1. 项目概述：从“养虾”到构建你的AI智能体生态

最近在AI圈子里，“养虾”这个词突然火了起来，乍一听有点摸不着头脑，但如果你关注腾讯云和AI智能体，就会明白这其实是一个充满趣味的黑话。所谓的“虾”，指的就是以OpenClaw、WorkBuddy、QClaw等为代表的一系列AI智能体工具。而“养虾”，就是部署、配置、调教这些智能体，让它们成为你工作流中的得力助手，帮你自动化处理任务、分析数据甚至编写代码。

这个“腾讯全系龙虾攻略”项目，本质上是一份面向开发者和技术爱好者的综合性实践指南。它不局限于某个单一工具，而是试图串联起腾讯生态内（及周边）几个关键的AI智能体组件，构建一个可用的、功能互补的“虾塘”。你会发现，单独使用OpenClaw可能觉得功能单一，结合WorkBuddy又打开了新世界的大门，而QClaw则可能提供了另一种部署思路。本攻略的目的，就是帮你理清这些工具的关系、各自的定位、部署的坑点以及联动的玩法，让你不仅能“抓到虾”，更能“养好虾”，最终打造一个属于你自己的AI智能体应用开发与调试平台。

无论你是想体验最新的AI智能体技术，还是切实希望提升工作效率，自动化重复性劳动，这份攻略都将从最落地的实操角度出发，涵盖从环境准备、工具部署、核心功能配置到排错优化的全流程。我们会重点聚焦于OpenClaw和WorkBuddy，因为它们是当前社区热度最高、玩法最丰富的两个代表，同时也会探讨QClaw作为替代或补充方案的可能性。整个过程中，我们将使用腾讯云 Lighthouse这类轻量应用服务器作为我们的“虾塘”基础环境，确保方案的可行性和复现性。

2. 核心工具拆解：认识你的“虾苗”

在开始“养虾”之前，我们必须先搞清楚我们要养的“虾”到底是什么，有什么特性，以及它们之间如何配合。整个生态目前主要由几个核心项目构成，理解它们的差异和联系是成功部署的第一步。

2.1 OpenClaw：开源的AI智能体执行内核

OpenClaw是目前最受关注的开源AI智能体框架之一。你可以把它理解为一个“智能体大脑”或“执行引擎”。它的核心能力是接收自然语言指令，然后将其分解、规划并执行一系列具体的操作（Skill），比如操作浏览器、读写文件、调用API、执行命令行命令等。

• 核心定位：任务分解与执行器。它不直接提供丰富的用户界面或预制工作流，而是提供了一个强大的底层框架，让开发者可以基于此构建复杂的智能体应用。
• 关键特性：
  1. 技能（Skill）扩展：其能力高度依赖于加载的技能。社区提供了许多技能，如网页浏览、文档处理、代码执行等，你也可以开发自定义技能。
  2. 模型无关性：虽然通常与大型语言模型（LLM）配合使用（如通过Ollama部署的本地模型或云端API），但其架构设计是模型无关的。
  3. 开源与可定制：作为开源项目，你可以深度定制其行为，集成到自己的系统中。
• 常见部署形态：通常以Docker容器或Python包的形式部署。openclaw/crestodian是其核心组件的Docker镜像之一。

注意：网络上大量的openclaw llamap svr operator(): got exception: { "error": { "code": 400这类错误，通常发生在OpenClaw与后端AI模型服务（如Ollama）通信时，原因可能是模型未正确加载、API路径配置错误或模型不支持。这是部署中最常见的坑点之一。

2.2 WorkBuddy：面向办公场景的智能体工作台

如果说OpenClaw是发动机，那么WorkBuddy就是一套漂亮的汽车外壳和内饰，提供了用户直接交互的界面和预设的便捷功能。它被宣传为一款“AI智能体工作台”，更侧重于开箱即用的体验和与日常办公工具的集成。

