最近在折腾 OpenClaw —— 一个开源的 AI Agent 框架。它可以用浏览器聊天，也可以对接各种 IM 平台。我的需求很简单：用大模型 API 作为大脑，让它在飞书里直接回复消息。

整个过程踩了不少坑，尤其是配置文件的字段名和模型注册方式，官方文档里没完全覆盖到。这篇文章把完整流程记录下来，希望能帮到有同样需求的朋友。

一图看懂：OpenClaw / Provider / Channel

先用 30 秒把关键概念对齐（这能省掉后面一半的“我到底在配什么”）：

• OpenClaw：Agent 运行时（负责消息路由、工具调用、会话管理、日志、插件等）
• Provider：一个大模型 API 入口（DeepSeek / 智谱 / 你自建的 OpenAI 兼容服务都算）
• Model：Provider 下的具体模型 ID（例如 deepseek-chat、glm-4.6v）
• Channel：消息接入（例如飞书）。Channel 把外部消息转成 OpenClaw 内部消息，再由 Agent 调模型回复

这篇文章最终跑通的链路就是：

飞书(发消息/发图)
   ↓  (WebSocket 长连接)
OpenClaw (Agent Runtime)
   ↓  (OpenAI 兼容接口)
DeepSeek / 智谱 GLM API

环境

• Windows 11
• Node.js v20+
• OpenClaw 2026.2.14
• DeepSeek API（V3 / R1）
• 智谱 AI GLM-4.6V（视觉推理模型）
• 飞书个人版

第一步：安装 OpenClaw

OpenClaw 是一个 npm 包，安装非常简单：

npm i -g openclaw

首次使用需要初始化：

openclaw onboard

跟着引导走就行。完成后会在 C:\Users\<用户名>\.openclaw\ 下生成配置目录。

启动也是一行命令：

openclaw

然后打开 http://127.0.0.1:18789/chat 就能看到 Web 聊天界面了。

但这时候还不能用 —— 因为还没配模型。

第二步：配置 DeepSeek 作为模型 Provider

为什么不用 Ollama？

我一开始试过在 WSL2 里跑 Ollama + Qwen2.5:7b，但很快发现：聊天 demo 可以，本地 Agent 运行时场景会更“挑剔”。主要原因是 Agent 的系统提示词更长、会话更复杂、还会频繁调用工具。

遇到的典型问题包括：

1. 上下文窗口太小：OpenClaw 要求至少 16000 tokens，而 Ollama 默认只给 4096。即使在 OpenClaw 配置里改了 contextWindow，Ollama 那边还是会截断 prompt。
2. 需要自建 Modelfile：要在 Ollama 侧用 num_ctx 参数创建自定义模型才能真正扩大上下文。
3. 并发与稳定性：IM 场景（群聊 @、多会话）很容易出现并发请求，本地模型一旦显存/内存吃紧，体验会从“慢”变成“卡住/超时”。在 Windows + WSL2 组合下，排查链路也更长。

折腾了一圈，我决定直接用 DeepSeek 的云端 API —— 省事、便宜、上下文窗口 64K。

获取 API Key

去 DeepSeek 开放平台 注册账号，创建一个 API Key（格式 sk-xxxx）。

注册 DeepSeek Provider

重要：DeepSeek 不是 OpenClaw 的内置模型 provider，直接写 deepseek-chat 会报 Unknown model 错误。需要把它当作 自定义 OpenAI 兼容 provider 来注册。

编辑 ~\.openclaw\openclaw.json，在 models.providers 里加入：

"deepseek": {
  "baseUrl": "https://api.deepseek.com/v1",
  "api": "openai-completions",
  "models": [
    {
      "id": "deepseek-chat",
      "name": "DeepSeek Chat (V3)",
      "reasoning": false,
      "input": ["text"],
      "cost": {
        "input": 0.27,
        "output": 1.1,
        "cacheRead": 0.07,
        "cacheWrite": 0.27
      },
      "contextWindow": 65536,
      "maxTokens": 8192
    },
    {
      "id": "deepseek-reasoner",
      "name": "DeepSeek Reasoner (R1)",
      "reasoning": true,
      "input": ["text"],
      "cost": {
        "input": 0.55,
        "output": 2.19,
        "cacheRead": 0.14,
        "cacheWrite": 0.55
      },
      "contextWindow": 65536,
      "maxTokens": 8192
    }
  ]
}

然后把默认模型指向它：

"agents": {
  "defaults": {
    "model": {
      "primary": "deepseek/deepseek-chat"
    }
  }
}

注意模型名格式是 provider/model，写成 deepseek/deepseek-chat，不能只写 deepseek-chat。

配置 API Key（踩坑点）

编辑 ~\.openclaw\agents\main\agent\auth-profiles.json：

{
  "version": 1,
  "profiles": {
    "deepseek": {
      "type": "api_key",
      "provider": "deepseek",
      "key": "sk-你的API Key"
    }
  }
}

