别再只用 AI 聊天了！手把手教你部署 OpenClaw：让 AI 真正接管你的键盘鼠标，自动干活

随着大语言模型从单纯的文本生成迈向自主智能体（Agent）时代，仅仅停留在对话框内的 AI 交互已无法满足复杂的工程需求。OpenClaw 的出现打破了这一僵局，它不再是一个只会被动回答问题的聊天机器人，而是一个能够真正接管你的键盘鼠标、执行终端命令并自主调试代码的“全自动数字员工”。作为 Clawdbot 升级 OpenClaw 后的官方稳定版本，该项目不仅继承了强大的自动化能力，更在稳定性上实现了质的飞跃，让开发者能够将繁琐的环境搭建、Git 提交甚至复杂的代码重构任务完全下放。然而，从理论到落地的过程往往伴随着版本混淆与依赖冲突，本篇 OpenClaw AI 部署教程将跳过冗余的理论概念，直接聚焦于生产环境下的实战落地。我们将深入解析 OpenClaw Docker 部署的最佳实践与 OpenClaw 本地安装的避坑指南，详细演示如何通过 OpenClaw Ollama 对接与 OpenClaw 接入 DeepSeek 来构建低成本的本地化算力集群，以及如何通过 OpenClaw 飞书集成将其无缝嵌入团队协作工作流。针对部署过程中高频出现的 OpenClaw 常见报错，本文亦提供了经过验证的底层修复逻辑，助你在确保安全隔离的前提下，真正掌握这一能够彻底重塑工作效率的生产力工具。

部署前必读：OpenClaw 是什么？(含版本避坑指南)

在开始任何部署命令之前，我们需要先厘清 OpenClaw 到底是什么，以及它在过去几个月内混乱的版本更迭历史。很多开发者在按照旧教程操作时会遇到 command not found 或依赖错误，这通常是因为混淆了项目名称或对“Agent（智能体）”的能力边界理解有误。

🚨 版本避坑：Clawdbot、Moltbot 还是 OpenClaw？

如果你在搜索教程时看到了 Clawdbot 或 Moltbot 这两个名字，请注意：它们都是 OpenClaw 的旧称。

该项目在短期内经历了多次更名，导致社区文档出现了严重的断层。根据 Ollama v0.15.4 更新日志，官方已正式将 Clawdbot 全面升级并重命名为 OpenClaw。

• Clawdbot / Moltbot：已废弃。旧版教程中的 ollama launch clawdbot 命令虽然在部分过渡版本中仍兼容，但建议立即停止使用，以免遇到不再维护的 API 接口问题。
• OpenClaw：当前唯一官方维护的稳定版本。

关键提示：在后续的 Docker 镜像拉取或 npm 安装中，请认准 openclaw 命名空间，切勿混用旧版配置文件（如 .clawdbot/clawdbot.json），否则会导致配置无法加载或 Token 认证失败。

核心定义：不仅仅是聊天机器人

OpenClaw 不是另一个 ChatGPT 网页版，也不是一个单纯的代码补全插件。从技术架构上看，它是一个自主 AI 智能体（Autonomous Agent）。

为了理解它的核心价值，我们可以对比一下标准 LLM（大语言模型）与 OpenClaw 的区别：

简单来说，OpenClaw 获得的是你键盘和鼠标的“代理权”。当你要求它“构建并部署这个 React 项目”时，它不会只给你一段代码，而是会直接在容器内执行 npm install，如果遇到报错，它会读取错误日志，自动修改代码并重试，直到任务完成。

