4348 字
22 分钟
OpenClaw 完整配置指南：AI网关的进阶玩法
2026-03-15
AI与自动化
OpenClaw
/
AI网关
/
配置
/
多模型
/
LLM

OpenClaw 完整配置指南：AI网关的进阶玩法#

说实话，第一次接触 OpenClaw 的时候，我被它的配置复杂度吓了一跳。这不是那种开箱即用的聊天机器人，而是一个真正的 AI 网关中间件——它不接模型，只负责把各种模型、渠道、工具整合在一起。折腾了几个月后，我摸索出了一套相对成熟的配置方案。这篇文章分享我的完整配置，以及踩过的一些坑。

OpenClaw 到底是什么#

简单来说，OpenClaw 是一个AI 网关。它自己不运行任何大模型，而是作为一个中间层，帮你统一管理多个模型提供商（OpenAI、Anthropic、各种国产模型），同时接入 Telegram、Discord、WhatsApp 等聊天渠道。

它的核心能力包括：

  • 多模型管理：一次配置，随时切换不同模型
  • 故障自动转移：主模型挂掉时自动切到备用模型
  • 多渠道接入：Telegram、Discord、Slack 等统一接入
  • 工具链扩展：搜索、浏览器、文件操作等能力
  • 记忆系统：支持长对话记忆和上下文管理

如果你只是想要一个简单的 ChatGPT 客户端，那 OpenClaw 可能太重了。但如果你需要同时管理多个模型、对接多个渠道、并且希望有故障转移能力，它就是目前最好的开源方案之一。

