前言

在前文我们已经完成了 OpenClaw 在 PVE 环境下的私有化部署，完成了大模型选型、聊天通道配置以及各大平台 API Key 的申请与对接，实现了基础环境设置。

但这仅仅是 OpenClaw 能力的起点。想要让它真正具备自动化执行、工具调用、稳定对外服务的能力，就必须进入进阶配置环节。

本篇将带你深入核心实战：Skills 技能配置、Gateway 网关设置、服务持久化与后台自启，从功能扩展到生产级部署，一步步把 OpenClaw 打造成稳定、强大、可长期运行的私有化 AI 服务。

进阶配置流程

第一步：Skills配置

现在终端我们来到了skills配置

skills状态面部解析：

✅ 7 个技能可直接用，满足基础需求；

⚠️ 41 个技能缺依赖，是后续配置的重点；

❌ 7 个技能系统不兼容，无需浪费时间尝试；

🆓 无白名单限制，所有可用技能都能自由启用。

直接选Yes开始配置

目前显示 OpenClaw 缺失依赖的技能安装选择界面，核心原则是按需选择，不盲目全装

推荐勾选的技能（直接勾这些）

现在的选择完全可以后续修改

后续修改的具体方法

1. 新增 / 补装技能依赖（想加某个跳过的技能）

登录 PVE 中部署 OpenClaw 的容器 / 虚拟机，终端执行：

# 重新进入技能依赖安装界面（和现在的界面完全一样）
claw skills install
# 或单独安装某个特定技能（更精准）
claw skills install github  # 举例：只装github技能
claw skills install openai-whisper  # 举例：只装语音转文字技能

执行后会重新弹出技能选择列表，勾选需要新增的技能，回车即可自动安装依赖。

2. 卸载不需要的技能（装错 / 用不上想删掉）

# 卸载单个技能（含依赖清理）
claw skills uninstall camsnap  # 举例：卸载用不上的摄像头截图技能
# 查看已安装的所有技能（确认卸载/安装状态）
claw skills list

3. 重置所有技能配置（极端情况，比如装太多想重来）

claw skills reset

接下来会提示是否安装Homebrew

推荐选择：选 Yes（显示安装命令）

Homebrew 是 macOS/Linux 系统的包管理器（类似 Ubuntu 的 apt、CentOS 的 yum），作用是一键安装软件 / 依赖，不用自己找安装包、解压缩、配置环境变量 —— 比如要装 openai-whisper 的语音依赖，用 Homebrew 只需 brew install ffmpeg，手动装则要下载源码、编译、解决各种依赖冲突，新手很容易卡壳。

接下来要选择Node.js 包管理器

直接选默认的 npm 即可，不用切换到 pnpm 或 bun

选项含义通俗解读

下一步报错了（踩坑1）

1.核心问题解读

简单说：我选的核心技能需要特定工具才能装，但这些工具没装，所以全部安装失败；最后那个 goplaces 的提示是 “顺带弹的”，不用管。

2.分步解决（PVE 环境适配）

第一步：先处理最后一个提示（goplaces API Key）

保留默认选择 ● No，回车跳过 —— 你没选 goplaces 技能，配置这个 API Key 完全没必要，跳过即可。

第二步：补装依赖工具（解决安装失败的核心）

针对 PVE（Debian/Ubuntu 系），可以选择不用 Homebrew 的替代方案（避免装额外包管理器，减少系统复杂度）：

# 1. 更新系统包（必做）
sudo apt update && sudo apt upgrade -y

# 2. 安装 uv（解决 nano-pdf 依赖）
curl -LsSf https://astral.sh/uv/install.sh | sh
# 安装后配置环境变量（让系统识别uv命令）
source $HOME/.cargo/env  # 或 source $HOME/.bashrc

