要在OpenClaw中稳定调用本地大模型，必须先用Ollama成功加载轻量Qwen2.5:7b-q4_k_m量化版（4.2GB），确保Ollama服务运行、模型名严格匹配且手动测试响应正常。
☞☞☞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☜☜☜
要在OpenClaw中稳定调用本地大模型，必须先让Ollama成功加载一个内存占用低、启动快、中文响应准的Qwen7B版本——这一步卡住，后续所有AI功能都跑不起来。
确认Ollama已正确安装并启动服务
打开终端（Windows用PowerShell，Mac/Linux用Terminal），执行ollama --version，看到类似ollama version 0.4.12的输出才算通过。如果提示“命令未找到”，说明PATH没配置好，需重装Ollama并勾选“Add to PATH”选项。
接着运行ollama serve启动后台服务——这步不能跳过，OpenClaw依赖Ollama的11434端口通信，【服务未运行时OpenClaw会报错Connection refused】。
拉取适合OpenClaw的轻量Qwen7B模型
OpenClaw对模型启动延迟和内存峰值敏感，直接拉取qwen2.5:7b（约28GB FP16）极易触发OOM或卡死在加载阶段。必须选用量化压缩版。
方法一：首选Q4_K_M量化版（平衡速度与精度）
在终端中执行：ollama pull qwen2.5:7b-q4_k_m
该版本体积仅约4.2GB，CPU推理速度可达18–25 tokens/s，M2 Mac或RTX 3060显卡均可流畅加载。
OpenClaw 跨平台配置备份与网关监控。自动备份 openclaw.json，每分钟检测 gateway 状态，宕机时自动恢复。支持 Linux/macOS/Windows。触发：配置备份、gateway 监控、自动恢复、看门狗、watchdog。
方法二：超低资源版（8GB内存机器专用）
执行：ollama pull qwen2.5:7b-chat-q4_0
这是更激进的4-bit量化，体积压至3.8GB，但对话连贯性略降，适合仅做简单指令解析的嵌入式场景。
注意：不要拉取带-instruct后缀的变体（如qwen2.5:7b-instruct），OpenClaw底层调用逻辑未适配其特殊system prompt格式，会导致首句响应为空。
验证模型是否就绪并绑定到OpenClaw
第一步：列出已安装模型ollama list
确认输出中包含qwen2.5且STATUS为running或available。
第二步：手动测试模型响应ollama run qwen2.5:7b-q4_k_m
输入“你好”，看到即时中文回复即表示模型加载成功。
第三步：在OpenClaw设置中填入模型名
打开OpenClaw → Settings → LLM Provider → Backend选择Ollama → Model Name字段填qwen2.5:7b-q4_k_m → Save。【此处必须严格匹配ollama list显示的NAME列内容，大小写和冒号都不能错】