• 核心定位：用户友好的智能体应用平台。它提供了图形化界面，可能内置了对话、文件处理、信息查询等常见功能，降低了非技术用户的使用门槛。
• 关键特性：
  1. 集成化工作台：很可能提供了一个统一的Web界面，用户可以在其中与多个智能体或技能交互。
  2. 预制技能与流程：可能内置了针对办公、研发等场景优化过的技能和工作流模板。
  3. 企业级特性：从其“蓝皮书”和可能存在的“麒麟版”来看，WorkBuddy可能更注重私有化部署、权限管理和与企业现有系统（如飞书、MAPI？）的对接能力。网络热词中的workbuddy对接map可能指的就是此类集成。
• 与OpenClaw的关系：这是最容易混淆的点。根据社区信息推测，WorkBuddy可能是建立在类似OpenClaw这样的智能体内核之上，并进行了产品化封装和界面开发。因此，部署WorkBuddy有时可能需要或兼容OpenClaw的某些组件。也有可能是两个独立但理念相似的产品。

2.3 QClaw 与腾讯云生态

QClaw的信息相对较少，从“Q”前缀和“腾讯云”关联词来看，它很可能是腾讯云官方或紧密关联方推出的AI智能体产品/项目。它可能提供了另一种部署模式，比如更深度集成腾讯云API、COS对象存储、云函数等服务的智能体框架。

• 核心定位：云原生智能体解决方案。可能是腾讯云为了推广其云服务，提供的与云生态结合更紧密的智能体工具。
• 部署考量：如果你已经在使用腾讯云的其他服务，选择QClaw可能在集成度和稳定性上会有优势。但对于想体验最开源、最社区化玩法的用户，OpenClaw仍是首选。

2.4 环境基石：腾讯云Lighthouse

“养虾”需要“池塘”。对于个人开发者或小型团队，购买和维护物理服务器成本高昂。腾讯云 Lighthouse（轻量应用服务器）提供了一个绝佳的解决方案。

• 为什么选择Lighthouse？
  1. 性价比高：相对于云服务器CVM，Lighthouse以套餐形式售卖，包含流量包，对于中等负载的AI应用（尤其是调用API而非本地运行大模型）非常划算。
  2. 开箱即用：镜像市场可能提供预装Docker、Python等环境的系统镜像，省去基础环境配置时间。
  3. 网络优化：对于国内用户，访问速度和稳定性通常好于海外VPS。
• 配置建议：对于运行OpenClaw+Ollama（轻量级模型）或WorkBuddy，建议选择至少2核4GB配置的Lighthouse。如果需要运行更大的本地模型（如7B参数以上），则需要4核8GB或更高配置，并注意磁盘空间（模型文件很大）。

3. 基础环境搭建与部署实战

我们选择以腾讯云Lighthouse作为基础服务器，以Docker容器化部署作为主要方式，因为这种方式最干净、易维护且易于复现。本部分将详细讲解从服务器初始化到核心组件运行的每一步。

3.1 服务器初始化与基础配置

首先，购买一台腾讯云Lighthouse服务器。地域选择离你近的，系统镜像推荐选择Ubuntu 22.04 LTS或CentOS 7.9（本文以Ubuntu为例）。完成购买并获取服务器IP、用户名（默认为ubuntu）和密码或SSH密钥。

1. SSH登录服务器：

   ssh ubuntu@你的服务器IP

2. 系统更新与基础工具安装：

   sudo apt update && sudo apt upgrade -y sudo apt install -y curl wget git vim net-tools

3. 安装Docker与Docker Compose： Docker是容器化部署的基石。使用官方脚本安装是最快的方式。

   # 安装Docker curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh sudo usermod -aG docker $USER # 将当前用户加入docker组，避免每次用sudo # 安装Docker Compose插件（Docker新版本已集成） sudo apt install -y docker-compose-plugin # 验证安装 docker --version docker compose version