🛑 Reality Check：它能做与不能做的事

尽管 OpenClaw 被称为“开源版 Devin”或“全自动程序员”，但在实际部署前，我们需要管理好预期。它并非魔法，而是一个需要精确配置的工程工具。

1. 它不是开箱即用的消费级产品
   OpenClaw 是面向开发者的工具。它需要你具备基础的 Docker 运维能力和对 API Key/本地模型（如 Ollama）的配置能力。如果你期待的是一个“双击运行”的 .exe 程序，目前的 OpenClaw 可能会让你失望。
2. 安全风险是真实存在的
   既然 OpenClaw 能够执行 Shell 命令，它就有可能执行错误的命令。虽然官方推荐在 Docker 容器中运行以进行沙盒隔离，但如果配置不当（例如将宿主机根目录挂载到容器中），AI 的误操作可能会导致数据丢失。切勿在生产环境的宿主机直接裸机运行 OpenClaw。
3. Token 消耗可能失控
   OpenClaw 的工作模式是“循环试错”。解决一个复杂的依赖冲突可能需要 AI 进行 10 次以上的“执行-报错-修正”循环。如果你使用的是按 Token 计费的商业 API（如 GPT-4 或 Claude 3.5 Sonnet），一个简单的任务可能会消耗数美元的额度。对于高频使用，建议配合本地模型（如 Qwen2.5-Coder 或 DeepSeek-V3）以降低成本。
4. 它需要“监督”
   目前的 AI Agent 尚未达到 100% 的可靠性。在它执行 rm -rf 或 git push 等高风险操作前，OpenClaw 设计了“Human-in-the-loop”（人工介入）机制，需要你确认授权。不要关闭这个确认机制，除非你完全信任它在隔离环境中运行。

方案选择与环境准备：哪种方式适合你？

在开始敲入第一行命令之前，选择正确的部署架构至关重要。OpenClaw 作为一个能够执行本地操作的 AI Agent，其运行环境直接决定了它的响应速度、稳定性和数据安全性。盲目跟随教程往往会导致陷入“依赖地狱”或面临意外的云服务器账单。

为了帮助你做出最适合自己的选择，我们从技术门槛、运维成本和硬件要求三个维度，对目前主流的三种部署方式进行了深度对比。

1. 部署方式决策矩阵

建议：对于绝大多数用户，Docker 容器化部署是最佳平衡点。它避免了繁琐的 Node.js/Python 环境配置，同时保持了数据的本地隐私性。如果你是开发者且需要调试核心逻辑，可以参考APIYI 的建议采用混合部署策略。

2. 硬件与环境“硬指标” (Minimum Viable Specs)

无论选择哪种部署方式，OpenClaw 对运行环境都有明确的底线要求。不满足这些条件通常是安装失败（如 EBADENGINE 错误）的主要原因。

• 操作系统：
• • Linux (推荐)：Ubuntu 20.04+, Debian 11+。
  • macOS：支持 Apple Silicon (M1/M2/M3) 及 Intel 芯片。
  • Windows：必须使用 WSL2 (Windows Subsystem for Linux)。直接在 PowerShell 中运行源码极易遇到 C++ 编译错误（如 node-llama-cpp 构建失败）。
• 运行环境 (Runtime)：
• • Node.js：必须 ≥ v22.12.0。旧版本会导致核心服务无法启动。
  • 包管理器：推荐 pnpm (源码部署时) 或标准 npm。
• 硬件配置：
• • 内存 (RAM)：最低 8GB，推荐 16GB+。如果计划在本地通过 Ollama 运行大模型（如 DeepSeek-R1），则至少需要 16GB RAM 或 8GB+ 显存的独立显卡。
  • 存储：至少预留 10GB 可用空间（用于 Docker 镜像及日志缓存）。

3. 被忽视的“隐形成本”

很多教程宣称“0成本部署”，但这通常忽略了长期运行的实际开销：

1. API 令牌消耗：OpenClaw 需要通过 LLM（如 Claude 3.5 Sonnet 或 GPT-4o）来“思考”。高强度的自动化任务（如自动写代码、爬虫分析）会消耗大量 Token。

• • 对策：在非关键任务中，配置 OpenClaw 调用本地 Ollama 模型或国内高性价比模型（如 DeepSeek），仅在复杂逻辑时回退到昂贵的商业模型。