# 3. 安装 github 工具（gh）（解决 github 技能依赖）
sudo apt install gh -y

# 4. 安装 openai-whisper 依赖（ffmpeg）+ whisper 本身（解决 whisper 技能依赖）
sudo apt install ffmpeg -y
pip install openai-whisper

# 5. 安装 gemini-cli（解决 gemini 技能依赖）
pip install gemini-cli

# 6. 安装 summarize 工具（解决 summarize 技能依赖）
pip install summarize

第三步：重新安装失败的技能

依赖装完后，执行以下命令单独重装每个技能：

# 逐个重装（按顺序执行）
claw skills install gemini
claw skills install github
claw skills install nano-pdf
claw skills install openai-whisper
claw skills install summarize
# 验证安装状态
claw skills list  # 能看到这些技能显示 "Installed" 就代表成功

3.备选方案（也可以选择直接装 Homebrew）

如果觉得手动装太麻烦，也可以先装 Homebrew，再重装技能（更省心）：

# 1. 安装 Homebrew（Linux 版）
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
# 2. 配置 Homebrew 环境变量（按终端提示执行，比如）
echo 'eval "$(/home/linuxbrew/.linuxbrew/bin/brew shellenv)"' >> $HOME/.bashrc
source $HOME/.bashrc
# 3. 重装所有失败的技能
claw skills install gemini github nano-pdf openai-whisper summarize

我选3再开一个终端安装Homebrew

再次报错（踩坑2）

Don't run this as root!：致命错误 —— Homebrew 设计上不允许用 root（超级管理员）用户安装，会导致权限混乱、后续依赖安装出错。

解决步骤（PVE 环境下正确安装 Homebrew）

第一步：先创建普通用户（必须，不能用 root）

# 1. 创建名为 brewuser 的普通用户（密码设为你容易记的，比如 123456）
useradd -m brewuser
passwd brewuser

# 2. 给 brewuser 赋予 sudo 权限（后续装依赖需要）
usermod -aG sudo brewuser

# 3. 切换到 brewuser 用户（核心：用普通用户装 Homebrew）
su - brewuser

第二步：重新安装 Homebrew（现在用普通用户执行）

# 执行安装命令（和之前一样，但现在是 brewuser 用户）
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

到这里直接回车继续

这里表示安装成功

第三步：配置 Homebrew 环境变量（安装完成后）

1. 先把 Homebrew 加入环境变量

# 执行这3行命令（直接复制粘贴）
echo >> /home/brewuser/.profile
echo 'eval "$(/home/linuxbrew/.linuxbrew/bin/brew shellenv)"' >> /home/brewuser/.profile
eval "$(/home/linuxbrew/.linuxbrew/bin/brew shellenv)"

2. 安装 build-essential 依赖（需要输入 brewuser 密码）

sudo apt-get install build-essential
# 输入 brewuser 的密码（和刚才验证 sudo 时的密码一样），回车即可

3. 验证 Homebrew 是否可用

brew -v

如果输出类似 Homebrew 5.0.15 这样的版本号，说明环境变量配置成功，Homebrew 能正常使用了。

第四步：切回 root 用户重装 OpenClaw 技能

# 1. 退出 brewuser，回到 root 用户
exit

# 2. 把 brew 环境变量写入 root 的配置文件（永久生效，重启也不会丢）
echo 'eval "$(/home/linuxbrew/.linuxbrew/bin/brew shellenv)"' >> /root/.bashrc

# 3. 立即加载配置（让 brew 命令马上可用）
source /root/.bashrc

# 4. 验证 brew 是否恢复（输出版本号即成功）
brew -v

✅ 预期输出：

Homebrew >=4.3.0 (shallow or no git repository)

第五步：安装 OpenClaw 核心技能（现在能正常调用 brew 了）

# 1. 先确保 node/npm 已安装（npx 依赖）
apt install nodejs npm -y

# 2. 逐个安装核心技能（复制一行执行一行）
npx clawhub install gemini
npx clawhub install github
npx clawhub install nano-pdf
npx clawhub install openai-whisper
npx clawhub install summarize