   安装后需要退出SSH重新登录，以便用户组权限生效。

4. 安装Ollama（可选，但强烈推荐）： Ollama让你能在本地运行开源大语言模型，是OpenClaw等智能体的“大脑”。使用其一键安装脚本。

   curl -fsSL https://ollama.ai/install.sh | sh # 启动Ollama服务 ollama serve & # 拉取一个轻量级模型，例如Llama 3.1 8B ollama pull llama3.1:8b

   实操心得：在Lighthouse上，根据配置选择合适的模型。2核4GB内存的机器运行7B模型已是极限，且推理速度较慢。8B模型需要至少4核8GB。初次体验可先使用更小的模型，如qwen2.5:0.5b或phi3:mini，确保服务能跑起来。

3.2 Docker部署OpenClaw核心服务

OpenClaw的部署围绕其核心镜像openclaw/crestodian展开。我们将使用Docker Compose来定义和管理服务。

1. 创建项目目录并编写docker-compose.yml：

   mkdir openclaw-demo && cd openclaw-demo vim docker-compose.yml

   将以下内容写入docker-compose.yml。这个配置定义了两个服务：ollama（提供模型能力）和crestodian（OpenClaw核心）。

   version: '3.8' services: ollama: image: ollama/ollama:latest container_name: ollama restart: unless-stopped volumes: - ollama_data:/root/.ollama ports: - "11434:11434" networks: - openclaw-net crestodian: image: openclaw/crestodian:latest container_name: crestodian restart: unless-stopped depends_on: - ollama environment: - OLLAMA_HOST=http://ollama:11434 - OLLAMA_MODEL=llama3.1:8b # 修改为你实际拉取的模型名 - LOG_LEVEL=INFO ports: - "8000:8000" volumes: - ./skills:/app/skills # 挂载技能目录，方便自定义 - ./workspace:/app/workspace # 挂载工作空间 networks: - openclaw-net volumes: ollama_data: networks: openclaw-net: driver: bridge

2. 启动服务：

   docker compose up -d

   使用docker compose logs -f crestodian查看日志，等待服务启动完成。当你看到类似Uvicorn running on http://0.0.0.0:8000的日志时，说明服务已就绪。

3. 验证部署： 打开浏览器，访问http://你的服务器IP:8000/docs，你应该能看到OpenClaw的API文档页面（Swagger UI）。这证明核心服务部署成功。

   避坑指南：如果访问不了，首先检查Lighthouse防火墙（安全组）是否放行了8000端口。在腾讯云控制台，找到你的Lighthouse实例，进入“防火墙”选项卡，添加一条允许TCP 8000端口的规则。

3.3 部署与配置WorkBuddy

WorkBuddy的部署方式可能多样，根据其发布形式，可能是独立的Docker镜像，也可能是一个需要编译的前后端项目。这里我们基于网络信息，假设一种常见的Docker化部署方式。

1. 获取WorkBuddy镜像： 由于WorkBuddy并非完全开源或镜像名称不确定，这里需要你根据找到的确切资源来操作。假设其镜像为workbuddy/workbench:latest。

   docker pull workbuddy/workbench:latest

2. 编写WorkBuddy的Docker Compose配置： 在openclaw-demo目录下，我们可以扩展之前的docker-compose.yml，或者新建一个。为了管理方便，我们新建一个。

   cd .. mkdir workbuddy-demo && cd workbuddy-demo vim docker-compose.yml

   version: '3.8' services: workbuddy: image: workbuddy/workbench:latest # 请替换为实际镜像名 container_name: workbuddy restart: unless-stopped ports: - "3000:3000" # 假设Web端口是3000 environment: - OPENCLAW_API_URL=http://你的OpenClaw服务器IP:8000 # 关键！配置OpenClaw后端地址 - DB_URL=sqlite:///data/workbuddy.db # 示例数据库配置 volumes: - workbuddy_data:/data networks: - workbuddy-net volumes: workbuddy_data: networks: workbuddy-net: driver: bridge

