2. vLLM多机单卡+open claw部署

vLLM安装

一、集群环境

机器	IP	作用	显卡
master	10.132.47.60	Head 节点	Tesla T4 16G
node1	10.132.47.61	Worker 节点	Tesla T4 16G
node2	10.132.47.62	Worker 节点	Tesla T4 16G
windows 10	10.132.47.50	open claw	Tesla T4 16G

1.配置hosts

bash 复制代码

#master节点执行
hostnamectl set-hostname master

#Node1 节点执行
hostnamectl set-hostname node1

#Node2 节点执行
hostnamectl set-hostname node2


cat >> /etc/hosts << EOF
10.132.47.60 master
10.132.47.61 node1
10.132.47.62 node2
EOF

2.配置免密登录

在master（10.132.47.60）执行

bash 复制代码

ssh-keygen -t rsa
#一路回车

# 把公钥传到服务器
ssh-copy-id root@master

ssh-copy-id root@node1

ssh-copy-id root@node2

#验证
for ip in master node1 node2; do ssh $ip "echo ✅ 主机 $ip 免密登录成功"; done

二、驱动安装

1. 安装NVIDIA驱动

bash 复制代码

# Ubuntu系统安装驱动
# 添加NVIDIA官方仓库
sudo apt update
sudo apt install -y software-properties-common
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt install -y alsa-utils
sudo apt update
sudo apt install ubuntu-drivers-common
# 查看推荐的驱动版本
ubuntu-drivers devices

# 安装推荐的驱动
sudo apt install -y nvidia-driver-580

# 重启系统使驱动生效
sudo reboot

# 重启后验证驱动安装
nvidia-smi

# 预期输出：显示GPU信息、驱动版本、CUDA版本
Thu Jan 22 14:19:34 2026       
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 580.126.09             Driver Version: 580.126.09     CUDA Version: 13.0     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  Tesla T4                       Off |   00000000:00:0A.0 Off |                    0 |
| N/A   42C    P8              9W /   70W |       0MiB /  15360MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|  No running processes found                                                             |
+-----------------------------------------------------------------------------------------+

1. 安装 CUDA

bash 复制代码

# 卸载旧的CUDA工具包
sudo apt-get purge nvidia-cuda-toolkit
sudo apt-get autoremove
sudo apt-get clean

添加 NVIDIA 官方源

bash 复制代码

# 添加GPG密钥
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb

# 更新源列表
sudo apt-get update

安装 CUDA Toolkit

bash 复制代码

# 安装CUDA 13.0（和你的驱动版本匹配）
sudo apt-get install -y cuda-13-0

配置环境变量

bash 复制代码

# 编辑~/.bashrc文件
vim ~/.bashrc

# 在文件末尾添加以下内容
export PATH=/usr/local/cuda-13.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH

# 保存并退出后，生效配置
source ~/.bashrc

验证安装

bash 复制代码

# 检查CUDA版本
nvcc -V

# 预期输出应该包含：
# nvcc: NVIDIA (R) Cuda compiler driver
# Copyright (c) 2005-2024 NVIDIA Corporation
# Built on ...
# Cuda compilation tools, release 13.0, V13.0.xxx

3. 安装 NVIDIA Container Toolkit

安装 NVIDIA Container Toolkit，参考[Installing the NVIDIA Container Toolkit](

bash 复制代码

#中科大源安装

#拉取中科大 GPG 密钥并写入
curl -fsSL https://mirrors.ustc.edu.cn/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

#配置适配 Ubuntu 22.04 的 nvidia 源列表
# 生成源列表并添加签名验证（适配 jammy 版本）
curl -s -L https://mirrors.ustc.edu.cn/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

# 关键：替换源中的系统版本为 jammy（Ubuntu 22.04），避免源适配错误
sudo sed -i 's/focal/jammy/g' /etc/apt/sources.list.d/nvidia-container-toolkit.list

# 把源列表里的 nvidia.github.io 替换为 mirrors.ustc.edu.cn
sudo sed -i 's#nvidia.github.io/libnvidia-container#mirrors.ustc.edu.cn/libnvidia-container#g' /etc/apt/sources.list.d/nvidia-container-toolkit.list

