代码：

static const char *llm_api_path(void)
{
    if (provider_is_qwen()) {
        return "/compatible-mode/v1/chat/completions";
    }
    return provider_is_openai() ? "/v1/chat/completions" : "/v1/messages";
}

修改原因：指定 Qwen API 的具体路径。

4.3.5 修改 llm_http_direct() 函数（认证部分）

修改位置：约第 268 行

原始代码：

if (provider_is_openai()) {
    if (s_api_key[0]) {
        char auth[LLM_API_KEY_MAX_LEN + 16];
        snprintf(auth, sizeof(auth), "Bearer %s", s_api_key);
        esp_http_client_set_header(client, "Authorization", auth);
    }
}

修改后的代码：

if (provider_is_openai() || provider_is_qwen()) {
    if (s_api_key[0]) {
        char auth[LLM_API_KEY_MAX_LEN + 16];
        snprintf(auth, sizeof(auth), "Bearer %s", s_api_key);
        esp_http_client_set_header(client, "Authorization", auth);
    }
}

修改原因：Qwen 使用和 OpenAI 一样的 Bearer 认证方式，所以需要把 Qwen 也加入这个判断。

4.3.6 修改 llm_http_via_proxy() 函数（代理模式）

修改位置：约第 296 行

原始代码：

if (provider_is_openai()) {
    hlen = snprintf(header, sizeof(header),
        "POST %s HTTP/1.1\r\n"
        "Host: %s\r\n"
        "Content-Type: application/json\r\n"
        "Authorization: Bearer %s\r\n"
        "Content-Length: %d\r\n"
        "Connection: close\r\n\r\n",
        llm_api_path(), llm_api_host(), s_api_key, body_len);
}

修改后的代码：

if (provider_is_openai() || provider_is_qwen()) {
    hlen = snprintf(header, sizeof(header),
        "POST %s HTTP/1.1\r\n"
        "Host: %s\r\n"
        "Content-Type: application/json\r\n"
        "Authorization: Bearer %s\r\n"
        "Content-Length: %d\r\n"
        "Connection: close\r\n\r\n",
        llm_api_path(), llm_api_host(), s_api_key, body_len);
}

修改原因：在使用代理模式时，Qwen 也需要和 OpenAI 一样的请求头。

4.3.7 修改 llm_chat_tools() 函数（请求格式）

修改位置：约第 562 行

原始代码：

if (provider_is_openai()) {
    cJSON_AddNumberToObject(body, "max_completion_tokens", MIMI_LLM_MAX_TOKENS);
} else {
    cJSON_AddNumberToObject(body, "max_tokens", MIMI_LLM_MAX_TOKENS);
}

if (provider_is_openai()) {
    cJSON *openai_msgs = convert_messages_openai(system_prompt, messages);
    cJSON_AddItemToObject(body, "messages", openai_msgs);

    if (tools_json) {
        cJSON *tools = convert_tools_openai(tools_json);
        if (tools) {
            cJSON_AddItemToObject(body, "tools", tools);
            cJSON_AddStringToObject(body, "tool_choice", "auto");
        }
    }
}

修改后的代码：

if (provider_is_openai() || provider_is_qwen()) {
    cJSON_AddNumberToObject(body, "max_completion_tokens", MIMI_LLM_MAX_TOKENS);
} else {
    cJSON_AddNumberToObject(body, "max_tokens", MIMI_LLM_MAX_TOKENS);
}

if (provider_is_openai() || provider_is_qwen()) {
    cJSON *openai_msgs = convert_messages_openai(system_prompt, messages);
    cJSON_AddItemToObject(body, "messages", openai_msgs);

    if (tools_json) {
        cJSON *tools = convert_tools_openai(tools_json);
        if (tools) {
            cJSON_AddItemToObject(body, "tools", tools);
            cJSON_AddStringToObject(body, "tool_choice", "auto");
        }
    }
}

修改原因：Qwen 兼容 OpenAI 的请求格式，所以用相同的消息转换函数和参数。

4.3.8 修改响应解析部分

修改位置：约第 638 行

原始代码：

if (provider_is_openai()) {
    cJSON *choices = cJSON_GetObjectItem(root, "choices");
    // ... 解析响应
}

