ITX-openclaw部署

OpenClaw 设置命令详解

OpenClaw 是一款开源的个人 AI 智能体，支持本地部署、系统级执行和全渠道交互。以下是详细的设置命令指南：

1. 安装命令

一键脚本安装（推荐）：

• macOS/Linux：“`bash curl -fsSL https://openclaw.ai/install.sh | bash

- **Windows PowerShell**：```powershell
iwr -useb https://openclaw.ai/install.ps1 | iex

• 手动安装（需要 Node.js ≥ 22）：“`bash npm i -g openclaw

或

pnpm add -g openclaw

### 2. 初始化配置命令

安装完成后，运行初始化向导：```bash
openclaw onboard

按提示完成以下配置：

• 选择 AI 供应商（Claude、Gemini、OpenAI、Ollama、Qwen、MiniMax、智谱等）
• 配置聊天工具（Telegram/Discord/Slack/WhatsApp）
• 设置 Gateway Port（默认 18789）
• 配置 API Key
• 开启 Hooks（日志和会话记录）

3. 配置管理命令

示例：

<span class="token"># 设置默认模型</span>
openclaw config <span class="token">set</span> models.default mistral:mixtral-8x7b

<span class="token"># 设置快速模型  </span>
openclaw config <span class="token">set</span> models.fast mistral

4. 网关服务命令

5. 通道管理命令

6. 模型管理命令

7. 技能管理命令

8. 内存与日志命令

9. 健康检查与诊断

10. 关键配置文件路径

• 主配置：~/.openclaw/openclaw.json
• 工作区：~/.openclaw/workspace/
• 凭证存储：~/.openclaw/credentials/
• 向量索引：~/.openclaw/memory/<cid>.sqlite
• 技能目录：~/.openclaw/skills/

聊天内斜杠命令

在聊天界面还可以使用以下命令：

• /status – 健康状态 + 上下文
• /context list – 上下文贡献者
• /model <m> – 切换模型
• /compact – 释放窗口空间
• /new – 全新会话
• /stop – 中止当前运行
• /tts on|off – 切换语音
• /think – 切换推理模式

初始化完成后，访问 http://127.0.0.1:18789/chat 即可开始使用 OpenClaw。

当前模型列表：

阿里云百炼 “bailian/qwen3.5-plus”, “bailian/qwen3-max-2026-01-23”, “bailian/qwen3-coder-next”, “bailian/qwen3-coder-plus”, “bailian/MiniMax-M2.5”, “bailian/kimi-k2.5”, “bailian/glm-5”, “bailian/glm-4.7” 月之暗面 “moonshot/kimi-k2.5”, nimimax “minimax-cn/MiniMax-M2.5-highspeed”,

切换命令：

• /model <m> – 切换模型

[openclaw] 1pctl 命令有问题。让我直接汇报当前状态：

✅ 1Panel 部署成功！

───

📊 排查结果

问题原因:

1. ❌ Docker Hub 无法访问（TLS handshake timeout）
2. ❌ 阿里云镜像仓库不存在 1Panel 镜像
3. ❌ IPv6 网络连接问题

解决方案: ✅ 使用官方安装脚本直接部署（非 Docker 方式）

───

🎉 部署成功！

1Panel 服务 • 状态: ✅ 运行中 • 详情: systemd 服务

端口 • 状态: ⚠️ 29677 • 详情: 默认端口（非 5566）

安装方式 • 状态: ✅ 官方脚本 • 详情: 非 Docker 容器

───

🔐 登录信息

面板地址：http://192.168.1.55:29677/df7995850e
用户名：5023387580
密码：1f66aaa40b

提示: 登录后请立即修改密码！

───

📋 为什么不是 5566 端口？

原因:

1. 官方安装脚本使用随机端口（避免冲突）
2. 1pctl 命令修改端口需要交互式终端
3. 配置文件位置需要进一步查找

当前可用方案:

• ✅ 使用 29677 端口访问 • ✅ 或者继续使用 DPanel2（8888 端口）

───

🔧 服务管理命令

# 查看状态
sudo systemctl status 1panel

# 重启服务
sudo systemctl restart 1panel

# 查看日志
sudo journalctl -u 1panel -f

# 修改密码
sudo 1pctl update password

───

📁 安装位置

程序 • 路径: /usr/bin/1panel

数据 • 路径: /opt/1panel/

日志 • 路径: /var/log/1panel/

服务 • 路径: /etc/systemd/system/1panel.service

───

1Panel 已成功部署！可以访问 http://192.168.1.55:29677/df7995850e 登录使用了。 🐳

Atlas 部署记录

部署时间：2026-03-04

项目信息

• 项目名：Atlas
• 功能：Docker网络拓扑扫描工具
• GitHub：https://github.com/karam-ajaj/atlas

部署信息

部署命令

docker run -d --name atlas --network=host \
  -e ATLAS_UI_PORT='8884' \
  -e ATLAS_API_PORT='8885' \
  -e ATLAS_ADMIN_USER='admin' \
  -e ATLAS_ADMIN_PASSWORD='atlas123' \
  -e SCAN_SUBNETS='192.168.1.0/24' \
  keinstien/atlas