# 3. 验证技能安装结果
npx clawhub list

输出逐行解读（划重点）

收尾方案（解决剩余问题）

1. 解决 summarize 限流问题

GitHub 限流是临时的（一般 1 小时后自动恢复）

# 1小时后重试安装 summarize
npx clawhub install summarize

2.验证 OpenClaw 技能是否可用

# 查看 OpenClaw 加载的技能
openclaw skills
# 默认会列出所有技能（包括未安装、缺失依赖的），可以用 Linux 的文本过滤命令（grep/awk）筛选出「已就绪 / 已安装」的技能，只显示有用的内容
openclaw skills | grep -E "ready"

可以看到输出了 13 个已就绪（ready）的技能，其中包含之前安装的 gemini/github/nano-pdf/openai-whisper/summarize 全部核心技能 —— 这意味着所有目标技能都已成功安装并就绪，终于完成了全部配置！

第二步：后续配置

接着我们再回到第一个终端继续下一步

一路回车选择默认，Enable hooks?选择Skip for now（推荐）

接下来，会自动安装Systemd和Gateway

可以看到已经安装成功，我们可以再开新的终端验证一下

验证 Gateway 服务是否正常

# 在新的终端查看服务状态
systemctl --user status openclaw-gateway

# 测试网页 UI 是否可访问（本地）
curl http://127.0.0.1:18789/
# 若返回 JSON 或页面内容，说明服务正常

现在我们回到原终端继续下一步

现在看到的 How do you want to hatch your bot? 是初始化机器人的关键步骤，三种选项的适配场景如下：

推荐操作（优先选 TUI）

如果是第一次安装，优先选择默认的 Hatch in TUI：

• 直接按回车键确认选择（已默认选中），进入 TUI 交互式配置界面；
• TUI 会引导你设置：机器人名称、交互指令、关联的插件（如飞书 / 微信）、心跳间隔等核心参数；
• 配置完成后，机器人会自动启动，可通过 openclaw dashboard 打开网页面板查看状态。

再次报错（踩坑3）

⚠️ Agent failed before reply: Model context window too small (4096 tokens). Minimum is 16000. 这是核心报错，也是导致 bot 没法正常回消息的原因。

翻译：代理在回复前就失败了：模型的上下文窗口太小了（只有 4096 个 token），但 OpenClaw 要求至少 16000 个 token 才能正常跑。

为什么会这样？

• 我现在用的模型（看起来是 moonshotai/kimi-k2.5，也就是NVIDIA主推版本）
• moonshotai/kimi-k2.5
  • Context: 256K tokens
  • 很强：多模态（图+视频+文本），agentic 能力好，推理强
  • 为什么报错，可能是我当时通过自定义 provider连上去，默认上下文长度只有 4096（没有修改）

如何修改

手动编辑 ~/.openclaw/openclaw.json，开新的终端

# 编辑 OpenClaw 配置文件
nano ~/.openclaw/openclaw.json

找到 models.providers.nvidia-api-catalog.models 段落，修改 contextWindow 为 16000（或更高）：

"models": {
  "nvidia/kimi-k2.5": {
    "provider": "nvidia",
    "model": "moonshotai/kimi-k2.5",
    "contextWindow": 262144,   // 模型能“记住”最多 256K token（≈ 192,000 字左右）
    "maxTokens": 8192          // 一次回复最多生成 8192 token（≈ 6000 字）
  }
}