1. 电力与设备损耗：作为 Agent，OpenClaw 最好保持 24/7 在线以响应即时指令。

• • 对策：使用低功耗设备（如 Mac mini、NUC 或树莓派 5）作为宿主机，而非让高功率的游戏 PC 全天候运行。

1. 网络连接：Docker 镜像拉取和 GitHub 仓库访问在国内网络环境下极不稳定。

• • 对策：提前配置好 Docker 镜像加速器或系统级代理，否则可能会卡在 pulling layers 阶段数小时。

核心实战：OpenClaw Docker 容器化部署 (推荐)

相比于源码部署中常见的 Node.js 版本不兼容、pnpm 依赖缺失以及编译报错等问题，Docker 容器化部署是目前运行 OpenClaw 最稳定、门槛最低的方式。它能将复杂的运行环境（包括浏览器沙箱、系统依赖）封装在镜像中，确保“开箱即用”。

以下方案基于 Linux 环境（推荐 Ubuntu/Debian）或支持 Docker Desktop 的本地机器，旨在解决国内网络环境下的镜像拉取与 API 连接问题。

1. 规划目录结构

为了防止容器重启后数据丢失（如账号登录状态、自定义脚本），我们需要先在宿主机上创建持久化目录。建议在 /opt 或用户目录下建立如下结构：

mkdir -p openclaw/data
mkdir -p openclaw/conf
cd openclaw

2. 配置 docker-compose.yml

在 openclaw 目录下新建 docker-compose.yml 文件。以下模板已针对生产环境进行了优化，包含了必要的端口映射和环境变量配置：

version: '3.8'

services:
  openclaw:
    image: ghcr.io/openclaw/openclaw:latest # 若拉取困难，请参考下文网络配置
    containername: openclaw
    restart: always
    networkmode: "host" # 推荐 host 模式以确保能控制本地网络设备，或使用 bridge 模式映射端口
    # 如果不使用 host 模式，请取消以下注释并映射端口：
    # ports:
    #   - "18789:18789" # Web 控制台端口
    #   - "18790:18790" # 内部通信端口
    volumes:
      - ./data:/app/data  # 核心数据持久化
      - ./conf:/app/conf  # 配置文件持久化
    environment:
      - TZ=Asia/Shanghai
      # 如果你需要让 OpenClaw 连接公网 LLM (如 OpenAI)，且服务器在国内，需配置代理：
      # - HTTPPROXY=http://host.docker.internal:7890
      # - HTTPSPROXY=http://host.docker.internal:7890
    deploy:
      resources:
        limits:
          memory: 4G # 建议限制内存，防止浏览器进程占用过多资源

3. 解决国内网络连接问题

在国内部署 OpenClaw 主要面临两大网络挑战：镜像拉取失败和容器无法连接 LLM API。

• 镜像加速：ghcr.io (GitHub Container Registry) 在国内访问极不稳定。如果遇到 image pull failed，建议通过配置 Docker 守护进程的镜像加速器（Registry Mirrors）来解决，或者使用代理拉取镜像后重新打标签。
• API 连通性：OpenClaw 需要频繁与 LLM（如 Claude、OpenAI）交互。如果你的宿主机位于国内且未部署本地模型（如 Ollama），必须在 docker-compose.yml 的 environment 中注入 HTTP_PROXY 和 HTTPS_PROXY 环境变量，指向你的局域网代理地址。

4. 启动与初始化配置

在终端执行以下命令启动容器：

docker-compose up -d

启动后，查看日志以确保服务正常运行：

docker-compose logs -f

获取访问 Token（关键步骤）：
OpenClaw 首次启动时会生成一个安全 Token，你无法直接访问 Web 界面。根据社区实战经验，你需要查看挂载卷中的配置文件来获取该 Token：

