以往大家习惯将 AI 能力依赖于公有云服务，而随着 OpenClaw 等智能体工具的快速普及，不管是个人开发者还是企业更需要一个 7×24 小时运行在本地、可直接响应指令的 “数字员工”。但云端方案存在的数据隐私风险与持续高昂的 API、Token 成本，让工业级智能体在规模化落地时面临瓶颈，独立部署大模型服务已成为企业构建自主可控 AI 能力的必然选择。

众智FlagOS 是一款完全开源的 AI 系统软件栈，支持多款异构 AI 芯片，可让 AI 模型与智能体轻松实现快速部署。本次 FlagOS 联合腾讯云 HAI（面向AI和科学计算的容器镜像中心），将 Qwen3-4B-hygon-flagos 模型镜像正式上线腾讯云 HAI 社区，开发者可直接拉取使用。基于该镜像，可快速在加速卡上运行FlagOS + OpenClaw，实现小模型驱动智能体执行，为企业和开发者从公有云 API 转向自建本地 AI 服务提供了可落地的实践方案。

安装及测试过程

基于 FlagOS 系统软件栈的跨芯能力，众智 FlagOS 社区把 Qwen3-4B 适配至多款GPU硬件。以下内容重点介绍如何部署与配置 FlagOS 版 Qwen3-4B的过程，仅用于复现实验结果，不影响对 Agent 能力的判断。

1.安装Qwen3-4B-hygon-flagos首先，从 HAI 社区平台找到 Qwen3-4B-hygon-FlagOS，根据md拉取模型并启动服务。

以 ModelScope为例，下载模型权重

Plain Text pip install modelscope modelscope download –model Qwen/Qwen3-4B –local_dir /share/Qwen3-4B

Plain Text docker pull haihub.cn/baai/flagrelease_hygon_qwen3:v1.0.0

通过下面的代码，启动容器。

这段代码可直接复制使用，也可以根据需要修改容器名，即在第4行–name=flagos对 name 进行修改。

SQL #Container Startupdocker run -it \ –name=flagos \ –network=host \ –privileged \ –ipc=host \ –shm-size=16G \ –memory=”512g” \ –ulimit stack=-1:-1 \ –ulimit memlock=-1:-1 \ –cap-add=SYS_PTRACE \ –security-opt seccomp=unconfined \ –device=/dev/kfd \ –device=/dev/dri \ –group-add video \ -u root \ -v /opt/hyhal:/opt/hyhal \ -v /share:/share \ haihub.cn/baai/flagrelease_hygon_qwen3:v1.0.0 \ /bin/bash

进入容器（如果上一步修改了容器名，这里要将flagos对 name 进行修改。

Plain Text docker exec -it flagos bash

启动服务

Plain Text flagscale serve qwen3

2.安装配置OpenClaw

安装过程: 参见:https://github.com/openclaw/openclaw?spm=5176.28103460.0.0.696675514ZMILC , 通过源码方式，安装 OpenClaw。

Python git clone https://github.com/openclaw/openclaw.git cd openclawpnpm install pnpm ui:build # auto-installs UI deps on first run pnpm build pnpm openclaw onboard –install-daemon # Dev loop (auto-reload on TS changes) pnpm gateway:watch

配置过程:访问链接以下链接：https://cloud.tencent.com/developer/article/2625144，文中有给出通用的”模型配置”文件格式，可以直接套用，套用后命令如下。

需要注意的是，配置本地模型时，厂商一定是加速推理工具如vllm。

SQL pnpm openclaw config set ‘models.providers.vllm_local’ –json ‘{ “baseUrl”: “https://1.15.51.106:9033/v1”, “apiKey”: “anykey”, #key不可为空，如果原来模型没有配置key，任意填写即可 “api”: “openai-completions”, “models”: [ { “id”: “Qwen3-4B-hygon-flagos”, “name”: “远程模型” } ] }’

执行之后出现如下信息提示：

启用并设置为默认模型

Plain Text 合并配置模型 pnpm openclaw config set models.mode merge

Plain Text 切换为当前模式 pnpm openclaw models set vllm_local/Qwen3-4B-hygon-flagos

可以看到当前默认模型已经切换为 Qwen3-4B-hygon-flagos。

执行下面代码，可以看到模型已经切换完成。

Plain Text pnpm openclaw configure

可以看到模型已经切换完成。

3、配置 channel 为QQ

参考文档： https://cloud.tencent.com/developer/article/2626045，这部分需要替换为自己的ID和secret。配置完成后，进行以下操作：

启动openclaw网关, 命令如下：Plain Text
pnpm openclaw gateway启动成功后，您可以在QQ软件中尝试和已经打通OpenClaw的QQ机器人进行单独聊天，或者在群里与QQ机器人进行对话。如果QQ机器人能够以AI的方式对话，则说明您已经成功完成OpenClaw应用接入QQ机器人。

接下来您就可以开始进一步探索OpenClaw接入QQ机器人之后的更多使用场景。

趋势展望

这次在 OpenClaw 连接QQ的场景中对 Qwen3-4B-hygon-flagos 进行了测试，发现Agent的能力边界正在发生转移。

关键信号：

•小模型开始进入Agent执行层
Qwen3-4B-hygon-flagos 已经可以在 OpenClaw 中稳定承担指令理解、工具调用、本地文件操作和协作入口控制等任务。这意味着，小模型第一次从“对话组件”走进了Agent的执行中枢。

•真正的瓶颈不在模型，而在系统
无论 4B 还是更大的模型，在文档写入等能力上同样受限，说明 Agent 的上限越来越多地由平台权限、接口设计和工程抽象决定，而不是模型本身。

如果你要的是一个能在本地跑、能调工具、能接企业系统的 Agent 内核，
4B级模型，已经开始成为一个现实且合理的默认选项。

Less is More, FlagOS is the Key！

关于众智FlagOS社区

众智FlagOS是一款专为异构AI芯片打造的开源、统一系统软件栈，支持 AI 模型一次开发即可无缝移植至各类硬件平台，大幅降低迁移与适配成本。它包括大型算子库、统一AI编译器、并行训推框架、统一通信库等核心开源项目，致力于构建「模型-系统-芯片」三层贯通的开放技术生态，通过“一次开发跨芯迁移”释放硬件计算潜力，打破不同芯片软件栈之间生态隔离。

社区正式：https://flagos.io

GitHub地址：https://github.com/flagos-ai

GitCode地址：https://gitcode.com/flagos-ai

关于HAI

高性能应用服务（Hyper Application Inventor，HAI）是一款面向 AI 、科学计算的 GPU 应用服务产品，提供即插即用的澎湃算力与常见环境，助力中小企业及开发者快速部署 LLM。

而HAI社区是一款面向AI和科学计算等GPU环境的容器镜像中心，提供丰富的最新与社区维护的开发资源。助力企业和开发者快速部署AIGC大模型、计算机视觉、自然语言处理、数据科学等容器，原生集成开发工具与组件。

相关攻略

热门推荐