摘要：龙虾新手指南：OpenClaw与国产Claw系列AI工具链入门什么是“龙虾AI”？“龙虾AI”不是生物分类，也不是餐饮术语——它指代以 OpenClaw 和国产 Claw 系列为代表的开源大模型工具链。这些项目专注中文场景，提供本地部署、轻量推理、中文指令微调等能力。它们不追求通用性，而是把中文理解、低资源适配和数据可控性放在第一位。为什么用龙虾AI？本地化部署很多中文业务场景不能上传数据。...
龙虾新手指南：OpenClaw与国产Claw系列AI工具链入门什么是“龙虾AI”？
“龙虾AI”不是生物分类，也不是餐饮术语——它指代以 OpenClaw 和国产 Claw 系列为代表的开源大模型工具链。这些项目专注中文场景，提供本地部署、轻量推理、中文指令微调等能力。它们不追求通用性，而是把中文理解、低资源适配和数据可控性放在第一位。
为什么用龙虾AI？本地化部署
很多中文业务场景不能上传数据。OpenClaw 和 Claw 系列默认走本地路径：模型加载、推理、微调全在你自己的机器上完成。没有 API 密钥，没有网络请求，也没有隐式的数据回传。
轻量化推理
它们不是靠堆显存跑起来的。OpenClaw 默认支持 GGUF 格式量化模型，4GB 显存的笔记本能跑 7B 模型；AutoClaw 还内置了 ONNX Runtime 后端，连 NVIDIA GPU 都不是必须的——Intel 核显或 macOS Metal 也能跑通。
中文指令微调
预训练模型用的是中文语料，但真正好用的是指令微调层。OpenClaw 自带 claw-tune 工具，支持 LoRA + QLoRA 微调；Claw 系列则直接集成中文对话模板（如 zh-alpaca 和 firefly 格式），微调时不用改一行 prompt 模板。
安装与配置 OpenClaw前提条件
确保系统已安装：
检查命令：
python3 --version
git --version
pip --version克隆与安装
git clone https://github.com/OpenClaw/OpenClaw.git
cd OpenClaw
pip install -r requirements.txt注意：requirements.txt 中已锁定 torch 与 transformers 版本，避免 CUDA 兼容问题。若用 Apple Silicon，会自动启用 MPS 后端。环境变量（可选但推荐）
编辑 ~/.zshrc 或 ~/.bashrc：
export OPENCLAW_HOME=$(pwd)
export PATH=$OPENCLAW_HOME/bin:$PATH生效：
source ~/.zshrc验证安装
openclaw --version
输出类似 openclaw 0.4.2 即成功。
用 OpenClaw 做一次对话下载模型
OpenClaw 自带模型仓库，国内节点已镜像。运行：
openclaw download model qwen2-0.5b-chat-gguf该模型约 480MB，纯 CPU 推理延迟 < 800ms（M2 MacBook Air）。
加载并生成
openclaw load model qwen2-0.5b-chat-gguf
openclaw generate "你好，今天想学点什么？"你会看到类似输出：
你好！今天我们来聊聊大模型的量化原理吧——比如 GGUF 是如何把浮点权重压缩成 4-bit 整数的。提示：generate 命令默认启用 chat template，自动拼接 system/user/assistant 角色标记。国产 Claw 系列：从 AutoClaw 开始
Claw 系列不是 OpenClaw 的分支，而是另一条技术路线：更激进的中文优化、更少的抽象层、更强的 CLI 可组合性。
安装 AutoClaw
git clone https://github.com/ClawSeries/AutoClaw.git
cd AutoClaw
pip install -r requirements.txt下载并运行中文模型
autoclaw download model phi-3-mini-chinese-q4_k_m
autoclaw load model phi-3-mini-chinese-q4_k_m
autoclaw generate "请用三句话解释 RAG。"输出示例：
RAG（检索增强生成）是一种将外部知识库接入大模型的方法。
它先用查询向量从向量数据库中检索相关文档片段，再把检索结果拼接到 prompt 中交给 LLM 生成回答。
相比微调，RAG 更灵活、更新成本更低，适合知识高频变动的场景。下一步怎么走？快速参考