1. 进入我们之前创建的配置目录：cat ./conf/openclaw.json（路径可能随版本微调，若为空请检查 ./data 目录）。
2. 找到 gateway 字段下的 token 值，例如 9bfd07dd800a8c...。
3. 拼接访问地址：
   http://<服务器IP>:18789/?token=<你的Token>

成功访问后，你将看到 OpenClaw 的可视化操作界面，此时即可开始配置 LLM 供应商（如本地 Ollama 或远程 API）并下达第一个指令。

关键配置详解：config.toml 设置

OpenClaw 的 config.toml 是整个智能体的“神经中枢”。根据社区反馈，超过 80% 的启动失败（如容器启动即退出）都归因于配置文件的语法错误或参数缺失。本节将深入解析核心配置项，并提供一份可直接复用的标准模板。

核心字段解析

配置文件的核心在于准确对接 LLM（大语言模型）后端。无论你是使用云端的 DeepSeek 还是本地的 Ollama，都需要在 [llm] 或 [models] 模块中精准定义以下字段：

1. API Base URL (base_url)：这是 OpenClaw 寻找模型“大脑”的路径。

• • DeepSeek 用户：通常填写 https://api.deepseek.com。请注意，部分旧版 SDK 可能需要添加 /v1 后缀，建议参考服务商文档。
  • Ollama 用户：如果在 Docker 容器中运行 OpenClaw，必须使用 http://host.docker.internal:11434 而非 localhost，否则容器无法访问宿主机的 Ollama 服务。

1. API Key (api_key)：鉴权凭证。对于本地 Ollama，此处可填写任意字符串（如 ollama），但不可留空。
2. Model Name (model)：必须与服务商提供的模型 ID 严格匹配（例如 deepseek-chat 或 qwen2.5-coder:14b）。错误的 ID 会导致 400 Bad Request 报错。

标准配置模板（Copy-Paste Friendly）

以下是一份经过验证的 config.toml 结构，涵盖了模型连接与基础环境设置。你可以直接复制并根据实际情况修改 api_key。

# OpenClaw 核心配置文件 (config.toml)

[general]
# 运行日志级别，调试时可设为 "debug"
loglevel = "info"
# Agent 工作区，用于存放生成的代码或下载的文件
workspace = "./data/workspace"

# --- LLM 核心配置 ---
[llm]
# 模型提供商标识 (openai, deepseek, ollama 等)
provider = "deepseek"
# 具体的模型名称，需严格匹配
model = "deepseek-chat"
# API 基础地址 (注意：Ollama 用户需改为 http://host.docker.internal:11434)
baseurl = "https://api.deepseek.com"
# 你的 API 密钥
apikey = "sk-xxxxxxxxxxxxxxxxxxxxxxxx"
# 最大上下文长度，防止长对话导致内存溢出
contextwindow = 16384
# 输出随机性，0.0 为最严谨，1.0 为最发散
temperature = 0.1

# --- 服务端设置 ---
[server]
# 允许外部访问
host = "0.0.0.0"
# Web 界面端口
port = 18789

常见“启动即崩溃”的语法陷阱

在修改配置时，请务必避开以下 TOML 格式的常见雷区，这些错误通常会导致 Docker 容器在启动 1-2 秒后静默退出：

• 键值对格式错误：TOML 使用等号 = 赋值，严禁使用冒号 :（这是 JSON 的写法）。
• • ❌ 错误：model: "deepseek-chat"
  • ✅ 正确：model = "deepseek-chat"
• 字符串引号缺失：所有的文本值必须包裹在双引号 "" 中。
• • ❌ 错误：provider = deepseek
  • ✅ 正确：provider = "deepseek"
• 布尔值大小写：TOML 规范中布尔值必须全小写。
• • ❌ 错误：headless = True
  • ✅ 正确：headless = true
• 缩进与层级：虽然 TOML 对缩进不如 Python 敏感，但建议保持层级清晰。如果使用了 [table] 语法，该标头下的所有键值对都归属于该表，直到下一个标头出现。