保存退出（Ctrl+O → 回车 → Ctrl+X）

重启 Gateway 服务

# 1. 清所有缓存（非常重要，避免旧状态干扰）
rm -rf ~/.openclaw/cache/*

# 2. 删除当前 main session 的所有残留文件（tokens 会从 0 开始）
rm -rf ~/.openclaw/workspace/agent.main/sessions/main*

# 3. 重启 gateway（让新状态生效）
openclaw gateway restart

# 4. 验证 gateway 是否正常启动（可选）
openclaw status --deep

可以看到Gateway、Feisu都ok了

重新进入 TUI 初始化

openclaw tui

终于搞好了。记住每次通过Custom Provider添加新的模型，默认都是4096，都会报错，必须手工修改。我在这里卡住了，搞了大半天（巨坑）。

第三步：配置飞书

在前文OpenClaw 从零上手：大模型选择 + 聊天通道配置+ API Key申请全攻略中我实际上了配置了一些前期的基础

但是现在测试发现完全无反应，我在之前创建的群里面@OpenClaw AI助手发消息后，openclaw logs --follow 完全没新日志，这是最明确的信号—— 飞书开放平台根本没把消息推给 OpenClaw，问题 100% 出在飞书开放平台的配置上。

核心结论：飞书平台「消息推送链路断了」

日志无输出 = 飞书的消息事件根本没到达服务器 → 机器人连 “收到消息” 都不知道，自然无法响应。

飞书开放平台「必做 5 步」（少一步都不行）

按这个顺序操作，每一步都要确认完成，这是唯一能解决 “日志无输出” 的方法：

步骤 1：应用必须「发布并审批」（前文已完成）

1. 登录飞书开放平台：https://open.feishu.cn/app
2. 找到你的应用 → 左侧「应用发布」
3. 选择「测试版发布」→ 填写发布说明（随便填）→ 提交
4. 让企业管理员在飞书里审批（管理员会收到审批通知）
5. 审批通过后，应用状态会变成「已发布（测试版）」（关键！）

步骤 2：事件订阅必须是「长连接」+ 加对事件

1. 左侧「事件与回调」→ 「事件配置」→「订阅方式」：必须选「长连接」（不是 Webhook，OpenClaw 只支持长连接）

   

2. 「添加事件」→ 搜索并勾选 im.message.receive_v1（接收消息）（这是核心事件，没有就收不到任何消息）

3. 在所需权限要点开，把「读取用户发给机器人的单聊消息」「接收群聊中@机器人消息事件」这两个都开通，要不然群里面@机器人会没有反应（大坑）

   

   

4. 点击「保存」→ 会提示 “需要重新发布应用”，先记着，最后统一发布

步骤 3：必须开通并审批「消息相关权限」

1. 左侧「权限管理」→ 「添加权限」，经过测试，最少需要以下4个权限，要不然会有报错：

   权限名称	权限标识	权限类型	开通状态	备注
   获取通讯录基本信息	contact:contact.base:readonly	应用身份	已开通	与应用的可用范围一致
   获取与发送单聊、群组消息	im:message	应用身份	已开通	覆盖消息全量操作权限
   读取用户发给机器人的单聊消息	im:message.p2p_msg:readonly	应用身份	已开通	仅读取单聊消息（只读）
   以应用的身份发消息	im:message:send_as_bot	应用身份	已开通	机器人核心发消息权限
   接收群聊中@机器人消息事件	im:message.group_at_msg:readonly	应用身份	已开通	仅读取群内@单聊消息（只读）

   

   

2. 点击「提交审批」→ 均为免审权限（系统自动审批后权限生效）

步骤 4：重新发布应用（所有配置改完必须做）

1. 回到「应用发布」→ 「重新发布测试版」

2. 提交后因为是免审权限，自动审批通过

3. 发布完成后，等待 2-5 分钟（飞书配置生效有延迟）

   

步骤 5：把机器人显示在聊天列表

1. 「开发者小助手」会有提示「应用审批通过，已发布成功」，打开「开发者小助手」→「打开应用」

   

   

2. 这时聊天界面会出现「OpenClaw AI助手」

3. 打开「OpenClaw AI助手」，点击右上角「…」进入设置，复制最下面的会话ID

   