我的完整配置文件#

下面是我生产环境使用的完整配置，已经对所有敏感信息进行了脱敏处理：

{
  "agents": {
    "defaults": {
      "blockStreamingDefault": "off",
      "compaction": {
        "mode": "safeguard"
      },
      "imageModel": {
        "primary": "iw/kimi-k2.5"
      },
      "maxConcurrent": 4,
      "memorySearch": {
        "cache": {
          "enabled": true,
          "maxEntries": 50000
        },
        "experimental": {
          "sessionMemory": true
        },
        "model": "nvidia/nv-embed-v1",
        "provider": "openai",
        "remote": {
          "apiKey": "${NVIDIA_API_KEY}",
          "baseUrl": "https://integrate.api.nvidia.com/v1/"
        },
        "sources": [
          "memory",
          "sessions"
        ]
      },
      "model": {
        "primary": "iw/kimi-k2.5"
      },
      "models": {
        "iw/deepseek-chat": {},
        "iw/deepseek-reasoner": {},
        "iw/glm-5": {},
        "iw/gpt-5.3-codex": {},
        "iw/gpt-5.4": {},
        "iw/kimi-k2.5": {},
        "iw/minimax-m2.5": {},
        "iw/qwen3.5-397b-a17b": {},
        "iw/qwen3.5-plus": {},
        "iw/step-3.5-flash": {}
      },
      "subagents": {
        "maxConcurrent": 8
      },
      "thinkingDefault": "adaptive",
      "verboseDefault": "on",
      "workspace": "/root/.openclaw/workspace"
    },
    "list": [
      {
        "agentDir": "/root/.openclaw/agents/main/agent",
        "default": true,
        "heartbeat": {
          "ackMaxChars": 30000,
          "every": "30m",
          "includeReasoning": false,
          "session": "agent:main:telegram:direct:xxx",
          "target": "telegram"
        },
        "id": "main",
        "name": "main",
        "workspace": "/root/.openclaw/workspace"
      }
    ]
  },
  "auth": {
    "profiles": {}
  },
  "channels": {
    "telegram": {
      "blockStreaming": false,
      "botToken": "${TELEGRAM_BOT_TOKEN}",
      "dmPolicy": "pairing",
      "enabled": true,
      "groupAllowFrom": [
        1234567890,
        9876543210
      ],
      "groupPolicy": "allowlist",
      "groups": {
        "*": {}
      },
      "heartbeat": {
        "showOk": false
      },
      "streaming": "partial"
    }
  },
  "commands": {
    "native": "auto",
    "nativeSkills": "auto",
    "ownerDisplay": "raw",
    "restart": true
  },
  "gateway": {
    "auth": {
      "mode": "token",
      "token": "${GATEWAY_AUTH_TOKEN}"
    },
    "bind": "loopback",
    "controlUi": {
      "allowInsecureAuth": true,
      "allowedOrigins": [
        "https://xxx.xxx.xxx.xxx:xxxx",
        "http://xxx.xxx.xxx.xxx:xxxx"
      ]
    },
    "mode": "local",
    "port": 18789,
    "tailscale": {
      "mode": "off",
      "resetOnExit": false
    },
    "trustedProxies": [
      "127.0.0.1"
    ]
  },
  "hooks": {
    "internal": {
      "enabled": true,
      "entries": {
        "boot-md": {
          "enabled": true
        },
        "bootstrap-extra-files": {
          "enabled": true
        },
        "command-logger": {
          "enabled": true
        },
        "session-memory": {
          "enabled": true
        }
      }
    }
  },
  "memory": {
    "backend": "qmd",
    "citations": "auto",
    "qmd": {
      "includeDefaultMemory": true,
      "limits": {
        "maxResults": 6,
        "timeoutMs": 30000
      },
      "searchMode": "query",
      "update": {
        "debounceMs": 15000,
        "interval": "5m"
      }
    }
  },
  "messages": {
    "ackReactionScope": "group-mentions"
  },
  "models": {
    "mode": "merge",
    "providers": {
      "iw": {
        "api": "openai-responses",
        "apiKey": "${IW_API_KEY}",
        "baseUrl": "https://api.example.com/v1",
        "models": [
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 200000,
            "cost": {
              "cacheRead": 0.5,
              "cacheWrite": 0,
              "input": 1,
              "output": 3.2
            },
            "id": "glm-5",
            "input": [
              "text"
            ],
            "maxTokens": 131000,
            "name": "glm-5",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 400000,
            "cost": {
              "cacheRead": 0.175,
              "cacheWrite": 0,
              "input": 1.75,
              "output": 14
            },
            "id": "gpt-5.3-codex",
            "input": [
              "text",
              "image"
            ],
            "maxTokens": 128000,
            "name": "gpt-5.3-codex",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 270000,
            "cost": {
              "cacheRead": 0.25,
              "cacheWrite": 0,
              "input": 2.5,
              "output": 15
            },
            "id": "gpt-5.4",
            "input": [
              "text",
              "image"
            ],
            "maxTokens": 128000,
            "name": "gpt-5.4",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 262000,
            "cost": {
              "cacheRead": 0.07,
              "cacheWrite": 0,
              "input": 0.45,
              "output": 2.25
            },
            "id": "kimi-k2.5",
            "input": [
              "text",
              "image"
            ],
            "maxTokens": 262000,
            "name": "kimi-k2.5",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 256000,
            "cost": {
              "cacheRead": 0,
              "cacheWrite": 0,
              "input": 0.4,
              "output": 2.4
            },
            "id": "qwen3.5-plus",
            "input": [
              "text",
              "image"
            ],
            "maxTokens": 65500,
            "name": "qwen3.5-plus",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 262000,
            "cost": {
              "cacheRead": 0,
              "cacheWrite": 0,
              "input": 0.6,
              "output": 3.6
            },
            "id": "qwen3.5-397b-a17b",
            "input": [
              "text",
              "image"
            ],
            "maxTokens": 65500,
            "name": "qwen3.5-397b-a17b",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 190000,
            "cost": {
              "cacheRead": 0.03,
              "cacheWrite": 0,
              "input": 0.295,
              "output": 1.2
            },
            "id": "minimax-m2.5",
            "input": [
              "text"
            ],
            "maxTokens": 190000,
            "name": "minimax-m2.5",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 250000,
            "cost": {
              "cacheRead": 0.02,
              "cacheWrite": 0,
              "input": 0.1,
              "output": 0.3
            },
            "id": "step-3.5-flash",
            "input": [
              "text"
            ],
            "maxTokens": 250000,
            "name": "step-3.5-flash",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 160000,
            "cost": {
              "cacheRead": 0.13,
              "cacheWrite": 0,
              "input": 0.26,
              "output": 0.38
            },
            "id": "deepseek-reasoner",
            "input": [
              "text"
            ],
            "maxTokens": 65500,
            "name": "deepseek-reasoner",
            "reasoning": true
          },
          {
            "compat": {
              "supportsDeveloperRole": false
            },
            "contextWindow": 160000,
            "cost": {
              "cacheRead": 0.13,
              "cacheWrite": 0,
              "input": 0.26,
              "output": 0.38
            },
            "id": "deepseek-chat",
            "input": [
              "text"
            ],
            "maxTokens": 65500,
            "name": "deepseek-chat",
            "reasoning": true
          }
        ]
      }
    }
  },
  "plugins": {
    "entries": {
      "telegram": {
        "enabled": true
      }
    }
  },
  "session": {
    "dmScope": "per-channel-peer",
    "reset": {
      "idleMinutes": 43200,
      "mode": "idle"
    }
  },
  "skills": {
    "install": {
      "nodeManager": "npm"
    }
  },
  "tools": {
    "agentToAgent": {
      "enabled": true
    },
    "loopDetection": {
      "criticalThreshold": 20,
      "detectors": {
        "genericRepeat": true,
        "knownPollNoProgress": true,
        "pingPong": true
      },
      "enabled": true,
      "globalCircuitBreakerThreshold": 30,
      "historySize": 30,
      "warningThreshold": 10
    },
    "profile": "full",
    "sessions": {
      "visibility": "agent"
    },
    "web": {
      "search": {
        "apiKey": "${BRAVE_API_KEY}",
        "enabled": true,
        "provider": "brave"
      }
    }
  },
  "wizard": {
    "lastRunAt": "2026-03-09T08:15:47.724Z",
    "lastRunCommand": "onboard",
    "lastRunMode": "local",
    "lastRunVersion": "2026.3.8"
  }
}

