树莓派部署CoPaw，大语言模型及其GitHub Skills

lwlv

616人浏览 · 2026-04-20 20:46:06

lwlv · 2026-04-20 20:46:06 发布

随着OpenClaw的智能工作流的兴起，越来越多人开始让AI成为自己的DIY助理，打理一些任务，而人则作为一个命令官和任务验收者，颇有老板风味。

考虑树莓派更利于开发，有外围40个PIN，网口，USB等接口，想着是否可以做更多事情。于是，这段时间便进行了尝试。

1. 安装CoPaw

前期准备，可以在https://www.raspberrypi.com/software/官网下载最新的树莓派镜像烧录软件和最新的树莓派系统Raspberry Pi OS，然后通过Raspberry Pi Imager将镜像烧录至SD卡中。再将SD卡插回树莓派卡槽中，上电树莓派即可看到漂亮的树莓派系统桌面。

CoPaw是阿里云通义团队推出的一款更易用、可本地部署也可云端部署的个人智能助理，官方链接为https://copaw.bot/。树莓派是基于Linux的操作系统，根据官方说明，使用curl -fsSL https://copaw.agentscope.io/install.sh | bash可实现对于CoPaw的安装。用pip install copaw会出现兼容性错误的提示。

整个安装过程一般要半个小时以上，因为还有npm等环境的安装。安装后在.bashrc中能查看到 "export PATH="$HOME/.copaw/bin:$PATH"。

# Initialize and launch
copaw init --defaults
copaw app

# Open http://127.0.0.1:8088/ in your browser

在终端执行copaw app，当看到一个网站链接时，则说明初始化完成

打开后便是CoPaw的网页界面，简约漂亮。

此时，需要配置大语言模型，否则输入Hello后也没有反应。

2. 配置大语言模型

让树莓派使用大语言模型有两种方式。

2.1 本地模型

部署本地模型一般采用Ollama的方式。‌Ollama 是一个开源的大型语言模型（LLM）本地运行框架‌，旨在简化模型在本地计算机上的部署、管理和推理流程。它允许用户通过简单的命令快速加载和运行各种预训练模型，无需依赖云端服务。‌

# 安装ollama
curl -fsSL https://ollama.com/install.sh | sh

# 安装一个小型模型，tinyllama
ollama run tinyllama

‌TinyLlama‌ 是一个轻量级的开源大语言模型（LLM），可以极小的参数规模（通常为 ‌1.1B 或 3B 参数‌）实现高效的自然语言处理能力，但该模型不支持工具调用（Function Calling）。可使用下面的方式。

ollama run llama3.1:8b

但受限于树莓派本身不具有高性能CPU和GPU的芯片，即便回复“Hello"都可能需要十几分钟。

同样，即便下载了CoPaw built-in里面搭建好了阿里千问模型，chat效果也非常慢。

这里我们还可以注意到，模型类似分为Hugging Face‌和ModelScope。

Hugging Face‌以 ‌NLP 为核心‌，构建了全球最大的开源 AI 社区，强调“‌社区驱动 + 工具链开放‌”，是研究者和开发者事实上的行业标准。
‌ModelScope‌由阿里巴巴达摩院‌推出，定位为“‌模型即服务‌”（MaaS）的一站式平台，更注重 ‌多模态支持、中文优化与开箱即用体验‌。

2.2 云端模型

这里我们还是选择云端模型的提供商，这里我们选择智谱的BigModel，设置API key可以点击测试链接是否连上。

之后，我们便可以开始对话了。

自此，CoPaw智能体和大语言模型便在树莓派上部署完成了。我们还可以进一步绑定微信，在Channels一栏中选择WeChat并点击Get Login QR Code，会生成一个二维码，微信扫描后便可进入微信ClawBot聊天框。

在Chat的历史聊天栏中，我们也可以看出哪些是从微信上发起的对话还是直接在网页端。

3. 开发能力

经过Step 1和2的部署，实际上一个简易的“小龙虾”便在树莓派上搭建好了。考虑使用树莓派更多的是为了体现及开发小玩意的价值，比如USB外界RealSense，40个PIN外接IIC或者串口通讯的设备，让其能自己编程调试和运行，可以让github copilot来执行此过程。这方面，OpenClaw就天然支持使用copilot模型，通过设备授权登录 GitHub 获取 API 令牌。

在CoPaw中可使用一种通用的方案，使用 llm CLI工具及其 llm-github-copilot 插件，通过命令行与 Copilot 交互，再利用 CoPaw 的 Shell/Skill 功能，调用此命令来实现间接调用。不过这个方案也是DeepSeek帮忙想出来的👍。

3.1 GitHub Copilot llm配置

‌LLM命令行工具‌是一款专为终端设计的开源工具，能直接在命令行中与GPT-4o、Claude、Gemini、Llama等主流大语言模型交互。

# 如果没有pipx，可以先安装
sudo apt update && sudo apt install pipx
pipx ensurepath

# 安装 llm
pipx install llm

这里pipx的目的是为了创建一个独立的运行环境，避免依赖冲突。当能查看到llm版本信息，则说明安装成功。

接着安装 llm-github-copilot 插件，该插件让llm工具能够使用GitHub Copilot 订阅作为模型后端。

# 安装
llm install llm-github-copilot

# 授权
llm github_copilot auth login

# 选择模型
llm github_copilot models

llm models default github_copilot/<你选择的模型名称>

授权命令执行后，终端会显示一个设备码（如 XXXX-XXXX）和一个链接（https://github.com/login/device），在树莓派（或者电脑）的浏览器中打开该链接，输入设备码可完成授权。

这里有个前提就是在github上完成Github Pro的订阅，否则llm无法调用。

可以看到还是有很多模型可以选择的。

3.2 创建Skills

在CoPaw网页中，进入Skiils然后点击“Create Skill”，写一个例子“call_copilot”的Skills用于编写和编译代码。

做一个简单测试，

可以看到一个简单程序在事先定义的目录中生成了。

关于让AI agent自己搭建环境尤其与硬件通讯，这个功能还是谨慎使用，否则AI可能把系统的环境搞坏了。在搭建环境方面，人作为执行者更好，而AI提出方案。

比如在树莓派插入了RealSense相机，下载RealSense源码编译和安装。

sudo apt-get install git libssl-dev libusb-1.0-0-dev pkg-config libgtk-3-dev
sudo apt-get install libglfw3-dev libgl1-mesa-dev libglu1-mesa-dev


git clone https://github.com/realsenseai/librealsense.git
cd librealsense


sudo cp config/99-realsense-libusb.rules /etc/udev/rules.d/
sudo udevadm control --reload-rules && sudo udevadm trigger


mkdir build && cd build
cmake .. -DBUILD_PYTHON_BINDINGS=bool:true -DCMAKE_BUILD_TYPE=Release -DFORCE_LIBUVC=true
make
sudo make install


echo 'export PYTHONPATH=$PYTHONPATH:/usr/local/lib' >> ~/.bashrc
source ~/.bashrc

当执行rs-enumerate-devices可以查看到RealSense设备，则说明环境配置成功。