将 OpenClaw 与 Ollama 配合使用：构建本地数据分析助手

为什么要将 OpenClaw 与 Ollama 搭配运行？

将 OpenClaw 与本地的 Ollama 模型配合运行，会把您的系统变成一个自包含的 AI 环境。与其把提示与数据发往外部 API，不如让整个工作流（包括推理、文件访问与制品生成）都在您的机器上完成。

这种设置具备多项实用优势：

• 从设计上保证隐私： 所有数据集、文档与中间输出均保留在本机，不会传输到外部服务。
• 完全透明与可控： 从发送给 OpenClaw 的斜杠命令，到生成的文件与执行轨迹，每一步都可检查。
• 离线运行： 模型通过 Ollama 拉取完成后，系统即可在无网络环境下工作。
• 代理式执行： 单个用户请求即可触发多步工作流，而非只返回一段文本。

本教程聚焦于构建本地代理架构：OpenClaw 作为执行引擎，Ollama 提供推理层。

OpenClaw + Ollama 教程：构建本地数据分析助手

本节中，我们将使用 OpenClaw 和本地 Ollama 模型，在您的机器上完全运行一个“本地数据分析助手”应用。从整体来看，系统执行三项核心任务：

• 接收用户上传的 CSV 数据集
• 可选地摄取支持性上下文文档（PDF、TXT 或 Markdown）
• 运行多步分析工作流，生成洞见与可视化

系统会生成三类输出制品：

• trend_chart.png
• analysis_report.md
• tool_trace.json

在幕后，工作流由三部分协同完成：

• Web 界面（web_assistant.py）：该 Python 文件处理文件上传、创建运行目录，并向 OpenClaw 发送斜杠命令。
• OpenClaw 代理：OpenClaw 代理加载工作区技能，通过工具执行本地命令，并使用由 Ollama 托管的本地 LLM 进行推理与摘要。
• 分析引擎（main.py）：该文件读取数据集、推断相关列、生成图表与洞见，并将所有输出写入磁盘。

工作流完成后，Web 界面会预览生成的制品，方便用户查看结果与执行轨迹。

步骤 1：安装 OpenClaw

在构建“本地数据分析助手”工作流之前，需要在您的机器上运行 OpenClaw Gateway。您可以将 OpenClaw 视为本项目的执行层：它接收来自 Web UI 的请求，加载工作区技能，运行本地工具（如 shell 命令和 Python 脚本），并协调端到端的完整工作流。

curl -fsSL https://openclaw.ai/install.sh | bash
openclaw onboard --install-daemon技术支持

该命令会安装 OpenClaw CLI，运行引导向导以配置本地环境，并设置网关守护进程，以便轻松启动与停止。尽管我们在本演示中会以前台方式运行网关，但安装守护进程可确保标准化设置并便于排障。

现在，让我们确认一切正常：

openclaw doctor
openclaw gateway status技术支持

OpenClaw doctor 会报告 OpenClaw 是否已正确安装。OpenClaw gateway status 会显示网关当前是否在运行。此时可能显示“未运行”，这没问题。关键在于命令可执行且安装已被识别。

若想详细了解全部引导选项（渠道、认证、技能、网关安全）逐步说明，可参考这篇OpenClaw 教程。

步骤 2：安装 Ollama

接下来我们将设置 Ollama，它将作为本项目的本地 LLM 后端。OpenClaw 仍负责编排工作流，但在需要模型智能进行摘要或推理时，会通过 Ollama 调用 LLM。 

运行以下命令：

brew install ollama
ollama serve
ollama pull qwen3:8b技术支持

上述命令会安装 Ollama 运行时，启动本地模型服务（OpenClaw 将与之通信），并下载 qwen3:8b 模型。我们选择 qwen3:8b，因为它在多数笔记本上兼顾性能与质量，但您也可根据设备资源选择其他模型。您还可以参考 Ollama 的这份集成指南进行设置。 

步骤 3：配置 OpenClaw

接下来，我们需要将 OpenClaw 配置为使用本地的 Ollama 实例。这可确保所有推理、摘要与分析完全在您的机器上进行，不会调用任何外部 API。

创建本地配置目录：

mkdir -p .openclaw-local技术支持

然后创建文件：

.openclaw-local/openclaw.json

{
  "models": {
    "providers": {
      "ollama": {
        "baseUrl": "http://127.0.0.1:11434/v1",
        "apiKey": "ollama-local",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3:8b",
            "name": "qwen3:8b",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 131072,
            "maxTokens": 8192
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": { "primary": "ollama/qwen3:8b" }
    }
  },
  "tools": {
    "web": {
      "search": { "enabled": false },
      "fetch": { "enabled": true }
    }
  }
}技术支持