这份配置集成了 10 个模型，全部通过一个自定义提供商 iw 接入。接下来我会逐个模块详细解释。

Agents 配置：代理的核心行为#

agents 模块定义了 AI 代理的行为模式。我的配置分两部分：defaults 是全局默认设置，list 是具体代理实例。

默认配置详解#

"defaults": {
  "blockStreamingDefault": "off",
  "compaction": { "mode": "safeguard" },
  "imageModel": { "primary": "iw/kimi-k2.5" },
  "maxConcurrent": 4,
  "model": { "primary": "iw/kimi-k2.5" },
  "thinkingDefault": "adaptive",
  "verboseDefault": "on"
}

关键点解读：

  • model.primary: 默认主模型，这里用的是 Kimi K2.5。OpenClaw 使用 provider/model 的格式指定模型。
  • imageModel: 处理图片的专用模型，可以跟主模型不同。我把它也设成 Kimi，因为它支持视觉。
  • thinkingDefault: 推理模式。adaptive 表示让模型自己决定是否开启深度思考，Claude 4.6 默认就是这个模式。
  • maxConcurrent: 单个代理的最大并发请求数。设为 4 表示同时处理 4 个对话。
  • compaction: 对话压缩策略。safeguard 模式会在上下文过长时进行智能压缩，保留关键信息。

关于 compaction，根据官方文档的说明，它会在上下文接近 token 上限时自动触发，通过摘要方式减少历史记录长度，而不是直接截断。这比简单丢弃早期消息要智能得多。