#更新 apt 缓存
sudo apt update -y

#安装 nvidia-container-toolkit
sudo apt install -y nvidia-container-toolkit

4. 安装docker

bash 复制代码

# 1. 安装依赖
sudo apt install -y apt-transport-https ca-certificates curl gnupg lsb-release

# 2. 配置阿里云yum源
curl -fsSL http://mirrors.aliyun.com/docker-ce/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg

# 3. 修改 Docker 软件源为阿里云
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] http://mirrors.aliyun.com/docker-ce/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# 4. 更新
sudo apt update
# 5. 安装 Docker 最新版本
sudo apt install -y docker-ce docker-ce-cli containerd.io

#验证 Docker 是否安装成功
docker --version



# 3. 配置Docker镜像加速和cgroup驱动、GPU使用
mkdir -p /etc/docker && cat > /etc/docker/daemon.json << 'EOF'
{
  "exec-opts": ["native.cgroupdriver=systemd"],
  "registry-mirrors": [
    "https://mirror.aliyuncs.com",
    "https://hub-mirror.c.163.com",
    "https://docker.m.daocloud.io"
  ],
  "log-driver": "json-file",
  "log-opts": {
    "max-size": "100m"
  },
  "default-runtime": "nvidia",
  "runtimes": {
    "nvidia": {
      "path": "nvidia-container-runtime",
      "runtimeArgs": []
    }
  },
  "storage-driver": "overlay2"
}
EOF


# 4. 启动Docker
systemctl daemon-reload && systemctl start docker && systemctl enable docker

# 5. 配置Docker运行时（如果使用Docker）
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

# 安装指定版本 如20.10.24
sudo apt install -y docker-ce=5:20.10.24~3-0~ubuntu-jammy docker-ce-cli=5:20.10.24~3-0~ubuntu-jammy containerd.io

5. 验证docker可以使用GPU

bash 复制代码

#拉取镜像
docker pull nvidia/cuda:11.8.0-base-ubuntu22.04

#运行
docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi


docker pull swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/nvidia/cuda:11.8.0-base-ubuntu22.04

#运行
docker run --rm --gpus all swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi

#一键验证
for host in master node1 node2; do echo -e "\n==================== $host Docker GPU 测试 ===================="; ssh $host "docker run --rm --gpus all swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi"; done

# 预期输出：容器内能看到GPU信息
root@k8s-master:~# docker run --rm --gpus all swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi
Thu Jan 22 06:33:02 2026       
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 580.126.09             Driver Version: 580.126.09     CUDA Version: 13.0     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  Tesla T4                       Off |   00000000:00:0A.0 Off |                    0 |
| N/A   42C    P8              9W /   70W |       0MiB /  15360MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|  No running processes found                                                             |
+-----------------------------------------------------------------------------------------+
                                                                                         
+---------------------------------------------------------------------------------------+
| Processes:                                                                            |
|  GPU   GI   CI        PID   Type   Process name                            GPU Memory |
|        ID   ID                                                             Usage      |
|=======================================================================================|
|  No running processes found                                                           |
+---------------------------------------------------------------------------------------+

三、配置虚拟环境和模型文件

bash 复制代码

# 安装基础依赖
sudo apt install -y build-essential gcc g++ cmake git wget curl python3 python3-pip python3-venv

# 配置pip国内镜像（加速安装）
pip3 config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip3 config set global.trusted-host pypi.tuna.tsinghua.edu.cn

1. 创建 Python 虚拟环境

bash 复制代码

# 创建虚拟环境
python3 -m venv vllm-env

# 激活环境,（注意：后续所有操作都需在此环境中执行）
source vllm-env/bin/activate

# 升级pip
pip install --upgrade pip

#注意：机器重启后需要重新激活虚拟环境
source vllm-env/bin/activate

2. 下载模型

bash 复制代码

# 安装modelscope
pip install modelscope

# 创建 /models/ 目录（-p 表示自动递归创建，不存在就新建）
sudo mkdir -p /models/

# 将文件夹权限赋予当前用户
sudo chown -R $USER:$USER /models

# 只在10.132.47.60下载模型到文件夹内
modelscope download --model Qwen/Qwen3.5-4B --local_dir /models/Qwen3.5-4B

3. 创建NFS服务共享模型

安装 NFS 服务

bash 复制代码

sudo apt update
sudo apt install -y nfs-kernel-server

配置 NFS 共享目录，编辑 /etc/exports 文件，添加共享规则：

bash 复制代码

sudo vim /etc/exports

#在文件末尾添加以下内容（根据需求调整）：
/models  *(rw,sync,no_root_squash,no_subtree_check)