   关键点：OPENCLAW_API_URL环境变量。这指示了WorkBuddy去哪里寻找AI智能体执行引擎。如果你将OpenClaw和WorkBuddy部署在同一台服务器，且OpenClaw使用host网络或同一Docker网络，这里可以填内部服务名，如http://crestodian:8000。

3. 启动并访问：

   docker compose up -d docker compose logs -f workbuddy

   访问http://你的服务器IP:3000，根据WorkBuddy的界面进行初始设置。

   重要提示：WorkBuddy的具体配置项、端口、数据持久化路径强烈依赖于其官方文档或发布说明。以上配置仅为示例，务必以你获取到的实际部署指南为准。网络热词中的workbuddy安装教程、workbuddy蓝皮书就是你寻找准确信息的钥匙。

4. 核心功能配置与联动实践

部署成功只是第一步，让“虾”们动起来并协同工作才是目标。本节将深入配置OpenClaw的技能，并尝试实现OpenClaw与WorkBuddy的初步联动。

4.1 为OpenClaw安装与配置技能（Skill）

OpenClaw的强大之处在于技能。默认安装可能只包含基础技能，我们需要为其添加更多能力。

1. 探索可用技能： OpenClaw的技能通常以Python包或特定格式的模块存在。你可以查阅OpenClaw的官方GitHub仓库或社区论坛，寻找技能列表。常见的技能包括：

   • web-browsing: 网页浏览与内容提取。
   • file-operations: 文件读写操作。
   • shell-command: 执行系统命令（需谨慎配置权限）。
   • code-interpreter: 代码解释与执行。

2. 安装技能示例（以自定义技能目录为例）： 在我们的docker-compose.yml中，我们将宿主机的./skills目录挂载到了容器的/app/skills。我们可以将技能代码放置于此。

   # 在宿主机上操作 cd /path/to/openclaw-demo mkdir -p skills/my_custom_skill # 假设一个简单的技能结构 cat > skills/my_custom_skill/__init__.py << 'EOF' from typing import Any, Dict from crestodian.skills.base import Skill class MyEchoSkill(Skill): name = "my_echo" description = "A simple skill that echoes the input with a prefix." async def execute(self, input_data: Dict[str, Any]) -> Dict[str, Any]: text = input_data.get("text", "") return {"result": f"[Echo] You said: {text}"} EOF

   然后，你需要修改OpenClaw的配置（可能通过环境变量或配置文件）来加载这个技能目录。具体配置方式需参考OpenClaw文档。

3. 通过API测试技能： 部署并加载技能后，可以通过OpenClaw的API进行测试。

   # 使用curl调用技能 curl -X POST http://localhost:8000/api/v1/skills/execute \ -H "Content-Type: application/json" \ -d '{ "skill_name": "my_echo", "input": {"text": "Hello, OpenClaw!"} }'

   期望的返回应包含{"result": "[Echo] You said: Hello, OpenClaw!"}。

4.2 配置WorkBuddy连接OpenClaw后端

这是实现联动的关键。WorkBuddy作为前端工作台，需要知道如何将用户请求发送给后端的OpenClaw执行引擎。

1. 在WorkBuddy管理界面配置： 通常，WorkBuddy的Web管理界面会有一个“系统设置”、“后端配置”或“AI服务设置”的选项。在这里，你需要填写OpenClaw的API地址。

   • API地址：http://你的OpenClaw服务器IP:8000
   • API密钥：如果OpenClaw配置了认证，则需要填写。默认部署可能没有。
   • 模型选择：这里可能指的是WorkBuddy界面使用的对话模型，可能与OpenClaw执行的模型是两回事。需要区分清楚。