模型列表配置#

"models": {
  "iw/deepseek-chat": {},
  "iw/deepseek-reasoner": {},
  "iw/glm-5": {},
  "iw/gpt-5.3-codex": {},
  "iw/gpt-5.4": {},
  "iw/kimi-k2.5": {},
  "iw/minimax-m2.5": {},
  "iw/qwen3.5-397b-a17b": {},
  "iw/qwen3.5-plus": {},
  "iw/step-3.5-flash": {}
}

这里列出的是当前代理可以使用的所有模型。配置为空对象 {} 表示使用模型定义时的默认参数。如果你需要给特定模型设置特殊参数（比如 temperature、maxTokens），可以在这里覆盖。

代理实例配置#

"list": [
  {
    "id": "main",
    "name": "main",
    "default": true,
    "heartbeat": {
      "every": "30m",
      "target": "telegram",
      "prompt": "Read HEARTBEAT.md..."
    }
  }
]

这里定义了一个名为 main 的代理，default: true 表示这是默认代理。heartbeat 是 OpenClaw 的一个特色功能——定时心跳任务。

心跳机制让代理可以定期执行预设任务。我的配置是每 30 分钟让代理读取一次工作区的 HEARTBEAT.md 文件和最近的 Telegram 会话历史，然后更新记忆目录。这相当于给代理一个定期”自省”的机会，让它保持对长期任务的记忆。

多模型配置：如何管理 10+ 模型#

这是整个配置最复杂的部分。models.providers 定义了所有可用的模型提供商和模型规格。

提供商配置结构#

"models": {
  "mode": "merge",
  "providers": {
    "iw": {
      "api": "openai-responses",
      "apiKey": "${IW_API_KEY}",
      "baseUrl": "https://api.example.com/v1",
      "models": [...]
    }
  }
}
  • mode: "merge": 表示用户配置的模型与内置模型合并，而不是完全覆盖。
  • api: "openai-responses": 指定使用 OpenAI 兼容的 API 格式。这是目前最通用的格式，大部分国内模型代理都支持。
  • baseUrl: 模型 API 的端点地址。这里应该替换成你实际使用的代理服务地址。

单个模型配置详解#

以 Kimi K2.5 为例：

{
  "id": "kimi-k2.5",
  "name": "kimi-k2.5",
  "contextWindow": 262000,
  "maxTokens": 262000,
  "input": ["text", "image"],
  "reasoning": true,
  "cost": {
    "input": 0.45,
    "output": 2.25,
    "cacheRead": 0.07,
    "cacheWrite": 0
  },
  "compat": {
    "supportsDeveloperRole": false
  }
}

各字段含义：

  • contextWindow: 上下文窗口大小。Kimi K2.5 支持 262K tokens，这在国产模型中是数一数二的。
  • maxTokens: 单次响应的最大 token 数。设为跟上下文窗口一样大，表示可以用满整个窗口。
  • input: 支持的输入类型。["text", "image"] 表示同时支持文本和图片输入。
  • reasoning: 是否支持推理模式。设为 true 表示这个模型可以进行深度思考。
  • cost: 成本计算参数，单位是每百万 token 的价格。这是 OpenClaw 统计费用用的，不影响实际调用。
  • compat.supportsDeveloperRole: 是否支持开发者角色。设为 false 表示在系统提示词中使用 user 角色而不是 developer 角色。

实战技巧：模型选择策略#

我在配置中集成了 10 个模型，各有各的用途：

模型场景理由
Kimi K2.5日常主力上下文长、中文好、性价比高
GPT-5.4复杂推理综合能力最强
GPT-5.3-codex代码任务专门优化过代码生成
DeepSeek-reasoner数学/逻辑推理能力强
MiniMax M2.5长文本支持 19 万上下文
Step-3.5-flash快速响应速度最快、成本最低
GLM-5中文对话智谱出品，中文理解好
Qwen3.5 系列多模态阿里系，图文理解强