使配置生效

bash 复制代码

sudo exportfs -arv

动 NFS 服务并设置开机自启

bash 复制代码

sudo systemctl start nfs-kernel-server
sudo systemctl enable nfs-kernel-server

客户端挂载

bash 复制代码

sudo apt install -y nfs-common

创建本地挂载目录

bash 复制代码

sudo mkdir -p /models

临时挂载 NFS 到 /models

bash 复制代码

sudo mount -t nfs 10.132.47.60:/models /models

永久挂载，编辑 /etc/fstab 文件：

bash 复制代码

sudo vim /etc/fstab

#添加以下内容（或修改之前的挂载配置）：
10.132.47.60:/models  /models  nfs  defaults  0  0

执行挂载验证

bash 复制代码

sudo mount -a

#验证挂载
df -h | grep /models
#进入 /models 目录，应该能看到和服务端一样的内容（如 Qwen3.5-4B 文件夹）。

四、安装核心依赖

在虚拟环境中安装 vLLM 和 Ray：

bash 复制代码

# 安装 vLLM (会自动安装匹配的 PyTorch 和 CUDA 依赖)
pip install vllm

# 安装 Ray (包含 Dashboard 和必要的集群组件)
pip install "ray[default]"

验证安装

bash 复制代码

# 检查 vLLM 版本
python3 -c "import vllm; print(f'vLLM version: {vllm.__version__}')"

# 检查 Ray 版本
ray --version

五、启动Ray 集群

在 Head 节点（10.132.32.60）启动 Ray Head

bash 复制代码

# 确保在虚拟环境中
source ~/vllm-env/bin/activate

# 启动 Ray Head
# --dashboard-host=0.0.0.0 允许外部访问 Dashboard (端口 8265)
ray start --head --port=6379 --dashboard-host=0.0.0.0

在 Worker 节点启动并加入集群

复制代码

Next steps
  To add another node to this Ray cluster, run
    ray start --address='10.132.47.60:6379'
    
    
    #请记录下这个地址。
    
    
# 确保在虚拟环境中

# 加入集群 (请替换为 Head 节点的实际 IP)
ray start --address='10.132.47.60:6379'


# 输出提示：Local node IP: xxx.xxx.xxx.xxx 表示成功加入。

验证集群状态

复制代码

# 在 Head 节点 运行：
ray status



#显示集群的信息
(vllm-env) root@ubuntu:~# ray status
======== Autoscaler status: 2026-04-13 05:59:47.050278 ========
Node status
---------------------------------------------------------------
Active:
 1 node_e9634775437fe647a43ba0f13a5afeaeb5e0369c906c11832c7f5bd9
 1 node_88efd0d4ed2a70bada2f267b2695f67c43c909767a866cbdca7d1c9f
 1 node_3812bbc61a51d34f71968dcc8f4722bbaf1649eb48fd8a29d10a8af3
Pending:
 (no pending nodes)
Recent failures:
 (no failures)

Resources
---------------------------------------------------------------
Total Usage:
 0.0/96.0 CPU
 0.0/3.0 GPU
 0B/259.87GiB memory
 0B/111.37GiB object_store_memory

From request_resources:
 (none)
Pending Demands:
 (no resource demands)

六、测试启动vLLM服务

在 Head 节点 的终端执行（如果是以太网而非 InfiniBand，建议设置）：

bash 复制代码

# 强制使用以太网 (如果没有 IB 设备)
export NCCL_IB_DISABLE=1
# 设置 NCCL 日志级别 (方便排错，测试完可设为 INFO)
export NCCL_DEBUG=INFO

export NCCL_SOCKET_IFNAME=ens3  # 如果网卡名不是 ens3 请用 ip a 查看并替换

启动 vLLM API 服务 (前台测试)