修改后的代码：

if (provider_is_openai() || provider_is_qwen()) {
    cJSON *choices = cJSON_GetObjectItem(root, "choices");
    // ... 解析响应
}

修改原因：Qwen 的响应格式也和 OpenAI 兼容，所以用相同的解析逻辑。

5. 编译烧录

终于到最后一步了！

5.1 激活 ESP-IDF 环境

按 Win + R，输入 cmd，打开命令行：

cd /d D:\ESP-IDF\v5.5.3\esp-idf
export.bat

5.2 进入项目目录

cd D:\mimiclaw

5.3 清理旧构建（可选）

如果之前编译过，建议运行这条命令清理一下：

idf.py fullclean

5.4 设置目标芯片

idf.py set-target esp32s3

这个命令会自动编译。

5.5 烧录并查看串口监视器

idf.py flash monitor


显示如上信息则说明烧录成功了。

5.6 配置飞书和WIFI

以下展示通过CLI 的方式配置mimiclaw。
首先，在串口监视器下输入：

help

如上所示，串口监视器会返回所有配置mimiclaw 的命令。

我们可以分别输入：

set_wifi 你的wifi名称 你的wifi密码

注意：可以填入你的手机热点WiFi和密码，但WiFi频段必须要2.4Ghz 才能连接。

set_feishu_creds 飞书app_id 飞书app_secret

可在飞书开放平台获取，具体如何配置飞书机器人，可参考Mimiclaw 快速体验指南 - 芯电厂的教程。

最后，检查所有配置是否完成，输入：

config_show

配置完成。

5.7 测试飞书通信


 

6. 常见问题

6.1 提示 "No bot token configured"

如果你不用 Telegram，在 mimi.c 中注释掉这两行：

// ESP_ERROR_CHECK(telegram_bot_init());
// ESP_ERROR_CHECK(telegram_bot_start());

6.2 提示 "You didn't provide an API key"

  1. 检查 mimi_secrets.h 中的 API Key 是否正确

  2. 通过串口 CLI 重新设置：

    mimi> set_api_key 你的API Key
mimi> set_model_provider qwen
mimi> set_model qwen3.5-flash

6.3 404 错误

检查 mimi_config.h 中的 MIMI_QWEN_API_URL 是否正确，应该是：

https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions

总结

恭喜你！现在你的 ESP32-S3 已经成功部署了 MimiClaw，并且可以使用阿里云百炼的 Qwen 大模型了！

通过飞书机器人给 ESP32 发消息，试试吧！

注意：本文以 Qwen 为例，如果你想用火山引擎或混元，修改方式类似，只需要：

  1. 在 mimi_config.h 中添加对应的 API URL

  2. 在 llm_proxy.c 中添加对应的 provider 判断

  3. 调整消息格式（如果需要）

希望这篇教程对你有帮助！有问题欢迎在评论区留言！

# 嵌入式硬件 # windows # 阿里云
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

cover

当AI画师学会“记住承诺“:中国科大打造复杂图像生成新框架SCOPE

avatar AtomGit开源社区

电商 GMV 增长：智能数据 Agent 实战案例

智能数据Agent是具备自主感知、记忆、思考、决策、执行能力的AI实体，专门针对电商业务场景优化，能够自动完成从数据采集到运营执行的全链路工作，不需要人工干预，所有决策都可追溯、可验证。本文从电商行业的存量竞争痛点出发，提出了用智能数据Agent实现GMV增长的解决方案，详细讲解了Agent的五层架构，带你从0到1分步搭建了一个可落地的电商数据Agent，展示了真实的落地效果，给出了最佳实践和常见

avatar AtomGit开源社区

AI Agent Harness Engineering 的定价心理学：如何让用户觉得“按效果付费”比包月更值？

设计按效果付费模式的第一个挑战是如何定义"效果"。理想的"效果"指标应该具有两个特点：可衡量性和相关性。可衡量性意味着我们能够客观、准确地衡量这个指标。例如，"生成的字数"是可衡量的，而"文章质量"则不太可衡量。相关性意味着这个指标与用户获得的实际价值密切相关。例如，对于一个AI销售文案助手，"生成的文案数量"可能不如"文案的转化率"相关性高。在实践中，我们往往需要在可衡量性和相关性之间找到平衡。

avatar AtomGit开源社区