182X 端云协同方案详解：部署你的本地 AI Agent 主机

前几篇把 M5-182X-A1 点亮、把开发环境逐项验收完了。环境就绪之后，这块板子能当什么用？

答案写在 wiki 的开发指南里：它是一台 AI Agent 主机。板端跑着 OpenClaw------一个全功能的开源 Agent 框架，接上 QQ 就是一个随叫随到的机器人助手；ShiMetaPi 在它基础上做了 RK3588 + RK182X 平台适配，这套适配叫 ClawChips。这篇讲清楚它是什么、怎么配、怎么验证在跑。

本章完整文档：《ClawChips 架构与原理》、《AI Agent 应用》（生态平台 wiki）

前置条件：板端 NPU 服务正常------systemctl is-active rknn3.service返回active（上篇环境验收清单里的一项）。

ClawChips 架构

ClawChips 是 ShiMetaPi 基于 OpenClaw 框架适配的边缘 AI Agent 部署方案，专为 RK3588 + RK182X 平台优化。wiki 给的整体框图：

各模块分工：

OpenClaw Gateway：消息入口（QQ / Channel）+ Agent 调度
ClawChips Router：端云路由（LOCAL vs CLOUD）
ModelHub：模型服务调度（启动 / 停止 / 健康检查）
RK182X NPU：本地模型推理（LLM / VLM / ASR / TTS / Embedding）

一句话理解：消息从 QQ 进来，Router 决定这件事交给云端模型还是本地 NPU，ModelHub 负责把本地模型服务拉起来、管健康。

端云协同怎么配

ClawChips 的核心机制是端云智能路由：简单任务走云端大模型，视觉这类需要本地数据的活交给板上 NPU。路由策略在~/.openclaw/clawchips.yaml里配置：

复制代码

router:
  strategy: rules # 或 memory
  rules:
    - LOCAL: <provider>/<model> # 本地模型，如 rkllm/Qwen3-1.7B
    - CLOUD: <provider>/<model> # 云端模型，如 deepseek/deepseek-chat
    - default: <provider>/<model>
  enable: true

两种模式：rules按标签规则匹配；memory基于历史决策持续优化。云端 provider 在~/.openclaw/openclaw.json的models.providers里添加------wiki 特别注明，当前实际部署以 OpenClaw 直连 MiniMax 为准，provider 名称以setup.sh实际配置为准。

一个已知问题要记：setup.sh目前不会自动同步写入~/.openclaw/agents/main/agent/models.json（该文件内容为{"providers": {}}），需要手动从openclaw.json复制合并，否则路由不生效。

配好之后，浏览器访问 Dashboard 可视化管理：

复制代码

http://<开发板IP>:18789/plugins/clawchips/dashboard

该路径仅在 clawchips 插件启用时可用。

三步操作：使能本地路由和记忆路由 → 选择 CLOUD model ID（下拉选项来自 providers 配置）→ 保存后重启：

openclaw gateway restart

ShiMetaPi 的实践口径 wiki 也写明了：云端负责对话推理，本地 NPU 负责 VLM 图片识别------两边各干各擅长的事。

板上部署实录

wiki 的部署是实测过的，不是纸面方案。逐项对一遍：

OpenClaw 版本与进程：

复制代码

openclaw --version

输出：

复制代码

OpenClaw 2026.7.1-2 (0790d9f)

ps -ef | grep openclaw | grep -v grep

输出：

复制代码

linaro214921241 14:28 ?00:00:41 openclaw-gateway

服务状态：

复制代码

openclaw gateway status 2>&1 | head -10

输出：

复制代码

Service: systemd user (enabled)
File logs: /tmp/openclaw/openclaw-2026-08-20.log
Command: /home/linaro/.nvm/versions/node/v25.9.0/bin/node /home/linaro/.nvm/versions/node/v25.9.0/lib/node_modules/openclaw/dist/index.js gateway --port 18789
Service file: ~/.config/systemd/user/openclaw-gateway.service
Service env: OPENCLAW_GATEWAY_PORT=18789

wiki 记录了 3 个配置警告（版本管理器 PATH / Node 等），不影响运行，建议用openclaw doctor --repair修复。

本地推理后端是rkllm3-server，它给 OpenClaw 提供 OpenAI 兼容接口。启动命令：

复制代码

rkllm3-server \
  -m /userdata/models/Qwen3-1.7B/Qwen3-1.7B.rknn \
  --weight /userdata/models/Qwen3-1.7B/Qwen3-1.7B.weight \
  --vocab /userdata/models/Qwen3-1.7B/Qwen3-1.7B.tokenizer.gguf \
  --embed /userdata/models/Qwen3-1.7B/Qwen3-1.7B.embed.bin \
  -a Qwen3-1.7B \
  --host 127.0.0.1 \
  --port 7878 \
  -c 0xff \
  -n 512

必须传--weight参数，否则启动失败。

这里有一条重要的使用规则：rkllm3-server 与 VLM/OCR 服务共用 NPU，不能同时运行。要跑 LLM 推理服务时先停 VLM/OCR，用完再切回来------NPU 板载 DRAM 就 5GB，这是硬约束，不是可选项。

三个服务的启动顺序也有讲究，wiki 原文：按rknn3.service→rkllm3-server→openclaw-gateway顺序启动。端口占用用netstat -tulpn | grep -E '(7878|18789)'检查，日志在journalctl -u rknn3.service -f和/tmp/openclaw/openclaw-*.log。

两种方案怎么选，wiki 给的对比：

完整验证清单

部署完照这个清单逐项验（wiki 原文）：

① NPU 服务

复制代码

systemctl is-active rknn3.service && echo "✅ NPU service running"

输出：

复制代码

active          
✅ NPU service running

lspci -d 1d87:182a

输出：

复制代码

0004:41:00.0 Processing accelerators: Rockchip Electronics Co., Ltd Device 182a (rev 01)

② 推理后端（需先启动 rkllm3-server）

复制代码

curl -s http://127.0.0.1:7878/v1/models

输出：

复制代码

{
  "object": "list",
  "data": [
    {
      "id": "Qwen3-1.7B",
      "object": "model",
      "owned_by": "rknn"
    }
  ]
}

③ OpenClaw Gateway

复制代码

curl -s http://127.0.0.1:18789/health

输出：

复制代码

{ "ok": true, "status": "live" }

④ 端到端：向7878端口发一条对话请求，返回模型回复即链路全通（推理输出有随机性，每次内容不同）。

四项全过，这台 Agent 主机就算正式交付了。

常见的坑

更全的排查可通参考原文：《ClawChips 架构与原理》 · 《AI Agent 应用》

到这里，Agent 框架在板子上跑通了：QQ 是入口，端云路由是调度，NPU 是本地算力。但框架只是壳------它具体能干什么活，取决于装了哪些 SKILL。

下一篇：SKILL 使用手册。