在 Head 节点 的虚拟环境中执行：

注意：

这里以 Qwen/Qwen-4B 为例（Qwen 3.5 发布后请替换名称）。

--pipeline-parallel-size=3 对应 3 台机器。

需从 ModelScope 下载，需提前配置 export VLLM_USE_MODELSCOPE=True。

bash 复制代码

vllm serve /models/Qwen3.5-4B \
  --host 0.0.0.0 \
  --port 8000 \
  --tensor-parallel-size 1 \
  --pipeline-parallel-size 3 \
  --gpu-memory-utilization 0.9 \
  --trust-remote-code \
  --distributed-executor-backend ray \
  --max-model-len 8192

部署完成之后测试（前台部署，需要新开一个终端或者在其他机器上测试）

bash 复制代码

curl http://10.132.47.60:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "/models/Qwen3.5-4B",
    "messages": [
      {"role": "user", "content": "你好，介绍一下你自己"}
    ],
    "temperature": 0.7,
    "max_tokens": 2048
  }'

有时会出现 vLLM 0.19.0 的 V1 新引擎 在配合 Pipeline Parallel (PP=3) 和 Qwen3.5 特殊注意力结构 时出现的兼容性 Bug (KeyError: 'linear_attn')。

日志显示 Hidden layers were unevenly partitioned: [11,11,10]，报错发生在第 12 和 24 层。我们可以尝试手动强制分层，避开这个断层

bash 复制代码

export VLLM_PP_LAYER_PARTITION="10,11,11"

vllm serve /models/Qwen3.5-4B \
  --host 0.0.0.0 \
  --port 8000 \
  --tensor-parallel-size 1 \
  --pipeline-parallel-size 3 \
  --gpu-memory-utilization 0.9 \
  --trust-remote-code \
  --distributed-executor-backend ray \
  --max-model-len 131072

七、后台启动

bash 复制代码

export VLLM_PP_LAYER_PARTITION="10,11,11"

nohup vllm serve /models/Qwen3.5-4B \
  --host 0.0.0.0 \
  --port 8000 \
  --tensor-parallel-size 1 \
  --pipeline-parallel-size 3 \
  --gpu-memory-utilization 0.9 \
  --trust-remote-code \
  --distributed-executor-backend ray \
  --max-model-len 131072 > vllm.log 2>&1 &
  
  
  
### 命令说明

- `nohup`：关闭终端也不会停止程序
- `> vllm.log 2>&1 &`：把日志写入 vllm.log，完全后台运行
- **你的所有参数保持不变**，直接就能用

查看日志（实时看输出）

bash 复制代码

tail -f vllm.log

停止后台服务

bash 复制代码

pkill -f vllm

检查是否在运行

bash 复制代码

ps aux | grep vllm

八、开机自启

创建开机自启服务文件

bash 复制代码

vim /etc/systemd/system/vllm-qwen4b.service

bash 复制代码

[Unit]
Description=vLLM Qwen3.5-4B 128K PP=3 Service
After=network.target network-online.target

[Service]
Type=simple
User=root
WorkingDirectory=/root

Environment="VLLM_PP_LAYER_PARTITION=10,11,11"

ExecStart=/root/vllm-env/bin/vllm serve /models/Qwen3.5-4B \
  --host 0.0.0.0 \
  --port 8000 \
  --tensor-parallel-size 1 \
  --pipeline-parallel-size 3 \
  --gpu-memory-utilization 0.9 \
  --trust-remote-code \
  --distributed-executor-backend ray \
  --max-model-len 131072

Restart=on-failure
RestartSec=10
LimitNOFILE=65535

[Install]
WantedBy=multi-user.target

启用开机自启

bash 复制代码

systemctl daemon-reload
systemctl enable vllm-qwen4b

常用管理命令

bash 复制代码

#启动服务
systemctl start vllm-qwen4b

#停止服务
systemctl stop vllm-qwen4b

#查看实时日志
journalctl -u vllm-qwen4b -f

#查看状态
systemctl status vllm-qwen4b

#禁止开机自启
systemctl disable vllm-qwen4b

集群监控入口

Ray 集群资源监控面板：http://10.132.47.60:8265，可实时查看 3 台机器的 GPU/CPU 负载、任务调度状态

vLLM 健康检查：curl http://10.132.47.60:8000/health，返回 200 即服务正常
Prometheus 性能指标：http://10.132.47.60:8000/metrics，可接入监控系统做长期告警和趋势分析