上述配置定义了三项关键组件：

• baseUrl 指向由 ollama serve 暴露的本地 API 端点，而 api: openai-completions 设置启用与 OpenAI 兼容的通信。对 qwen3:8b 的模型注册声明了其能力，包括可处理大型数据集的 131K 上下文窗口，以及用于控制响应的 token 限制。由于模型在本地运行，成本值均设为 0。
• agent defaults 部分控制 OpenClaw 代理用于推理的模型。将主模型设置为 ollama/qwen3:8b 后，所有代理任务（如解析提示、生成摘要或对数据进行推理）都会自动路由到本地 Ollama 模型，无需任何外部 API 调用。
• 工具配置用于管理外部能力，如 Web 搜索被禁用以确保隐私并阻止出站请求；而 fetch 工具在需要时保留有限的资源获取能力。 

上述设置共同确保整条工作流在您的机器上私密运行，由 OpenClaw 负责编排，Ollama 提供本地智能。

步骤 4：定义工作区技能

在此步骤中，我们定义工作区技能，以告知 OpenClaw 如何执行工作流。我们不依赖模型来规划工具使用，而是采用“命令分发模式”，允许斜杠命令直接触发本地执行命令，使工作流更快且完全本地化。

让我们在您的工作区中创建如下 SKILL.md 文件：

---
name: local-data-analyst
description: Local Data Analyst: analyze private local data with Ollama, generate chart/report, and keep all data on-device.
user-invocable: true
command-dispatch: tool
command-tool: exec
command-arg-mode: raw
---
Invoke as /local-data-analyst <raw command>.
This skill bypasses model planning and dispatches raw command text directly to the exec tool.
Use this exact command template in this workspace:
python3 /……/main.py --docs-dir <context_dir> --data-file <data_file> --output-dir <output_dir> --prompt "<prompt>" --use-ollama --model qwen3:8b
Expected outputs under <output_dir>:
- trend_chart.png
- analysis_report.md
- tool_trace.json技术支持

此技能配置决定了 OpenClaw 如何执行分析：

• 顶部前言区（文件最上方的结构化元数据块）定义了一个可由用户调用的技能 local-data-analyst，它会以斜杠命令 /local-data-analyst 的形式提供。
• 斜杠命令是 OpenClaw 在聊天或 UI 中触发结构化操作的方式。
• command-dispatch: tool 启用命令分发模式，OpenClaw 会将命令直接路由到工具，而不是让模型决定该做什么。
• 借助 command-arg-mode: raw，完整命令字符串会原样传递给 exec 工具，确保可预测的执行行为。
• 该命令运行本地的 main.py 脚本，其功能包括：
• 加载数据集与可选的上下文文档
• 使用 Ollama (qwen3:8b) 进行推理与摘要
• 生成三类制品，包括图表、Markdown 报告与工具执行轨迹

因此，OpenClaw 负责编排与执行，而 Ollama 提供本地推理。下一步，我们将把该技能接入 Web 界面，让用户上传数据并一键触发分析。

步骤 5：创建 Web 界面

此时，我们已经拥有两个核心部分：OpenClaw 工作区技能，以及提供推理能力的本地模型后端（Ollama）。现在需要一个轻量级界面，让您无需每次都使用终端即可上传文件并触发运行。

web_assistant.py 文件充当一个精简的前端服务器，负责：

• 接收文件上传，
• 为每次执行创建隔离的运行目录，
• 构建指向磁盘文件的 OpenClaw 斜杠命令，
• 在本地调用 OpenClaw 代理，
• 等待输出，
• 将可预览的制品返回给浏览器。

这里的关键设计是：Web 服务器本身从不运行分析逻辑。它把一切委派给 OpenClaw，从而保持 UI 简洁。 

步骤 5.1：构建斜杠命令

目标是生成一条 OpenClaw 可作为聊天消息接收的字符串，例如：/local-data-analyst python3 ... --data-file ... --output-dir …

def build_slash_command(
    data_path: Path,
    docs_dir: Path,
    output_dir: Path,
    prompt: str,
    model: str,
    x_col: str,
    y_col: str,
) -> str:
    args = [
        "python3",
        str(BASE_DIR / "src" / "main.py"),
        "--docs-dir", str(docs_dir),
        "--data-file", str(data_path),
        "--output-dir", str(output_dir),
        "--prompt", prompt,
        "--use-ollama",
        "--model", model,
    ]
    if x_col:
        args.extend(["--x-column", x_col])
    if y_col:
        args.extend(["--y-column", y_col])
    raw = " ".join(shlex.quote(a) for a in args)
    return f"/local-data-analyst {raw}"技术支持

build_slash_command() 函数准备将发送给 OpenClaw 的精确指令。Web 应用并不直接执行分析，而是构造一个结构化的斜杠命令，OpenClaw 能将其路由到对应的工作区技能。该函数执行四项关键工作：

