本地部署 OpenClaw + DeepSeek-R1 完全指南

------基于 WSL2 + Windows 11 的创客级配置

作者：钰珠AIOT（全网同号）

适用对象：有一定技术基础的 DIY 爱好者、创客、AI 应用开发者

配置日期：2026年2月

📝 写在前面

如果你和我一样，希望拥有一个完全本地、隐私安全、可自由定制的 AI 助手，同时不想被云端 API 的费用和网络限制束缚，那么这篇文章就是为你准备的。

我将分享如何在 Windows 11 + WSL2 环境下，成功部署 OpenClaw（强大的 AI Agent 框架） + DeepSeek-R1-32B（本地推理模型） 的全过程。整个过程踩了不少坑，希望这份指南能让你少走弯路。

我的硬件配置：

CPU：Intel i9-12900K
GPU：NVIDIA RTX 3090（24GB 显存）
内存：64GB DDR5
系统：Windows 11 专业版 23H2
WSL2：Ubuntu 22.04 LTS

🤔 为什么选择 DeepSeek-R1-32B？

在选择模型的过程中，我经历了多次试错：

❌ 被淘汰的选项

Qwen 2.5 32B Instruct：虽然中文能力强，但在实际 Agent 任务（多步推理、工具调用）中表现不佳，经常"理解不了我的意思"，就像个"智障"。
Qwen 2.5 7B/14B：显存占用虽小，但智能程度不足以处理复杂任务。
DeepSeek-R1-70B：性能极强，但 Q4 量化后仍需要约 40GB 显存，我的 3090 无法承受。

✅ 最终选择：DeepSeek-R1-32B Q4_K_M 量化版

核心优势：

推理能力卓越：DeepSeek-R1 系列专门针对复杂推理任务优化，在数学、代码生成、逻辑拆解上表现接近 70B 级模型
显存友好 ：Q4_K_M 量化后仅需 20-22GB 显存，刚好能在我 24GB 的 3090 上流畅运行，还有余量给上下文
工具调用支持：社区验证对 OpenClaw 的 Agent 任务支持良好
本地隐私：所有数据不出电脑，适合桌面机器人这类敏感场景

关于量化级别的选择（Q4_K_M vs Q8_0）：

q8_0：精度更高，但需要 32-34GB 显存，3090 装不下
q4_K_M：显存占用 20-22GB，智能损失极小，日常任务几乎感觉不到差异，是我 24GB 显存的"黄金选择"

🛠️ 部署前的准备工作

1. 系统要求确认

Windows 11（版本 22H2 或更高，以支持 WSL2 的镜像网络模式）
NVIDIA 显卡 + 最新驱动（我的是 566.36）
足够大的硬盘空间（模型约 20GB，建议预留 50GB）

2. 安装 WSL2 和 Ubuntu 22.04

以管理员身份打开 PowerShell，运行：

powershell

复制

下载

复制代码

# 启用 WSL 功能
dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

# 重启电脑后，设置 WSL2 为默认版本
wsl --set-default-version 2

# 安装 Ubuntu 22.04
wsl --install -d Ubuntu-22.04

安装过程中会提示设置用户名和密码，记住它们。

3. 配置 WSL2 镜像网络模式（关键！）

为了让 WSL2 中的 OpenClaw 能直接访问 Windows 中的 Ollama，我们需要启用 WSL2 的镜像网络模式。

在 Windows 的用户目录（C:\Users\你的用户名）下创建文件 .wslconfig，内容如下：

ini

复制

下载

复制代码

[wsl2]
networkingMode=mirrored
dnsTunneling=true
firewall=true
autoProxy=true

然后重启 WSL：

powershell

复制

下载

复制代码

wsl --shutdown

重新打开 WSL 终端，网络配置生效。

📥 在 Windows 中安装 Ollama 和模型

1. 安装 Ollama

访问 ollama.com 下载 Windows 版本，直接安装即可。安装后 Ollama 会自动在后台运行，系统托盘会有图标。

2. 设置模型存储位置（可选）

为了不占用宝贵的 C 盘空间，我设置了环境变量将模型存到 D 盘：

打开系统环境变量设置
新建用户变量 OLLAMA_MODELS，值为 D:\ollama_models
重启 Ollama（系统托盘退出后重新启动）

3. 拉取 DeepSeek-R1-32B 模型

打开 Windows 的命令提示符或 PowerShell，运行：

cmd

复制

下载

复制代码

ollama pull deepseek-r1:32b

注意：不要用 deepseek-r1:32b-q4_K_M ，这个标签不存在。官方 deepseek-r1:32b 就是 32B 参数的 Q4_K_M 量化版。

下载过程大约需要 20-30 分钟（取决于网速），文件大小约 20GB。完成后可用 ollama list 验证。

4. 测试模型

cmd

复制

下载

复制代码

ollama run deepseek-r1:32b "请简单介绍一下自己"