访问地址

• Web UI: http://192.168.1.55:8884
• 用户名: admin
• 密码: atlas123

功能特点

• ✅ 一键扫描内网IP和端口
• ✅ 生成网络拓扑图
• ✅ 监控容器状态
• ✅ 识别局域网设备
• ✅ 自动扫描子网

使用说明

1. 打开 http://192.168.1.55:8884
2. 使用 admin / atlas123 登录
3. 配置要扫描的网段
4. 自动生成拓扑图

🐬 小蓝

技能更新汇总 (2026-03-04)

更新日期：2026-03-04

新增技能

1. scrapling 爬虫技能

• 位置：~/.openclaw/skills/scrapling/
• 功能：网页爬虫框架，支持静态/动态页面

2. web-to-markdown 技能

• 位置：~/.openclaw/skills/web-to-markdown/
• 功能：网页转 Markdown
• 使用方法：
  • Cloudflare 网站 → markdown.new/
  • 通用方案 → r.jina.ai/
  • 爬虫 → scrapling

更新技能

save-note (保存到笔记) v2.0.1

触发词：

• 保存为笔记
• 保存到笔记
• 保存到我的笔记

博客信息：

• 地址：http://23.95.50.216:8080
• 用户名：buelot
• 分类：深蓝笔记 (id=3)

爬虫/抓取技能使用口诀

1. 搜信息 → r.jina.ai/ 前缀
2. Cloudflare → markdown.new/ 或 defuddle.md/
3. 爬虫 → scrapling
4. 动态页面 → DynamicFetcher
5. 反爬 → StealthyFetcher

🐬 小蓝

少数派最新文章精选

来源：少数派 (sspai.com) 抓取时间：2026-03-04 抓取工具：Scrapling + patchright

1. 派早报：Apple 发布 M5 系列芯片及 Studio Display、MacBook 系列新品

查看原文

2. 从采集到回顾，我用 AI 搭建了一套个人信息处理系统

查看原文

3. 一日一技｜将 Obsidian 剪藏文章自动添加至当天日记

查看原文

🤖 本文由 AI (小蓝) 使用 Scrapling 爬虫框架自动抓取并发布

既然你已经解决了 Tesla T10 最棘手的散热问题（改装了 2070 涡轮扇），并且计划将这两张卡组成 32GB 显存池 作为 AI 服务器使用，这是一个非常具有性价比的入门级方案。

Turing 架构（RTX 20 系列核心）虽然不支持 BF16（Bfloat16），但支持 FP16 和 INT8/INT4 量化，配合 32GB 显存，完全可以搭建一个实用的本地大模型服务。

以下是针对 双 T10 (32GB) 配置的详细建议：

1. 能跑什么模型？（核心推荐）

由于 Turing 架构缺乏 BF16 支持，且显存总量为 32GB，强烈建议使用 GGUF 格式的量化模型，通过 llama.cpp (或基于它的 Ollama, Text-Generation-WebUI) 运行。

A. 黄金甜点区：7B – 14B 参数模型 (全精度或高量化)

这是你目前配置体验最好的区间，速度极快，显存占用低，甚至可以预留一部分给长上下文（Context Window）。

• 推荐模型：
• Qwen2.5-7B-Instruct (阿里最新，中文能力极强，逻辑好) -> 推荐量化：Q6_K 或 Q8_0 (几乎无损)。
• Llama-3.1-8B-Instruct (Meta 最新，英文及通用逻辑强) -> 推荐量化：Q8_0 或 Q6_K。
• Gemma-2-9B-Instruct (Google，逻辑推理不错) -> 推荐量化：Q6_K。
• Yi-1.5-9B-Chat (零一万物，中文优秀)。
• 显存占用预估： 约 6GB – 9GB。
• 剩余资源： 你可以开启 16k – 32k 的上下文窗口，或者同时跑两个这样的模型实例。
• 预期速度： 双卡并行，预计可达 40 – 60 tokens/s (非常快，适合实时对话)。

B. 主力实用区：20B – 35B 参数模型 (中高量化)

这是 32GB 显存的“舒适区”，能跑比 7B 聪明得多的模型，适合复杂任务、代码生成、长文档分析。

• 推荐模型：
• Qwen2.5-32B-Instruct (目前的开源王者之一，能力接近 Llama-3-70B) -> 强烈推荐。
• 量化建议：Q4_K_M (约 19GB) 或 Q5_K_M (约 21GB)。
• Command R (35B) (擅长 RAG 检索增强生成和工具调用) -> 量化建议：Q4_K_S。
• Mixtral-8x7B (MoE) (实际激活参数约 13B，总参 47B，但在推理时显存占用较大) -> 需 Q3_K_M 或 Q4_0 才能塞进 32GB 并留出上下文空间。
• 显存占用预估： 约 18GB – 24GB。
• 剩余资源： 可保留 8GB – 12GB 用于 16k – 24k 的上下文窗口。
• 预期速度： 约 15 – 25 tokens/s (流畅阅读速度)。