⚠️ 这里有个坑：字段名必须是 key，不是 apiKey。我一开始写成了 apiKey，OpenClaw 死活找不到 Key，翻了源码才发现这个差异。

验证

重启 OpenClaw，在 http://127.0.0.1:18789/chat 发条消息试试。看到 DeepSeek 正常回复就说明模型配通了 🎉

第三步：配置智谱 GLM-4.6V（视觉推理模型）

DeepSeek 搞定之后，我又想加一个支持图片理解的模型。正好在 智谱 AI 开放平台 买了 GLM-4.6V 的视觉推理包 —— 1000 万 tokens，支持 128K 上下文，还能识别图片，非常适合在飞书里发图让 AI 分析。

好消息是，智谱 AI 的 API 也兼容 OpenAI 格式，配置方式跟 DeepSeek 几乎一样。

获取 API Key

去 智谱 AI 开放平台 创建 API Key（格式：xxxxxxxx.xxxxxxxx）。

注册智谱 Provider

在 openclaw.json 的 models.providers 里，紧跟 deepseek 后面加入：

"zhipu": {
  "baseUrl": "https://open.bigmodel.cn/api/paas/v4/",
  "api": "openai-completions",
  "models": [
    {
      "id": "glm-4.6v",
      "name": "GLM-4.6V (视觉推理)",
      "reasoning": false,
      "input": ["text", "image"],
      "contextWindow": 131072,
      "maxTokens": 4096
    }
  ]
}

注意 input 里包含了 "image"，这表示该模型支持多模态图片输入。

配置 API Key

在 auth-profiles.json 的 profiles 里加一条：

"zhipu": {
  "type": "api_key",
  "provider": "zhipu",
  "key": "你的智谱API Key"
}

切换主模型

如果想把 GLM-4.6V 设为默认模型，修改 openclaw.json：

"agents": {
  "defaults": {
    "model": {
      "primary": "zhipu/glm-4.6v"
    }
  }
}

也可以保持 DeepSeek 为主模型，两个 provider 共存，随时切换。

验证

重启 OpenClaw，在飞书里发一张图片给机器人，看它能不能正确描述图片内容。我测试的时候，发了一张截图让它分析，GLM-4.6V 准确识别了图中的内容 —— 多模态能力确认可用 ✅

第四步：接入飞书

现在本地聊天没问题了，下一步是让 OpenClaw 在飞书里当机器人。

1. 创建飞书应用

打开 飞书开放平台，点击 创建企业自建应用。

飞书个人版的话，你自己就是管理员，应用审核自己批就行，不用担心。

2. 拿到凭证

在 凭证与基础信息 页面，复制 App ID 和 App Secret。

3. 配置权限

在 权限管理 → 批量导入，粘贴：

{
  "scopes": {
    "tenant": [
      "aily:file:read",
      "aily:file:write",
      "application:application.app_message_stats.overview:readonly",
      "application:application:self_manage",
      "application:bot.menu:write",
      "contact:user.employee_id:readonly",
      "corehr:file:download",
      "event:ip_list",
      "im:chat.access_event.bot_p2p_chat:read",
      "im:chat.members:bot_access",
      "im:message",
      "im:message.group_at_msg:readonly",
      "im:message.p2p_msg:readonly",
      "im:message:readonly",
      "im:message:send_as_bot",
      "im:resource"
    ],
    "user": [
      "aily:file:read",
      "aily:file:write",
      "im:chat.access_event.bot_p2p_chat:read"
    ]
  }
}

4. 启用机器人 & 事件订阅

• 在 添加应用能力 中，启用 机器人
• 在 事件与回调 → 事件配置 中：
  • 添加事件 im.message.receive_v1（接收消息）
  • 选择 长连接（WebSocket） 模式

长连接模式是关键 —— 它不需要公网域名和回调地址，OpenClaw 通过 WebSocket 主动连飞书的服务器，非常适合本地开发。

5. 发布应用

在 版本管理与发布 中创建版本并提交审核。个人版管理员直接批准即可。

6. OpenClaw 侧配置

先启用飞书插件：

openclaw plugins enable feishu

然后编辑 openclaw.json，添加飞书频道配置：

"channels": {
  "feishu": {
    "accounts": {
      "default": {
        "appId": "cli_你的AppID",
        "appSecret": "你的AppSecret"
      }
    }
  }
},
"plugins": {
  "entries": {
    "feishu": {
      "enabled": true
    }
  }
}

7. 重启并验证

openclaw

日志里看到 [feishu] connected 就说明连上了。

8. 配对用户

第一次在飞书里给机器人发消息，它会回复一个配对码（Pairing code）。在命令行里审批：

openclaw pairing approve feishu <配对码>

审批通过后，就可以在飞书里愉快地跟 OpenClaw 对话了！

模型对比

配完之后，手上就有了三个可用的模型：

切换主模型只需改 openclaw.json 的 "primary" 字段，重启即可。

踩坑总结

配置文件一览

参考链接

• OpenClaw 官网 / GitHub
• OpenClaw 飞书频道文档
• DeepSeek 开放平台
• 智谱 AI 开放平台
• 飞书开放平台

折腾了一下午，总算跑通了。DeepSeek V3 的响应速度和质量都不错，搭配飞书用起来比浏览器还方便 —— 毕竟飞书本来就一直开着。后来又加了智谱 GLM-4.6V，在飞书里直接发图片就能让 AI 分析内容，多模态体验很顺滑。如果你也在找一个能自己掌控的 AI Agent 方案，OpenClaw + 国产大模型 + 飞书是一个很不错的组合。