open claw安装（windows 10）

一、准备工作

1. 确认显卡型号与系统信息

方法 1（设备管理器）：
1. 按 Win+X → 选择 设备管理器
2. 展开 显示适配器，记下显卡全称（如 NVIDIA GeForce RTX 4060、AMD Radeon RX 7900 XT、Intel UHD Graphics 770）
方法 2（DirectX 诊断）：
1. 按 Win+R → 输入 dxdiag → 回车
2. 切换到显示选项卡，查看显卡名称与系统版本
确认系统：Windows 10 64 位（主流）/32 位

2. 关闭干扰（推荐）

关闭所有游戏、视频、直播软件
临时关闭杀毒 / 防火墙（避免拦截安装）
备份重要文件（以防异常）

二、安装显卡驱动

下载 NVIDIA vGPU 驱动

访问 NVIDIA 官方驱动下载网站。

安装完成之后重启机器

PowerShell查看

powershell 复制代码

nvidia-smi

复制代码

PS C:\Users\win> nvidia-smi
Wed Mar 18 15:14:33 2026
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 582.16                 Driver Version: 582.16         CUDA Version: 13.0     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                  Driver-Model | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  Tesla T4                     TCC   |   00000000:00:0B.0 Off |                    0 |
| N/A   47C    P8             10W /   70W |       9MiB /  15360MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|  No running processes found                                                             |
+-----------------------------------------------------------------------------------------+

下载CUDA工具包

CUDA Toolkit 13.2 Downloads | NVIDIA Developer

验证

powershell 复制代码

nvcc --version

三、安装openclaw

PowerShell 执行策略限制了 .ps1 脚本的运行，执行以下命令，输入 A 确认：

powershell 复制代码

Set-ExecutionPolicy RemoteSigned -Scope LocalMachine

自动安装

安装 - OpenClaw

powershell 复制代码

curl -fsSL https://openclaw.ai/install.cmd -o install.cmd && install.cmd --tag beta && del install.cmd

powershell 复制代码

iwr -useb https://openclaw.ai/install.ps1 | iex

手动安装

OpenClaw 依赖Git 与**Node.js**运行，先装好这两个基础环境。

安装 Git下载地址：https://git-scm.cn/install/windows

安装要点：全程默认下一步，无需修改配置。

安装 Node.js下载地址：[https://nodejs.org/\]

或者

发行作品 ·Coreybutler/NVM-Windows

下载https://github.com/coreybutler/nvm-windows/releases/download/1.2.2/nvm-setup.exe