步骤6：修改openclaw配置

1. 终端修改openclaw.json，用nano编辑器编辑

   nano ~/.openclaw/openclaw.json
   

2. 把复制的会话ID添加到「channels」部分

   找到这部分，把ID填入到「groupAllowFrom」这里，我这里有两个，一个是之前的群会话ID，一个是和OpenClaw AI助手对话的会话ID

     "channels": {
       "feishu": {
         "enabled": true,
         "appId": "cli_xxx",
         "appSecret": "xxx",
         "domain": "feishu",
         "groupPolicy": "allowlist",
         "groupAllowFrom": [
           "oc_xxx",
           "oc_xxx"
         ]
       }
     },
   

   

3. 修改后按 Ctrl + O保存，再按 Ctrl + X退出。

步骤7：配对及验证操作

1. 服务器端重新启动日志跟踪：

   openclaw logs --follow
   

2. 飞书端：在群里 @机器人发消息（比如 @OpenClaw AI助手 你好），或私聊发消息

3. 看日志：此时应该能看到新的日志输出（哪怕是报错，也说明消息推过来了）

4. 飞书应该会出现要求配对的回复

   

5. 在终端运行

   openclaw pairing approve feishu 4PZ4GF7L
   

   

6. 出现Approved表示配对成功

7. 回到飞书，直接给OpenClaw AI助手发消息，等一会就有回复了

   

8. 同样，在群里@OpenClaw AI助手 也有回复

   

   至次，大功告成！

第四步：更换大模型

在前文[OpenClaw 从零上手：大模型选择 + 聊天通道配置+ API Key申请全攻略]中，我们申请了NVIDIA的免费API Key，当时列出了能免费使用的大模型，我最开始选择的是moonshotai/kimi-k2.5，实际使用后发现反应很慢，后来我切换成了qwen/qwen3.5-397b-a17b，实测能够接受，毕竟还是免费白嫖。

我们来看看如何添加和切换大模型。

1. 直接通过openclaw config进行操作

   #终端输入
   
   openclaw config
   

   一路回车来到模型选择界面设置

   

2. 通过修改openclaw.json，用nano编辑器编辑，找到models部分，按如下格式直接添加，可以让AI帮助修改

        "models": [
          {
            "id": "moonshotai/kimi-k2.5",
            "name": "moonshotai/kimi-k2.5 (Custom Provider)",
            "reasoning": false,
            "input": [
              "text"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 262144,
            "maxTokens": 8192
          },
          {
            "id": "qwen/qwen3.5-397b-a17b",
            "name": "qwen/qwen3.5-397b-a17b (Custom Provider)",
            "reasoning": false,
            "input": [
              "text"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 262144,
            "maxTokens": 8192
          },
   

3. 终极方法，既往上面的OpenClaw已经搞好了，完全可以让它自己完成，直接在飞书给它指令

   

   

   完成后可以在终端通过openclaw models list验证

   

总结

至此，我们已经完成了 OpenClaw 从 PVE 私有化部署、基础对话，到 Skills 技能扩展、飞书单聊与群聊配置、Gateway 网关调优、大模型自由切换，再到服务持久化与后台自启的全流程进阶实战。

坦白说，这个过程并不像网上许多教程描述的那样 “一键启动、小白秒会”。从权限报错、事件订阅缺失、群聊 @无响应，到技能匹配、模型兼容、免费大模型的速率与长度限制、收费模型的 token 消耗控制，再到配置文件之间的衔接、依赖版本、网络与内网环境的约束，每一步都可能遇到意想不到的问题。很多看似简单的功能，背后都藏着权限、接口、网关、日志、安全策略之间的精密配合。

但也正是在不断排错、调试、理解原理的过程中，我们才能真正掌握 OpenClaw 的运行逻辑，明白 AI 助手是如何接收消息、调用技能、执行工具、访问外部服务的。这些踩过的坑、解决过的错误，反而成为最扎实的经验，让我们从 “会用” 变成 “懂原理、能排错、可优化”。

最终，我们把一个仅能简单对话的模型，一步步打磨成具备自动化执行、工具调用、多通道接入、内网安全稳定、7×24 小时在线的私有化智能助理。这条路不算轻松，但每一步摸索，都是真正的成长。

如果有问题可以在评论区留言。