AutoClaw（澳龙）是智谱AI推出的一键安装本地版OpenClaw智能体工具，支持macOS和Windows双系统。它内置了Pony-Alpha-2专属模型，同时开放了自定义模型接入能力。用户只需在本地运行Ollama等推理服务，通过AutoClaw的“自定义模型”功能填写本地接口地址，即可将本地部署的大模型接入AutoClaw，实现完全离线的AI任务执行。

AutoClaw为什么需要本地模型

AutoClaw的定位是零门槛本地AI智能体，预置了超过50个Skills，覆盖办公文档处理、代码生成、浏览器自动化等高频场景。虽然内置模型在日常任务中表现出色，但部分用户对数据隐私、运行成本以及模型可控性有更高要求。将本地模型接入AutoClaw，意味着所有推理计算都在本机完成，任务数据不会上传至任何云端服务，这对处理敏感文档或企业内部资料的用户尤为关键。

从技术架构来看，AutoClaw支持兼容OpenAI Chat Completions协议的任何模型服务，这为接入本地模型提供了基础。只要本地推理服务能够暴露一个符合该协议的HTTP接口，AutoClaw就能像调用云端API一样调用本地模型。当前最主流的方案是搭配Ollama使用，Ollama在本地启动后默认监听11434端口，其/v1路径即提供OpenAI兼容接口。

前置准备：搭建本地推理环境

在AutoClaw中配置本地模型之前，需要先在电脑上完成推理服务的部署。以Ollama为例，用户可以从其官网下载对应系统的安装包，macOS和Windows均有原生支持。安装完成后，打开终端或命令行，执行ollama serve启动服务，默认会在http://localhost:11434上运行。

服务启动后，需要拉取一个可用的模型。Ollama支持多种开源模型，如llama3、qwen2.5、mistral、codellama等。以拉取llama3为例，执行ollama pull llama3即可。需要注意的是，模型的选择直接影响AutoClaw的任务执行效果。由于AutoClaw的核心能力依赖于工具调用（Tool Calling），所选模型必须支持Function Calling能力。部分较小或较旧的模型可能无法正确返回工具调用的结构化JSON，导致任务执行失败。建议优先选择qwen2.5:7b及以上、llama3.1:8b及以上等明确支持工具调用能力的模型版本。

在AutoClaw中添加本地模型

完成Ollama的部署和模型下载后，进入AutoClaw的配置环节。具体操作路径如下：

打开AutoClaw应用，进入主界面后，点击左下角设置图标，在左侧导航栏中选择“模型与API”。页面会展示“内置模型”和“自定义模型”两个区域。点击右侧的“添加自定义模型”，在弹出的对话框中，将服务商选为“自定义”。

接下来需要填写三个核心参数。模型ID一栏填入Ollama中已下载的模型名称，如llama3或qwen2.5:7b，务必与ollama list命令显示的名称完全一致。API协议选择“OpenAI”。Base URL填入http://localhost:11434/v1，这是Ollama提供的OpenAI兼容接口地址。API Key一栏可以填入任意字符串，Ollama在本地运行时默认不校验密钥，填“ollama”或“local”均可。

填写完成后，点击“连通测试”按钮。系统会向本地Ollama服务发起一次真实请求，验证接口是否可用。当状态显示“测试成功”时，说明配置正确。点击“添加”完成模型注册。返回模型列表页面，找到刚添加的模型，点击“设为默认”，即可将其切换为AutoClaw的默认推理模型。

使用本地模型的实际场景与限制

将本地模型设为默认后，AutoClaw的所有Skills和自动化任务都会通过本地模型来驱动。对于文档生成、内容摘要、代码补全等相对确定性的任务，本地模型的表现通常可接受。但在浏览器自动化操作、多步骤复杂任务链等场景中，本地模型的规划和工具调用能力与云端大模型仍存在差距。

另一个值得关注的问题是硬件资源。7B参数的模型在量化后大约需要4-6GB显存或内存，13B参数模型则需要8-12GB。如果本地机器的显存不足，模型推理会回退到CPU，响应速度将显著下降。对于日常轻量使用，7B模型在Apple Silicon Mac上通常能保持可用的响应速度，但在x86架构的低配机器上建议选择更小的模型版本。

如果本地模型在工具调用中频繁出错，可以检查模型是否支持工具调用能力。执行ollama show <模型名>查看模型的能力声明，确认capabilities中包含tools字段。不具备该能力的模型虽然能完成对话，但无法驱动AutoClaw的Skills执行，这会导致任务链中断。

本地模型与云端模型的协同策略

在实际使用中，将本地模型与云端模型组合使用往往是更务实的方案。AutoClaw允许同时配置多个自定义模型，用户可以根据任务类型在运行时切换。对于涉及敏感数据的文档处理任务，切换到本地模型；对于需要复杂推理和精确工具调用的任务，切换回内置的Pony-Alpha-2或接入的第三方云端模型。

这种配置方式也适用于企业内部部署场景。如果企业已经搭建了基于vLLM或NVIDIA NIM的私有化推理集群，只需将Base URL指向集群的OpenAI兼容接口地址，即可将企业级推理能力引入AutoClaw，兼顾性能与数据安全。据公开资料显示，AutoClaw的模型代理层与推理端完全解耦，切换模型不会影响已配置的Skills、飞书集成和定时任务等外围功能，这为灵活调配推理资源提供了便利。