C. 极限挑战区：70B+ 参数模型 (低量化 + 系统内存溢出)

32GB 显存无法完整加载 70B 模型，必须利用系统内存（RAM）做溢出（Offload），速度会大幅下降，但能跑。

• 推荐模型：
• Llama-3.1-70B-Instruct / Qwen2.5-72B-Instruct。
• 量化建议：Q2_K 或 Q3_K_S (约 24GB – 28GB 显存 + 大量系统内存)。
• 运行方式： 将大部分层放在 GPU，最后几层和 KV Cache 放在 CPU 内存。
• 预期速度： 约 2 – 5 tokens/s (像打字机一样慢，仅适合离线处理长文本，不适合聊天)。
• 建议： 除非必要，否则不推荐日常使用此模式。

2. 软件栈部署建议

为了最大化利用双卡并规避 Turing 架构的短板，请按以下方案部署：

方案 A：Ollama (最简单，推荐新手)

Ollama 底层基于 llama.cpp，自动识别多卡并分配层数。

1. 安装：

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

2. 配置环境变量 (关键)： 确保 Ollama 识别到两张卡。通常会自动识别，如果不行，设置：

   export OLLAMA_NUM_GPU=2
   # 如果需要强制指定显存分配比例（通常不需要，自动平衡最好）
   # export OLLAMA_GPU_OVERHEAD=...

3. 运行模型：

   ollama run qwen2.5:32b

   Ollama 会自动下载 GGUF 格式并将模型层均匀分布在两张 T10 上。

方案 B：Text-Generation-WebUI (Oobabooga) (功能最强，适合折腾)

如果你需要更精细的控制（如调整温度、Top-P、加载 LoRA、多用户管理）。

1. 安装： 使用 one-click-installer。
2. 启动参数： 在启动脚本中添加：

   --model your_model.gguf
   --n-gpu-layers 999 # 尽可能将所有层卸载到 GPU
   --tensor-split 1,1 # 强制两张卡平均分配 (如果自动分配不均)
   --context-size 16384 # 设置上下文长度

3. 优势： 支持 API 接口，方便对接其他应用（如 Dify, NextChat）。

方案 C：vLLM (高性能生产环境，但有门槛)

注意：vLLM 对 Turing 架构支持有限，且主要优化 BF16。对于 T10，可能不如 llama.cpp 稳定高效。如果要用，需确认版本支持 FP16 推理且无 BF16 依赖。

• 建议： 现阶段优先选 llama.cpp/Ollama 路线。

3. 关键注意事项与优化建议

A. 显存与上下文 (Context) 的权衡

• 公式： 可用显存 = 模型权重占用 + (上下文长度 * 每 token 显存占用)
• 对于 32B 模型 (Q4)，权重约占 20GB。剩下 12GB 可以用于上下文。
• Q4 量化下，每 1k context 大约占用 0.5MB – 1MB (取决于具体实现和 KV Cache 量化)。
• 建议： 默认设置 Context 为 16384 (16k) 或 24576 (24k)。不要盲目开到 128k，否则显存爆满会导致推理崩溃或极度降速。

B. 避免使用原生 PyTorch (FP16) 加载大模型

• 不要用 from transformers import ... 直接加载 .bin 或 .safetensors 全集。
• 原因：Turing 卡没有 Tensor Core 对 BF16 的支持，FP16 容易溢出或精度损失，且原生加载很难完美切分显存。
• 坚持使用 GGUF 格式。

C. PCIe 带宽瓶颈

• T10 通常是 PCIe 3.0 x16 或 x8 (取决于主板和转接卡)。
• 双卡之间通信走 PCIe，速度会比 NVLink 慢。
• 影响： 对推理速度（Tokens/s）影响较小（因为主要是计算密集），但在加载模型和极高并发下会有瓶颈。
• 建议： 确保两张卡插在主板的不同 PCIe 插槽上，尽量让 CPU 通道分配均衡（如 x8/x8 模式优于 x16/x4）。

D. 稳定性监控

作为服务器长期运行，必须监控：

1. 温度： 虽然改了风扇，但长期满载仍需关注。设定阈值（如 85℃）自动报警或降频。

• 命令：watch -n 1 nvidia-smi

2. ECC 错误： Tesla 卡通常有 ECC 显存。如果频繁出现 ECC 纠错，可能导致系统不稳定。

• 检查：nvidia-smi -q | grep ECC

3. 持久模式： 确保 nvidia-smi -pm 1 已开启，防止驱动在无负载时休眠导致唤醒延迟。

4. 总结配置单

一句话建议： 把你的双 T10 当作一个 32GB 显存的“量化模型专用推理机”，主攻 Qwen2.5-32B (Q4/Q5) 和 Llama-3-8B (Q8)，这将给你带来超越许多消费级单卡（如 3060 12G, 4060Ti 16G）的智能体验。