• args 列表定义了对 src/main.py 的 CLI 调用。这与您在终端中手动运行的命令完全一致。
• 仅在提供时才追加 --x-column 与 --y-column 标志。若缺失，这个分析脚本可自动从数据集中推断列。
• shlex.quote() 会对所有参数（包括用户提示）进行转义。对处理空格与特殊字符至关重要，并在将用户输入传给 shell 命令时防止命令注入风险。

该函数返回以 /local-data-analyst 开头的字符串。此前缀与 SKILL.md 中定义的技能名相匹配。OpenClaw 收到该斜杠命令后，会立即将请求路由到 local-data-analyst 工作区技能，并通过 exec 工具执行底层命令。

步骤 5.2：OpenClaw 执行 

有了斜杠命令之后，我们使用 CLI 代理运行器将其发送给 OpenClaw。这一步正是 Web 应用交接执行权的地方。

slash_message = build_slash_command(
    data_path=data_path,
    docs_dir=docs_dir,
    output_dir=output_dir,
    prompt=prompt,
    model=model,
    x_col=x_col,
    y_col=y_col,
)
agent_cmd = [
    "openclaw", "agent",
    "--local",
    "--session-id", f"stealth-web-{run_id}",
    "--message", slash_message,
    "--timeout", "120",
]
proc = subprocess.run(agent_cmd, capture_output=True, 
                     text=True, env=openclaw_env())技术支持

OpenClaw 代理的调用即为交接点：Web 应用停止工作，转而请求 OpenClaw 端到端执行工作流。 

• 使用 --local 可确保运行留在本机；代理通过本地网关与 Ollama 支持的模型处理请求，而非任何托管服务。
• --session-id stealth-web-{run_id} 为每次运行分配独立会话命名空间，避免状态互相影响，也便于后续针对特定执行进行调试。 
• --message 参数会传入与用户在聊天中输入完全一致的斜杠命令字符串；OpenClaw 接收后，将其路由到 /local-data-analyst 技能，并通过 exec 工具执行底层命令。 
• 最后，--timeout 120 作为安全阀，避免分析停滞导致 Web UI 无限等待；env=openclaw_env() 则强制子进程使用项目本地的 OpenClaw 配置与状态目录，从而稳定指向预期的 Ollama 设置。

下一步，我们将加载生成的制品（包括图表、报告与工具轨迹），并在浏览器中渲染轻量预览。

步骤 5.3：服务器设置

最后，web_assistant.py 会运行一个小型本地 HTTP 服务器，以便您通过浏览器进行交互。

 def main() -> int:
    host = "127.0.0.1"
    port = 8765
    server = ThreadingHTTPServer((host, port), Handler)
    print(f"Local Data Analyst web UI: http://{host}:{port}")
    print("Press Ctrl+C to stop.")
    try:
        server.serve_forever()
    except KeyboardInterrupt:
        pass
    return 0技术支持

这使得部署更为简单：

• ThreadingHTTPServer 允许并发处理多个请求，而不阻塞整个应用。
• 所有“实际工作”都在请求 Handler 中完成：接收上传、创建运行文件夹、触发 OpenClaw，并返回预览。

注意：完整的 web_assistant.py 实现可在项目GitHub 仓库中查看。

步骤 6：构建本地分析引擎

至此，OpenClaw 已可通过工作区技能执行工作流，Web UI 也能借助斜杠命令触发运行。剩下的部分是分析引擎：它接收您上传的文件，执行工作流步骤，并生成制品。

该仓库中的 main.py 重点实现了两项定义流水线核心的功能：加载表格数据与调用 Ollama 进行本地推理。 

步骤 6.1：加载表格数据 

这个辅助函数在保持工作流一致性的同时，支持多种输入格式。

def load_tabular_data(data_path: Path, events: List[SkillEvent]) -> pd.DataFrame:
    ext = data_path.suffix.lower()
    if ext == ".csv":
        df = pd.read_csv(data_path)
    elif ext in {".tsv", ".tab"}:
        df = pd.read_csv(data_path, sep="\t")
    elif ext in {".json", ".jsonl"}:
        try:
            df = pd.read_json(data_path)
        except ValueError:
            df = pd.read_json(data_path, lines=True)
    elif ext in {".xlsx", ".xls"}:
        df = pd.read_excel(data_path)
    else:
        raise ValueError(f"Unsupported data file...")
    log_event(events, "fs", "read", f"Loaded data file: {data_path.name}")
    return df技术支持

load_tabular_data() 使用 data_path.suffix 识别文件类型，并交由正确的 pandas 加载器处理。CSV 与 TSV 文件通过 read_csv() 读取，其中 TSV/TAB 只需将分隔符切换为 \t。JSON 输入先用 read_json() 读取，若 pandas 抛出 ValueError，则回退至 lines=True 处理 JSONL。通过 read_excel() 增加了对 Excel 的支持，用户可直接上传 .xlsx 文件，无需预处理。