如果遇到配置后无法启动的情况，建议使用 docker logs openclaw 命令查看日志。如果日志中出现 error decoding config 或 expected value 字样，请立即检查上述语法细节。

大脑接入：对接 DeepSeek 与 Ollama

OpenClaw 本身是一个执行框架，它需要接入一个大语言模型（LLM）作为“大脑”来理解任务、规划步骤并生成工具调用指令。在目前的国内环境下，我们推荐两种最主流的接入方案：DeepSeek（云端 API） 和 Ollama（本地部署）。前者以极低的成本提供顶尖的推理能力，后者则能确保绝对的数据隐私与零边际成本。

方案一：云端 API 接入 (推荐 DeepSeek)

对于大多数用户，特别是希望快速上手且硬件配置一般的用户，直接调用 DeepSeek 的 API 是最佳选择。DeepSeek V3（deepseek-chat）在中文语境理解和代码生成能力上表现优异，且 API 价格极具竞争力。

配置步骤：

1. 获取密钥：访问 DeepSeek 开放平台，注册账号并创建 API Key（通常以 sk- 开头）。
2. 修改配置：在 OpenClaw 的 config.toml 或 openclaw.json 中，定位到 llm 或 models 部分。

关键在于将 baseUrl 指向 DeepSeek 的官方端点，并确保 model 名称准确无误（DeepSeek 官方强制使用 deepseek-chat 作为模型标识符，而非具体的版本号）。

[llm]
provider = "deepseek"
# 务必使用官方兼容 OpenAI 协议的地址
baseurl = "https://api.deepseek.com"
apikey = "sk-你的密钥"
# 注意：DeepSeek V3 和 V2.5 统一使用此模型名
model = "deepseek-chat"
temperature = 0.0

注意：虽然 DeepSeek 兼容 OpenAI SDK，但在 OpenClaw 中建议明确指定 provider 为 deepseek 或 openai（视具体版本配置文件结构而定），并严格检查 base_url 是否包含 /v1 后缀，部分客户端可能需要手动补全。

方案二：本地私有化部署 (Ollama)

如果你拥有较强的本地算力（如 Mac M系列芯片或 NVIDIA 显卡），或者对数据隐私有极高要求，通过 Ollama 运行本地模型是理想方案。

推荐模型：

• Qwen2.5-Coder (14B/32B)：在工具调用（Tool Calling）方面表现极佳，是目前开源界最适合 Agent 的模型之一。
• DeepSeek-R1 Distill：推理能力强，适合复杂任务规划。

网络连接的关键坑点：
当 OpenClaw 运行在 Docker 容器中，而 Ollama 运行在宿主机上时，直接在配置文件中写 localhost 或 127.0.0.1 是无法连接的，因为这指向的是容器内部。

• Mac/Windows Docker Desktop 用户：请使用 host.docker.internal。
• Linux 用户：建议使用宿主机的局域网 IP（如 192.168.1.5），或者在启动 Docker 时添加 --network="host" 参数。

配置示例 (Docker 环境下连接宿主机 Ollama)：

{
  "llm": {
    "provider": "ollama",
    // 重点：使用 host.docker.internal 穿透容器访问宿主机
    "baseurl": "http://host.docker.internal:11434/v1",
    "model": "qwen2.5-coder:14b",
    // 本地模式下 API Key 可随意填写，但不建议留空
    "apikey": "ollama"
  }
}

方案对比与选择建议

对于初次部署 OpenClaw 的用户，建议先使用 DeepSeek 跑通流程，排除本地环境干扰；待熟悉 Agent 运作机制后，再尝试切换至本地 Ollama 模型以降低长期运行成本。

交互集成：将 OpenClaw 接入飞书 (Feishu)