如果能正常回答，说明模型已就绪。

🐧 在 WSL2 Ubuntu 中安装 OpenClaw

1. 进入 WSL2 终端

powershell

复制

下载

复制代码

wsl ~

2. 安装 Node.js（OpenClaw 依赖）

bash

复制

下载

复制代码

curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash -
sudo apt-get install -y nodejs

3. 安装 OpenClaw

bash

复制

下载

复制代码

curl -fsSL https://openclaw.ai/install.sh | bash

安装脚本会自动完成以下工作：

下载 OpenClaw 核心文件
安装必要的 npm 依赖
创建配置目录 ~/.openclaw

安装完成后，重新加载 shell 配置或重启终端：

bash

复制

下载

复制代码

source ~/.bashrc

4. 验证 OpenClaw 安装

bash

复制

下载

复制代码

openclaw --version

如果能显示版本号（如 2026.2.22-2），说明安装成功。

🔗 打通 OpenClaw 与 Windows 中的 Ollama

1. 确认网络互通

由于我们启用了 WSL2 的镜像网络模式，WSL2 可以直接通过 localhost 访问 Windows 服务。在 WSL2 终端中测试：

bash

复制

下载

复制代码

curl http://localhost:11434/api/tags

如果返回 JSON 格式的模型列表（包含 deepseek-r1:32b），说明网络已通。

如果上述命令失败，可回退到 NAT 模式获取 Windows IP：

bash

复制

下载

复制代码

# 获取 Windows 主机 IP
ip route show | grep default | awk '{print $3}'

然后用该 IP 替换 localhost 测试。

2. 配置 OpenClaw 使用本地模型

运行配置向导：

bash

复制

下载

复制代码

openclaw onboard

在向导中关键步骤的选择：

Onboarding mode → Manual
Gateway type → Local gateway (this machine)
Workspace directory → 默认（回车）
Model/Auth provider → Custom Provider（因为我们要连接本地 Ollama）
API Base URL → http://localhost:11434/v1（如果镜像网络模式生效）或 http://<Windows-IP>:11434/v1
API Key → 任意值（如 ollama-local），本地不校验
Model name → deepseek-r1:32b（必须与 ollama list 显示的名称一致）

其他选项可根据需要配置，保持默认即可。

3. 启动 OpenClaw

bash

复制

下载

复制代码

openclaw gateway --port 18789

如果一切正常，你会看到类似这样的输出：

text

复制

下载

复制代码

🦞 OpenClaw gateway listening on http://localhost:18789

4. 测试 Agent 功能

另开一个 WSL2 终端，运行：

bash

复制下载

复制代码

openclaw tui

然后输入一个测试指令，比如：

"帮我创建一个名为 test.txt 的文件，内容写上 'OpenClaw + DeepSeek 测试成功'"

观察模型是否能正确理解并执行。如果当前目录出现 test.txt 文件，说明整个链路已打通！

🚧 常见问题与避坑指南

❓ 问题1：`ollama pull deepseek-r1:32b` 报错 "file does not exist"

原因：模型名称输入错误。
解决：直接用 deepseek-r1:32b，不要加 -q4_K_M 后缀。

❓ 问题2：WSL2 无法访问 Windows 的 localhost

原因：WSL2 默认 NAT 模式需要额外配置。
解决：首选启用镜像网络模式（如前文 .wslconfig 配置）。如果不行，使用 Windows IP 访问。

❓ 问题3：OpenClaw 调用模型时报错 "model not found"

原因：OpenClaw 配置中的 model name 与 Ollama 中的不一致。
解决：运行 ollama list 查看确切的模型名称，确保配置中完全一致（包括大小写）。