2. 验证连接： 在WorkBuddy界面中，尝试发起一个简单的任务，例如“请列出当前目录下的文件”。如果配置正确，WorkBuddy会将这个指令发送给OpenClaw，OpenClaw调用file-operations或shell-command技能执行ls命令，并将结果返回给WorkBuddy展示。

3. 创建简单工作流： WorkBuddy的优势可能在于可视化工作流编排。你可以尝试创建一个工作流，包含以下步骤：

   • 触发条件：手动触发或定时触发。
   • 动作1：调用OpenClaw技能，从某个URL获取天气信息（使用web-browsing技能）。
   • 动作2：调用OpenClaw技能，将获取的天气信息保存到一个文本文件中（使用file-operations技能）。
   • 动作3：调用OpenClaw技能，读取该文件并将内容摘要发送到某个通知渠道（需要自定义或使用通知技能）。 通过这样的实践，你就能深刻理解WorkBuddy作为“工作台”如何调度OpenClaw这个“执行引擎”。

4.3 使用Docker网络实现服务间通信

如果你将OpenClaw和WorkBuddy部署在同一台服务器的不同Docker Compose项目中，它们默认无法通过服务名直接通信。最佳实践是创建一个共用的Docker网络。

1. 创建共用网络：

   docker network create ai-agent-network

2. 修改OpenClaw的docker-compose.yml，让其服务加入这个网络，并移除自建网络。

   # 在openclaw的docker-compose.yml中 services: ollama: # ... 其他配置 ... networks: - ai-agent-network # 替换原有的 openclaw-net crestodian: # ... 其他配置 ... networks: - ai-agent-network # 替换原有的 openclaw-net # 移除顶层的 networks: 定义 # networks: # openclaw-net: # driver: bridge

3. 修改WorkBuddy的docker-compose.yml，让其也加入同一网络。

   services: workbuddy: # ... 其他配置 ... networks: - ai-agent-network environment: - OPENCLAW_API_URL=http://crestodian:8000 # 现在可以使用服务名了！ # 同样移除顶层的网络定义

4. 重启服务： 分别进入两个项目的目录，执行docker compose down然后docker compose up -d。现在，WorkBuddy容器内可以通过http://crestodian:8000直接访问到OpenClaw服务，无需暴露公网IP，更安全便捷。

5. 高级玩法、优化与故障排查

当基础功能跑通后，我们可以探索更高级的用法，并对系统进行优化，同时准备好应对可能出现的各种问题。

5.1 技能开发与集成：打造专属“虾”

OpenClaw的真正威力在于自定义技能。假设我们需要一个技能来查询腾讯云Lighthouse实例的状态。

1. 技能规划：

   • 名称：tencent_lighthouse_status
   • 描述：通过腾讯云API查询指定地域下所有Lighthouse实例的状态信息。
   • 输入：secret_id（API密钥ID），secret_key（API密钥），region（地域，如ap-guangzhou）。
   • 输出：实例列表，包含每个实例的ID、名称、状态、公网IP等。

2. 技能实现框架：

   # skills/tencent_lighthouse/__init__.py import json from typing import Any, Dict from tencentcloud.common import credential from tencentcloud.common.profile.client_profile import ClientProfile from tencentcloud.common.profile.http_profile import HttpProfile from tencentcloud.lighthouse.v20200324 import lighthouse_client, models from crestodian.skills.base import Skill class TencentLighthouseStatusSkill(Skill): name = "tencent_lighthouse_status" description = "Fetch status of Tencent Cloud Lighthouse instances." async def execute(self, input_data: Dict[str, Any]) -> Dict[str, Any]: try: secret_id = input_data.get("secret_id") secret_key = input_data.get("secret_key") region = input_data.get("region", "ap-guangzhou") if not secret_id or not secret_key: return {"error": "Missing secret_id or secret_key"} cred = credential.Credential(secret_id, secret_key) httpProfile = HttpProfile() httpProfile.endpoint = "lighthouse.tencentcloudapi.com" clientProfile = ClientProfile() clientProfile.httpProfile = httpProfile client = lighthouse_client.LighthouseClient(cred, region, clientProfile) req = models.DescribeInstancesRequest() params = {} req.from_json_string(json.dumps(params)) resp = client.DescribeInstances(req) instance_list = [] for instance in resp.InstanceSet: instance_list.append({ "InstanceId": instance.InstanceId, "InstanceName": instance.InstanceName, "InstanceState": instance.InstanceState, "PublicAddresses": instance.PublicAddresses, }) return {"instances": instance_list} except Exception as e: return {"error": str(e)}