安装过程一路 Next 即可。安装成功后建议你用 管理员权限打开 PowerShell：

按 Win 键 + S
搜索 PowerShell
鼠标右键 → 以管理员身份运行

验证 NVM 命令

nvm version

安装 Node.js 24.14.0

nvm install 24.14.0

切换版本

nvm use 24.14.0

验证

node -v # 输出 v24.14.0

OpenClaw 要求 Node.js 版本必须 ≥ 22

验证环境以管理员身份打开 CMD，输入：

powershell 复制代码

git --version
node -v
npm -v

出现版本号即环境正常。

安装pnpm

powershell 复制代码

npm install -g pnpm
pnpm --version
pnpm setup

关闭powershell重新打开

安装

powershell 复制代码

# 全局安装 OpenClaw
pnpm add -g openclaw@latest

验证安装

powershell 复制代码

openclaw --version

# 1. 启动配置向导（自动安装守护进程，无需额外参数）
openclaw onboard --install-daemon

# 2. 检查环境是否正常（排查配置/依赖问题）
openclaw doctor

# 3. 启动 OpenClaw 网关（指定端口，方便访问）
openclaw gateway --port 18789 --verbose

# 4. 启动 Openclaw
openclaw gateway start

open claw安装（ubuntu）

安装 - OpenClaw (Clawdbot) 文档

更新软件：

bash 复制代码

# 1. 更新系统包列表
sudo apt update && sudo apt upgrade -y

# 2. 安装编译工具和基础依赖（Node 编译必需）
sudo apt install -y gcc g++ make cmake python3 git curl

1.脚本部署

macOS / Linux / WSL2

bash 复制代码

curl -fsSL https://clawdbot.org.cn/install.sh | bash

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

脚本会自动完成：

检测并安装 Node 22+
全局安装 OpenClaw CLI
启动引导配置向导（脚本执行完成后会进入引导配置，先ctrl+c退出，稍后进入配置）

2.安装 Node 22+ 并自行管理安装过程

更新系统并安装基础依赖

bash 复制代码

# 1. 更新系统包列表
sudo apt update && sudo apt upgrade -y

# 2. 安装编译工具和基础依赖（Node 编译必需）
sudo apt install -y gcc g++ make cmake python3 git curl

安装 Node.js 22+（OpenClaw 要求版本）

bash 复制代码

# 1. 添加 NodeSource 22 源（自动适配 Ubuntu 版本）
curl -o- https://gitee.com/RubyMetric/nvm-cn/raw/main/install.sh | bash

source ~/.bashrc

# 2. 安装 Node.js 22（自动包含 npm）
nvm install 22

# 3. 验证版本（需显示 v22.x.x，否则安装失败）
node -v
npm -v

全局安装 OpenClaw（核心步骤）

bash 复制代码

# 1. 全局安装 OpenClaw 最新版（加 sudo 避免权限问题）
sudo npm install -g openclaw@latest

# 2. 验证安装（显示版本号即成功）
openclaw -v

复制代码

#### 1.脚本部署

##### macOS / Linux / WSL2

```bash
curl -fsSL https://clawdbot.org.cn/install.sh | bash

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

脚本会自动完成：

检测并安装 Node 22+
全局安装 OpenClaw CLI
启动引导配置向导（脚本执行完成后会进入引导配置，先ctrl+c退出，稍后进入配置）

2.安装 Node 22+ 并自行管理安装过程

更新系统并安装基础依赖

bash 复制代码

# 1. 更新系统包列表
sudo apt update && sudo apt upgrade -y

# 2. 安装编译工具和基础依赖（Node 编译必需）
sudo apt install -y gcc g++ make cmake python3 git curl

安装 Node.js 22+（OpenClaw 要求版本）

bash 复制代码

# 1. 添加 NodeSource 22 源（自动适配 Ubuntu 版本）
curl -o- https://gitee.com/RubyMetric/nvm-cn/raw/main/install.sh | bash

source ~/.bashrc

# 2. 安装 Node.js 22（自动包含 npm）
nvm install 22

# 3. 验证版本（需显示 v22.x.x，否则安装失败）
node -v
npm -v

全局安装 OpenClaw（核心步骤）

bash 复制代码

# 1. 全局安装 OpenClaw 最新版（加 sudo 避免权限问题）
sudo npm install -g openclaw@latest

# 2. 验证安装（显示版本号即成功）
openclaw -v

2. vLLM多机单卡+open claw部署

vLLM安装

一、集群环境

1.配置hosts

2.配置免密登录

二、驱动安装

1. 安装NVIDIA驱动

1. 安装 CUDA

3. 安装 NVIDIA Container Toolkit

4. 安装docker

5. 验证docker可以使用GPU

三、 配置虚拟环境和模型文件

1. 创建 Python 虚拟环境

2. 下载模型

3. 创建NFS服务共享模型

四、安装核心依赖

五、启动Ray 集群

六、测试启动vLLM服务

七、后台启动

八、开机自启

open claw安装（windows 10）

一、准备工作

1. 确认显卡型号与系统信息

2. 关闭干扰（推荐）

二、安装显卡驱动

三、安装openclaw

自动安装

手动安装

验证 NVM 命令

安装 Node.js 24.14.0

切换版本

验证

open claw安装（ubuntu）

1.脚本部署

macOS / Linux / WSL2

2.安装 Node 22+ 并自行管理安装过程

更新系统并安装基础依赖

安装 Node.js 22+（OpenClaw 要求版本）

全局安装 OpenClaw（核心步骤）

2.安装 Node 22+ 并自行管理安装过程

更新系统并安装基础依赖

安装 Node.js 22+（OpenClaw 要求版本）

全局安装 OpenClaw（核心步骤）

三、配置虚拟环境和模型文件