实际使用时，可以通过 /model 命令在对话中切换模型，或者在配置中设置故障转移列表。

Gateway 配置：网关的安全与访问控制#

gateway 模块控制 OpenClaw 网关的启动方式、端口绑定和安全策略。

"gateway": {
  "port": 18789,
  "bind": "loopback",
  "mode": "local",
  "auth": {
    "mode": "token",
    "token": "${GATEWAY_AUTH_TOKEN}"
  },
  "controlUi": {
    "allowInsecureAuth": true,
    "allowedOrigins": [
      "https://xxx.xxx.xxx.xxx:xxxx"
    ]
  },
  "trustedProxies": ["127.0.0.1"]
}

重要配置项：

  • port: 18789: 网关默认端口。18789 是 OpenClaw 的保留端口，如果被占用可以改。
  • bind: "loopback": 只绑定到本地回环地址，不允许外部直接访问。这是安全最佳实践。
  • mode: "local": 本地模式，所有数据本地处理，不走远程服务器。
  • auth.mode: "token": 使用 Token 认证方式。客户端连接时需要提供正确 token。
  • controlUi: 控制面板的访问配置。allowedOrigins 列出了允许访问的域名或 IP，防止跨站攻击。
  • trustedProxies: 信任的反向代理 IP。如果你用 Nginx 或 Caddy 做反向代理，需要把代理服务器的 IP 加到这里。

关于 bind 的选择，官方文档提到有三种模式：

  • loopback: 最安全，只允许本机访问（127.0.0.1）
  • localhost: 解析 localhost 后绑定
  • all: 绑定所有接口，允许外部访问（不推荐）

生产环境建议始终使用 loopback，然后通过反向代理对外提供服务。

Memory 配置：长期记忆的实现#

OpenClaw 的记忆系统让它能够记住跨对话的信息。我的配置使用 QMD（Queryable Memory Database）作为后端。

"memory": {
  "backend": "qmd",
  "citations": "auto",
  "qmd": {
    "includeDefaultMemory": true,
    "limits": {
      "maxResults": 6,
      "timeoutMs": 30000
    },
    "searchMode": "query",
    "update": {
      "debounceMs": 15000,
      "interval": "5m"
    }
  }
}

工作机制：

  • backend: "qmd": 使用 QMD 作为记忆存储后端。QMD 是一个向量数据库，支持语义搜索。
  • searchMode: "query": 搜索模式。query 表示基于查询的检索，OpenClaw 会自动把对话内容转成搜索查询。
  • maxResults: 6: 每次检索最多返回 6 条相关记忆。
  • update.interval: "5m": 每 5 分钟触发一次记忆更新，把新对话内容写入向量库。
  • citations: "auto": 自动在回复中标注引用的记忆来源。

向量嵌入配置#

在 agents.defaults.memorySearch 中配置了向量嵌入服务：

"memorySearch": {
  "provider": "openai",
  "model": "nvidia/nv-embed-v1",
  "remote": {
    "apiKey": "${NVIDIA_API_KEY}",
    "baseUrl": "https://integrate.api.nvidia.com/v1/"
  }
}

这里用的是 NVIDIA 的 nv-embed-v1 嵌入模型。实测下来，这个模型在中文场景表现比 OpenAI 的 text-embedding-3-small 更稳定。NVIDIA 提供了免费的 API 额度，足够个人使用。

Channels 配置：Telegram 接入实战#

目前我只配置了 Telegram 渠道。这部分控制机器人如何接收和发送消息。

"channels": {
  "telegram": {
    "enabled": true,
    "botToken": "${TELEGRAM_BOT_TOKEN}",
    "dmPolicy": "pairing",
    "groupPolicy": "allowlist",
    "groupAllowFrom": [1234567890, 9876543210],
    "streaming": "partial"
  }
}