3. 安装依赖与配置： 在技能目录下创建requirements.txt，添加tencentcloud-sdk-python。你需要在OpenClaw的Dockerfile或启动脚本中确保这个技能目录的依赖被安装。更简单的方法是在宿主机安装后，确保容器能访问到Python的site-packages。

4. 安全提醒：此类技能涉及敏感密钥，绝对不要将密钥硬编码在代码中。应该通过OpenClaw的技能配置系统或环境变量动态传入。在生产环境中，务必使用安全的密钥管理方案。

5.2 性能优化与监控

1. Ollama模型优化：

   • 量化模型：使用Ollama拉取量化版本的模型，如llama3.1:8b-instruct-q4_K_M，能在几乎不损失精度的情况下大幅减少内存占用和提升推理速度。
   • GPU支持：如果你的Lighthouse配备了GPU（目前较少见），确保Ollama在安装时启用了GPU支持，可以极大提升速度。
   • 模型预热：对于常驻服务，可以在启动后先发送一个简单的推理请求，让模型加载到内存中，避免第一次请求的冷启动延迟。

2. 服务监控：

   • Docker资源监控：使用docker stats命令实时查看各容器的CPU、内存占用。
   • 日志集中管理：使用Docker Compose的日志驱动，或将日志重定向到文件，方便排查问题。docker compose logs --tail=100 -f service_name是跟踪日志的利器。
   • 基础系统监控：在Lighthouse上安装htop、nethogs等工具，监控整体系统资源。

5.3 常见问题与故障排查实录

以下是我在多次部署和调试中遇到的典型问题及解决方法：

5.4 安全加固建议

1. 最小化暴露：除非必要，不要将管理界面（如Ollama的11434端口，OpenClaw的8000端口）直接暴露到公网。可以通过SSH隧道、反向代理（如Nginx）加上认证来访问。
2. 使用非root用户运行容器：在Dockerfile或docker-compose.yml中指定用户。

   services: crestodian: # ... user: "1000:1000" # 使用UID和GID

3. 定期更新：关注OpenClaw、Ollama等项目的GitHub仓库，定期更新镜像到最新版本，修复安全漏洞。
4. 密钥管理：切勿将云服务API密钥、数据库密码等硬编码在代码或镜像中。使用Docker Secrets、环境变量文件（.env，并加入.gitignore）或专业的密钥管理服务。

“养虾”之旅到这里就告一段落了。从选择“虾塘”（Lighthouse），到引入“虾苗”（OpenClaw/WorkBuddy），再到配置环境、投喂“饲料”（技能与模型），最后应对各种“病害”（故障排查），整个过程就像一次有趣的数字生物培育实验。我个人的体会是，初期部署的挫败感很强，尤其是网络配置和错误排查，但一旦打通任督二脉，看到智能体按照你的指令自动完成一系列操作时，那种成就感是无与伦比的。目前这个生态还在快速演进中，新的工具和技能不断涌现，保持关注社区动态，敢于动手尝试和分享，是玩转这个领域的不二法门。最后一个小技巧：善用docker system prune -a定期清理无用的镜像和容器，能为你宝贵的服务器磁盘省出不少空间，毕竟模型文件动辄几个GB，磁盘空间也是“养虾”的重要资源。