相比于命令行界面，将 OpenClaw 接入飞书（Feishu）能让你的 AI Agent 真正融入日常工作流。通过飞书手机端，你可以随时随地向 Agent 下达指令，并实时接收执行反馈。以下是基于飞书开放平台的详细集成步骤，重点解决最容易卡壳的“回调验证”环节。

1. 创建应用与获取凭证

首先登录 飞书开放平台 (Feishu Open Platform)，进入“开发者后台”。

1. 点击 “创建企业自建应用”，填写应用名称（如 OpenClaw-Bot）和描述，上传图标后保存。
2. 在左侧导航栏点击 “凭证与基础信息”。
3. 关键动作：复制 App ID 和 App Secret。这两个值需要填入 OpenClaw 的 config.toml 文件中对应字段。

2. 开启机器人能力与权限配置

为了让 Agent 能看懂指令并回复，必须开通对应的 API 权限。

1. 添加机器人能力：在左侧导航栏选择 “添加应用能力”，点击 “机器人” 卡片后的“添加”按钮。
2. 配置权限范围：进入 “权限管理”，搜索并批量开通以下核心权限。缺少任何一个都会导致 Agent “已读不回”或无法执行：

• • im:message:sendasbot（以应用身份发送消息）：必须，用于 Agent 回复执行结果。
  • im:message.p2p_msg:readonly（获取用户发给机器人的单聊消息）：必须，用于私聊交互。
  • im:message.groupatmsg:readonly（获取群聊中用户 @ 机器人的消息）：用于群聊协作。
  • contact:user.employee_id:readonly（获取用户 user ID）：用于身份识别。

注意：权限开通后，务必进入 “版本管理与发布” 页面，创建并发布一个新版本，权限变更才会生效。

3. 配置事件订阅（高频报错点）

这是整个部署中最容易失败的步骤。飞书要求在保存“请求地址”时进行实时握手验证，因此必须严格按照 “先配置 Bot，后保存飞书设置” 的顺序操作。

1. 获取校验参数：
   在飞书后台左侧点击 “事件与回调” -> “加密策略”。

• • 复制 Encrypt Key（如果为空请点击重置生成）。
  • 复制 Verification Token。
  • 切记：此时不要急着去配置“请求地址”，否则会直接报错“Challenge Failed”。

1. 更新 OpenClaw 配置：
   回到你的服务器或本地配置文件 config.toml，找到 [feishu] 部分，填入刚才获取的四个参数：App ID, App Secret, Verification Token, Encrypt Key。
   保存文件并重启 OpenClaw 容器。确保容器日志显示服务已启动且无报错。
2. 完成握手验证：
   回到飞书“事件与回调”页面，点击“配置订阅方式”。

• • 请求地址 URL：填写 http://<你的服务器公网IP>:18789。
  • • 提示：如果使用 Docker 部署，请确保安全组/防火墙已放行 TCP 18789 端口。
  • 点击 “保存”。
    此时飞书会向该地址发送一个 POST 请求，OpenClaw 收到后会使用配置文件中的 Token 进行解密并返回正确响应。如果配置正确，页面会提示“保存成功”。

1. 订阅消息事件：
   在“事件与回调”页面的“添加事件”区域，搜索并添加 im.message.receive_v1（接收消息）。这是让 Agent 能够监听到用户发言的关键。

4. 常见错误排查

在实际部署中，如果遇到 “Verification Token mismatch” 或 “请求地址校验失败”，通常由以下原因导致：

• 顺序错误：未在 OpenClaw 侧填好 Token 并启动服务，就直接在飞书侧点击保存。
• 网络不通：服务器的 18789 端口未对外开放。可以在本地终端使用 curl http://<IP>:18789 测试连通性。
• 加密解密失败：Encrypt Key 复制错误或包含多余空格。