❓ 问题4：DeepSeek-R1 响应特别慢（>30 tokens/s 算正常？）

分析：32B Q4 模型在 3090 上约 17-24 tokens/s，这是正常速度。如果低于 10 tokens/s，检查：

是否有其他程序占用 GPU
是否用了更低效的量化版本
WSL2 中的 OpenClaw 是否走网络调用有损耗

❓ 问题5：OpenClaw 的 Agent 任务总是超时失败

原因：模型推理速度慢 + 上下文累积。
解决：在 OpenClaw 配置中适当增加超时时间，或减少单次任务的复杂度。

💡 进阶优化建议

1. 设置模型自动加载

让 Ollama 在后台常驻，并将模型预加载到内存：

cmd

复制

下载

复制代码

ollama run deepseek-r1:32b --keep-alive -1

2. 配置 OpenClaw 开机自启

在 WSL2 中创建 systemd 服务，或简单地在 Windows 任务计划程序中启动 WSL 命令。

3. 分层模型策略

为不同任务配置不同模型：

简单意图识别 → 轻量模型（如 Qwen 2.5 7B）
复杂推理 → DeepSeek-R1-32B

OpenClaw 支持多模型配置，可根据任务动态切换。

4. 定期运行安全审计

bash

复制代码

openclaw security audit --deep
openclaw security audit --fix

保持系统安全基线。

🎯 总结与下一步

至此，你已经拥有了一套完全本地的 AI Agent 系统：

OpenClaw 负责理解任务、拆解步骤、调用工具
DeepSeek-R1-32B 提供强大的推理能力
Ollama 负责模型运行和 API 服务
WSL2 + Windows 提供了良好的开发和运行环境

这套系统是我未来桌面机器人项目的核心大脑。通过它，我可以：

让机器人听懂复杂指令
自主规划任务（如"帮我查天气并设置提醒"）
调用外部工具（文件操作、网络请求等）

后续预告：我将基于这套系统，开发一个可以物理互动的桌面机器人，实现语音控制、人脸识别、自动避障等功能。如果你对这个项目感兴趣，欢迎持续关注！

📚 参考资料

如果你在部署过程中遇到问题，欢迎在评论区留言交流。如果觉得本文对你有帮助，请点赞、收藏、转发，让更多创客朋友看到！

让我们一起，把 AI 从云端请到身边

本地部署 OpenClaw + DeepSeek-R1 完全指南

------基于 WSL2 + Windows 11 的创客级配置

📝 写在前面

🤔 为什么选择 DeepSeek-R1-32B？

❌ 被淘汰的选项

✅ 最终选择：DeepSeek-R1-32B Q4_K_M 量化版

🛠️ 部署前的准备工作

1. 系统要求确认

2. 安装 WSL2 和 Ubuntu 22.04

3. 配置 WSL2 镜像网络模式（关键！）

📥 在 Windows 中安装 Ollama 和模型

1. 安装 Ollama

2. 设置模型存储位置（可选）

3. 拉取 DeepSeek-R1-32B 模型

4. 测试模型

🐧 在 WSL2 Ubuntu 中安装 OpenClaw

1. 进入 WSL2 终端

2. 安装 Node.js（OpenClaw 依赖）

3. 安装 OpenClaw

4. 验证 OpenClaw 安装

🔗 打通 OpenClaw 与 Windows 中的 Ollama

1. 确认网络互通

2. 配置 OpenClaw 使用本地模型

3. 启动 OpenClaw

4. 测试 Agent 功能

🚧 常见问题与避坑指南

❓ 问题1：ollama pull deepseek-r1:32b 报错 "file does not exist"

❓ 问题2：WSL2 无法访问 Windows 的 localhost

❓ 问题3：OpenClaw 调用模型时报错 "model not found"

❓ 问题4：DeepSeek-R1 响应特别慢（>30 tokens/s 算正常？）

❓ 问题5：OpenClaw 的 Agent 任务总是超时失败

💡 进阶优化建议

1. 设置模型自动加载

2. 配置 OpenClaw 开机自启

3. 分层模型策略

4. 定期运行安全审计

🎯 总结与下一步

📚 参考资料

❓ 问题1：`ollama pull deepseek-r1:32b` 报错 "file does not exist"