安全策略：

  • dmPolicy: "pairing": 私信配对模式。陌生人第一次发消息时，机器人会生成一个配对码，需要主人批准后才能对话。这比 allowlist 更灵活，也比 open 更安全。
  • groupPolicy: "allowlist": 群组白名单模式。只有在 groupAllowFrom 列表中的群组 ID 才能使用机器人。
  • groupAllowFrom: 允许的群组 ID 列表。获取群组 ID 的方法是：先把机器人拉入群组，然后访问 https://api.telegram.org/bot<Token>/getUpdates，在返回的 JSON 中找 chat.id。

流式响应配置#

streaming: "partial" 启用流式响应。这意味着机器人生成回复时会实时发送片段，而不是等全部生成完再发。用户体验更好，但会消耗更多 Telegram API 配额。

其他可选值：

  • off: 关闭流式，一次性发送完整消息
  • block: 分块发送，适合长消息
  • progress: 显示进度指示器

Tools 配置：工具链与安全防护#

tools 模块配置代理可以使用的工具集。

循环检测配置#

这是我最喜欢的功能之一，防止 AI “鬼打墙”：

"loopDetection": {
  "enabled": true,
  "warningThreshold": 10,
  "criticalThreshold": 20,
  "globalCircuitBreakerThreshold": 30,
  "detectors": {
    "genericRepeat": true,
    "knownPollNoProgress": true,
    "pingPong": true
  }
}

检测机制：

  • warningThreshold: 10: 连续 10 次相似响应时触发警告
  • criticalThreshold: 20: 连续 20 次时触发关键警告
  • globalCircuitBreakerThreshold: 30: 连续 30 次时强制切断，防止无限循环

三个检测器分别识别不同类型的循环：

  • genericRepeat: 通用的重复内容检测
  • knownPollNoProgress: 检测无进展的轮询行为
  • pingPong: 检测来回反复的”乒乓”对话

Web 搜索配置#

"web": {
  "search": {
    "enabled": true,
    "provider": "brave",
    "apiKey": "${BRAVE_API_KEY}"
  }
}

配置了 Brave Search API。相比 Google，Brave 的隐私保护更好，而且提供免费额度。代理可以通过 /search 命令或工具调用进行网络搜索，获取最新信息。

会话管理#

"sessions": {
  "visibility": "agent"
}

控制会话的可见范围。agent 表示每个代理只能看到自己的会话，代理之间不共享对话历史。

Session 配置：会话生命周期管理#

"session": {
  "dmScope": "per-channel-peer",
  "reset": {
    "mode": "idle",
    "idleMinutes": 43200
  }
}
  • dmScope: "per-channel-peer": 私信隔离模式。每个对话对象拥有独立的会话上下文，不同用户之间的对话互不影响。这对多用户场景很重要。
  • reset.mode: "idle": 空闲重置模式。当会话空闲超过指定时间后自动重置。
  • idleMinutes: 43200: 43200 分钟 = 30 天。也就是说，30 天没对话的会话会被自动清理。

其他重置模式还有：

  • daily: 每天固定时间重置
  • manual: 只通过 /reset 命令手动重置

Commands 与 Hooks：命令系统和内部钩子#

命令配置#

"commands": {
  "native": "auto",
  "nativeSkills": "auto",
  "ownerDisplay": "raw",
  "restart": true
}
  • native: "auto": 自动注册原生命令（如 Discord 的斜杠命令、Telegram 的菜单命令）
  • restart: true: 允许通过 /restart 命令重启网关

内部钩子#

"hooks": {
  "internal": {
    "enabled": true,
    "entries": {
      "boot-md": { "enabled": true },
      "command-logger": { "enabled": true },
      "session-memory": { "enabled": true }
    }
  }
}

这些是 OpenClaw 的内部扩展点：

  • boot-md: 启动时读取工作区的 Markdown 引导文件
  • command-logger: 记录命令执行日志
  • session-memory: 会话记忆管理