一旦配置完成，你就可以在飞书客户端搜索该机器人，发送“Help”或具体指令（如“帮我检查一下服务器磁盘占用”），验证 Agent 是否能成功接管任务。

常见报错与故障排查 (Troubleshooting)

在实际部署 OpenClaw 的过程中，环境差异往往是导致“一键部署”失效的主要原因。绝大多数运行时错误都可以通过查看容器日志定位。在进行任何修复前，请先执行以下命令获取核心报错信息：

docker logs -f openclaw
# 或者查看最后 100 行日志
docker logs --tail 100 openclaw

以下是开发者社区反馈最高频的四类阻断性问题及其解决方案。

1. 依赖安装失败与网络超时 (Network Timeout)

现象：
在源码部署（Source Install）或构建镜像过程中，出现 npm ERR! fetch failed、Connection timed out 或 git clone 卡住。

分析：
国内网络环境下，直接拉取 GitHub 源码或 NPM 官方源极易超时。此外，OpenClaw 最新版对 Node.js 版本有严格要求（通常需 Node >= 22.12.0），版本不匹配会导致 EBADENGINE 错误。

解决方案：

• 切换镜像源：如果在本地运行 npm install，务必配置国内镜像源：

    npm config set registry https://registry.npmmirror.com

• 强制使用 Docker：为彻底解决“依赖地狱”（Dependency Hell）和环境不一致问题，强烈建议放弃源码运行，直接使用 Docker 镜像。Docker 镜像内已预置了正确的 Node.js 和 Python 环境，能规避 90% 的运行时依赖报错。

2. 端口被占用 (Port Occupied)

现象：
容器启动失败，日志提示 Error: listen EADDRINUSE: address already in use :::3000 或类似端口冲突信息。

分析：
OpenClaw 默认占用宿主机端口（如 3000 用于 Web 面板，18789 用于回调）。如果宿主机上已运行了其他服务（如 Grafana、Gitea 等），会导致端口冲突。

解决方案：

• 检查端口占用：

    lsof -i :3000

• 修改映射：在 docker-compose.yml 中修改端口映射，将宿主机的其他端口（如 3001）映射到容器的 3000 端口：

    ports:
      - "3001:3000"

修改后，访问地址变为 http://localhost:3001。

3. 飞书/钉钉回调失败 (Callback Failures)

现象：
在飞书开放平台配置“请求地址”时提示“URL 校验失败”，或者 Bot 无法接收群消息。

分析：
这是最常见的配置错误。飞书和钉钉的 webhook 必须通过公网访问，且必须精准匹配回调路径。本地部署（Localhost/127.0.0.1）无法被云端平台访问。

解决方案：

• 公网 IP 验证：确保服务器拥有公网 IP，且安全组（防火墙）已放行对应端口（默认 18789）。
• 内网穿透：如果是本地家用电脑部署，必须使用 ngrok、frp 或 Cloudflare Tunnel 将本地端口暴露到公网。
• 地址格式：严格检查回调地址格式。根据阿里云开发者社区的排查经验，地址通常应为 http://<公网IP>:18789/api/v1/feishu/callback（具体路径请参考 OpenClaw 最新文档），并确保在飞书后台订阅了正确的事件（如 im.message.receive_v1）。

4. 模型调用报错 "Invalid Beta Flag"

现象：
使用 AWS Bedrock 或 Google Vertex AI 调用 Claude 模型时，日志报错 invalid beta flag。

分析：
OpenClaw 的 SDK 可能会默认向 Anthropic API 发送包含 beta 功能的请求头，但 AWS Bedrock 等托管服务不支持这些特定的 beta 标记，从而直接拒绝请求。

解决方案：
需在配置文件 openclaw.json 中显式禁用 beta 特性，或切换至直连 API。

• 修改配置：在 agents.defaults.model.options 中添加 "beta_features": []。
• 参考修复：具体的配置路径和缓存清理步骤可参考相关技术文档的详细说明，修改配置后务必重启容器以生效。