最后，log_event() 会记录一条结构化的跟踪条目，流水线稍后会将其序列化为 tool_trace.json。 

步骤 6.2：Ollama 集成 

由于本演示不依赖 SDK，因此直接调用 Ollama 的本地 HTTP API。

def ollama_generate(model: str, prompt: str) -> str:
    url = "http://localhost:11434/api/generate"
    payload = json.dumps({
        "model": model, 
        "prompt": prompt, 
        "stream": False
    }).encode("utf-8")
    req = request.Request(url, data=payload, 
                         headers={"Content-Type": "application/json"})    
    with request.urlopen(req, timeout=45) as resp:
        body = json.loads(resp.read().decode("utf-8"))
    return str(body.get("response", "")).strip()技术支持

ollama_generate() 函数向 localhost 的 Ollama /api/generate 端点发送 JSON 负载。负载包含模型名称（例如 qwen3:8b）、最终的提示字符串，并禁用流式输出，以便一次返回完整响应。

使用 urllib.request 使该封装轻量且可移植，同时 timeout=45 可防止模型响应缓慢或服务器不可用时导致工作流无限挂起。最后，函数从 response 字段中提取模型输出并返回干净文本，后续将用于写入 analysis_report.md 文件。

步骤 7：构建 Web 服务器

以下是一个迷你启动脚本，用于启动本地 Web UI，以接收上传并在后台触发 OpenClaw 运行。

set -euo pipefail
ROOT="$(cd "$(dirname "$0")" && pwd)"
cd "$ROOT/.."
python3 ../web_assistant.py技术支持

此脚本执行三件事：

• set -euo pipefail 让脚本快速失败：遇到错误即停止、将未设置变量视为错误、并避免管道中的静默失败。
• ROOT=... 解析脚本所在目录，即便您在其他位置运行也可正常工作。
• cd "$ROOT/.." 进入预期的项目根目录，然后启动 web_assistant.py，该脚本托管 UI 并处理整个流水线。

脚本运行后，浏览器 UI 就成为本演示的入口。

步骤 8：启动系统

最后一步，我们采用双进程方式运行系统。OpenClaw 网关处理所有任务执行，而 Web 界面则作为用户层，用于提交请求与查看生成的输出。

终端 1：网关

在启动界面之前，先启动 OpenClaw 网关。该进程充当系统的执行层，处理代理请求、加载工作区技能、调用本地工具，并将推理调用路由到 Ollama 模型。

export OPENCLAW_CONFIG_PATH="$PWD/.openclaw-local/openclaw.json"
openclaw gateway --force技术支持

在该终端中，OPENCLAW_CONFIG_PATH 指向项目本地配置（我们在其中将默认模型固定为 ollama/qwen3:8b，并为隐私禁用了 Web 搜索）。随后，openclaw gateway --force 会启动网关，即使 OpenClaw 认为已有进程在运行或部分配置存在也会强制启动。 

网关就绪后，即可接受本地代理消息（包括我们的 /local-data-analyst 斜杠命令）。

终端 2：Web UI

网关启动后，运行 Web 界面，它会收集用户输入，将每个请求发送给本地 OpenClaw 代理，并显示生成的图表、报告与执行轨迹。

./local_data_analyst/run_web.sh技术支持

然后打开：

http://127.0.0.1:8765技术支持

Web 服务器运行在 127.0.0.1，因此仅能从您的本机访问。点击“Run Analysis”后，UI 会写入运行文件夹、构造斜杠命令、调用 openclaw agent --local，随后轮询磁盘中的输出文件以便预览：

• trend_chart.png
• analysis_report.md
• tool_trace.json

最终输出看起来会类似如下。您可以使用一些示例文件进行测试。

总结

在本教程中，我们构建了一个“本地优先”的 AI 应用：一个简洁的 Web 界面即可触发由 OpenClaw 与本地 Ollama 模型驱动的完整代理工作流。系统不调用外部 API，而是在您的机器上自洽闭环运行。

OpenClaw 负责编排与工具执行，Ollama 提供本地智能层。最终形成代理式工作流：单个请求即可产出结构化制品，如可视化、报告与审计轨迹。

接下来，您可以沿多个方向扩展本项目：为不同工作流添加新的工作区技能、集成更多本地工具（例如数据库查询或文档检索）、或将 OpenClaw 连接至 Slack、WhatsApp 等消息渠道以实现安全的远程访问。 

您也可以尝试不同的 Ollama 模型，根据硬件在性能与质量间取得平衡。

若要进一步了解如何在工作流中使用 AI，建议查看《面向开发者的 AI 辅助编程》课程。也推荐查看我们的Moltbook 入门指南。