实战技巧：从配置到落地#

1. 环境变量管理#

生产环境不要把 API Key 直接写在配置里。使用 ${VAR_NAME} 占位符，然后通过环境变量注入：

Terminal window
export IW_API_KEY="sk-xxx"
export TELEGRAM_BOT_TOKEN="123456:ABC..."
export GATEWAY_AUTH_TOKEN="your-token"
export BRAVE_API_KEY="BSA..."
export NVIDIA_API_KEY="nvapi-..."


openclaw start

Docker 部署时可以写在 .env 文件里，或者使用 secrets 管理工具。

2. 故障转移实战#

虽然我配置了 10 个模型，但默认只用一个。要实现自动故障转移，需要在 agents.defaults.model 中设置 fallbacks：

"model": {
  "primary": "iw/kimi-k2.5",
  "fallbacks": [
    "iw/gpt-5.4",
    "iw/glm-5",
    "iw/qwen3.5-plus"
  ]
}

当 Kimi 不可用时（返回 5xx 错误、超时、或响应格式异常），OpenClaw 会按顺序尝试备用模型。根据官方文档，故障转移会在以下情况触发：

  • API 返回 5xx 错误
  • 请求超时（默认 600 秒）
  • 模型响应格式异常
  • 模型明确返回不可用状态

3. 监控与调试#

OpenClaw 提供了几个有用的诊断命令：

Terminal window
# 检查配置完整性
openclaw doctor


# 查看实时日志
openclaw logs -f


# 测试模型连接
openclaw models test iw/kimi-k2.5


# 查看网关状态
openclaw gateway status

建议在配置文件中开启详细日志：

"logging": {
  "level": "info",
  "consoleLevel": "info"
}

4. 性能优化#

如果你发现响应变慢，可以调整这些参数：

  • maxConcurrent: 降低并发数，减少资源竞争
  • contextTokens: 减小上下文窗口，降低 token 消耗
  • timeoutSeconds: 缩短超时时间，快速失败
  • compaction: 启用更激进的对话压缩策略

安全建议#

最后强调几个安全要点：

  1. Token 保护: Gateway Auth Token 拥有完全控制权，泄露等于服务器被接管。使用强密码，定期更换。

  2. 群组白名单: 务必配置 groupAllowFrom，防止机器人被拉入恶意群组。

  3. 私信配对: 生产环境建议使用 pairing 模式，不要开 open。

  4. 沙箱隔离: 如果启用了代码执行工具，务必配置 Docker 沙箱：

"sandbox": {
  "mode": "non-main",
  "docker": {
    "network": "none",
    "readOnlyRoot": true
  }
}
  1. 定期审计: 定期运行 openclaw doctor --fix 检查配置安全问题。

总结#

这份配置涵盖了 OpenClaw 的核心能力：多模型管理、记忆系统、渠道接入、工具扩展。几个关键要点：

  • 模型配置: 使用 providers 定义模型端点，agents.defaults.models 声明可用模型
  • 故障转移: 通过 fallbacks 数组实现自动切换
  • 记忆系统: QMD + 向量嵌入，实现长期记忆
  • 安全配置: loopback 绑定 + Token 认证 + 白名单
  • 监控维护: 心跳任务 + 循环检测 + 空闲重置

OpenClaw 的学习曲线确实比较陡，但一旦配置完成，它就是一个非常强大的 AI 网关。希望这份配置能帮你少走一些弯路。有问题欢迎在评论区留言讨论。

参考链接：

OpenClaw 完整配置指南：AI网关的进阶玩法
https://im.awsl.app/posts/ai-automation/077-openclaw-config/
作者
uu
发布于
2026-03-15
许可协议
CC0 1.0
Terminal Bench 2 作弊丑闻剖析：排行榜上的"表演艺术"
© 2026 uu. All Rights Reserved. / RSS / Sitemap
Powered by Astro & Fuwari