需选择Ollama或vLLM方式接入ChatGLM3：Ollama适用于Mac/Linux/WSL2，要求8GB内存、15GB磁盘，通过Modelfile配置128K上下文；vLLM需RTX 4090/A100显卡，支持高并发，需指定模型路径与CUDA版本；二者均需在OpenClaw中配置OpenAI兼容接口并验证连接。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望在OpenClaw中接入ChatGLM3模型以实现本地化、高隐私保障的AI能力，则需根据部署环境选择适配路径。ChatGLM3系列（如chatglm3-6b-128k）已验证可与OpenClaw深度协同，支持Ollama与vLLM两种主流本地运行方式。以下是具体接入步骤：
一、通过Ollama接入ChatGLM3
Ollama提供轻量级容器化运行环境，无需复杂配置即可加载ChatGLM3，并与OpenClaw通过标准OpenAI兼容接口通信。该方式适用于Mac/Linux/WSL2环境，对硬件要求相对友好。
1、确认系统满足基础条件：Linux/macOS或Windows启用WSL2，x86_64/ARM64架构，至少8GB可用内存，空闲磁盘空间≥15GB。
2、安装Ollama并验证服务状态：执行ollama serve &>/dev/null & sleep 2 && ollama list | grep -q "NAME"，若输出“Ollama服务正常运行”则表示就绪。
3、创建自定义Modelfile.chatglm3-128k文件，内容包含FROM指令指向官方镜像及关键参数：设置num_ctx 131072启用128K上下文，num_gqa 8优化注意力分组，temperature 0.7和top_p 0.9保障生成稳定性。
4、在Modelfile所在目录执行ollama create chatglm3-128k -f Modelfile.chatglm3-128k完成模型构建。
5、启动Ollama服务后，在OpenClaw初始化配置中选择“Custom API Endpoint”，填入http://localhost:11434/v1作为Base URL，并将Model Name设为chatglm3-128k。
二、通过vLLM接入ChatGLM3
vLLM具备高性能推理与PagedAttention机制，适合多并发、低延迟场景。该方式需显存充足（推荐RTX 4090/A100），但能显著提升OpenClaw在批量任务中的响应效率与吞吐能力。
1、安装vLLM：执行pip install vllm，确保CUDA版本匹配（推荐CUDA 11.8或12.1）。
2、下载ChatGLM3-6B权重文件至本地目录，例如/models/chatglm3-6b，确认含config.json、pytorch_model.bin等核心文件。
3、启动vLLM API服务器：运行python -m vllm.entrypoints.openai.api_server --model /models/chatglm3-6b --tensor-parallel-size 1 --dtype half --max-model-len 131072。
通过引导式设置将 OpenClaw 连接至 Shopify，包含本地 .env 密钥存储、Shopify OAuth 认证、webhook 验证、商品和内容操作，以及主机或部署配置。
4、在OpenClaw的Provider配置页中选择“OpenAI Compatible”，填入http://localhost:8000/v1为API Base URL，API Key留空（vLLM默认免密），Model Name填写chatglm3-6b。
三、配置OpenClaw使用ChatGLM3模型
完成模型运行环境部署后，需在OpenClaw内部完成模型绑定与上下文适配，确保其能正确解析指令并调用本地模型进行推理。
1、进入OpenClaw初始化向导（onboarding），当提示选择Provider时，跳过Z.AI等云端选项，直接选择OpenAI Compatible类型。
2、在API Key输入环节，若使用vLLM且未启用鉴权，则粘贴sk-no-key-required占位；若使用Ollama，默认无需Key，留空即可。
3、在Model Name字段中，严格输入与运行时一致的模型标识符，例如chatglm3-128k或chatglm3-6b，大小写与连字符必须完全匹配。
4、保存配置并重启OpenClaw服务，执行openclaw test-model命令验证连接状态，返回✅ Model responded successfully即表示接入成功。
四、验证ChatGLM3在OpenClaw中的实际表现
接入完成后需进行功能性验证，重点测试长文本理解、中文语义连贯性及技能链路触发能力，避免因Tokenizer不兼容或context truncation导致行为异常。
1、在OpenClaw Web控制台中输入指令：“请总结以下合同条款：[粘贴一段超2000字的中英文混合合同文本]”，观察是否完整接收并准确提炼关键义务与违约责任。
2、发起多轮对话，首轮提问“什么是差分隐私”，次轮追问“它在联邦学习节点中如何配置”，确认模型能否维持跨轮术语一致性与上下文锚定能力。
3、调用已启用的Skill（如pdf-pro），上传PDF后执行“提取第5页表格数据并转为JSON”，验证ChatGLM3是否能协同工具完成结构化输出。
4、检查日志输出：在终端中运行openclaw logs --tail 50，查找含model=chatglm3与ctx_len=131072的请求记录，确认参数生效。
