游乐游手机版
首页/AI教程/文章详情

OpenClaw与GLM 5.1推出免费AI Agent

时间:2026-06-17 15:14
通过Ollama、GLM-5 1和OpenClaw可在本地搭建免费AI助手。Ollama提供本地运行引擎,GLM-5 1是智谱AI开源模型(MIT许可),编程能力超越GPT-5 4等;OpenClaw支持消息通信、网页搜索、代码编写及自动化任务。无需订阅,零成本运行。

这篇指南将带你安装三个工具,组合起来就可以在自己的电脑上跑一个完全免费的个人AI助手。

没有订阅,没有月费——真正的零成本。

我们要搞定三样东西:

Ollama——一个能让你直接在本地运行AI模型的程序。你可以把它理解为本地驱动人工智能的“引擎”,支持 macOS、Windows 和 Linux。

GLM-5.1——来自智谱AI的模型,2026年4月7日发布,是目前世界上最好的开源模型之一。在 SWE-Bench Pro 编程基准测试上拿到58.4分,超过了 GPT-5.4 和 Claude Opus 4.6。而且是在 MIT 许可证下完全免费。

OpenClaw——一个 AI Agent,能把普通语言模型变成功能完整的助手。它能通过 WhatsApp、Telegram、Slack、Discord 发消息,能搜索网页,能处理文件,能写代码,还能自动化执行任务。通过 Ollama,一条命令就能启动。

原文截图 1:文章开场图原文截图 1:文章开场图

系统要求

开始前先确认你的电脑满足条件。

最低要求(通过 Ollama Cloud 使用 cloud model):

  • 任何现代电脑
  • 8 GB 内存
  • 5 GB 可用磁盘空间
  • 网络连接
  • Node.js 22 或更高版本

推荐配置(用于本地模型):

  • 16 GB 内存(适合中等规模模型)
  • 8 GB 以上显存的 GPU,推荐 NVIDIA
  • 20 GB 以上可用磁盘空间
  • 如果要完整本地运行 GLM-5.1,需要服务器级硬件(7440亿参数);但通过 Ollama 提供的 cloud 版本可以免费使用

重要提示:没有强力 GPU 也不用担心。GLM-5.1 可以通过 Ollama 作为 cloud model 使用(glm-5.1:cloud),这样运行很快,本地不需要额外硬件。

1. 安装 Ollama

  • https://ollama.com/

Ollama 是整套系统的基础,先从它开始。打开官网按页面说明安装,可以把命令粘贴到终端,也可以直接下载应用。装好就完事了。

原文截图 2:Ollama 安装入口原文截图 2:Ollama 安装入口

2. 选择 GLM 5.1 模型

输入 ollama 启动程序,选择 “Chat with a model” 选项,然后选 GLM 5.1。之后就能直接在终端里聊天、提问、写代码、分析文本,想干嘛都行。

原文截图 3:在 Ollama 里选择聊天入口原文截图 3:在 Ollama 里选择聊天入口

重要提示:如果要使用 cloud model,你需要登录一个 Ollama 账号。第一次启动 cloud model 时,Ollama 会提示创建。免费。连上云端版本后,GLM 5.1 就能用了。

原文截图 4:选择 glm-5.1:cloud原文截图 4:选择 glm-5.1:cloud

3. OpenClaw

  • https://ollama.com/

在同一个网站继续往下看,用那条命令安装 OpenClaw。如果电脑还没安装,流程会自动执行:

  • Ollama 先检查有没有安装 OpenClaw
  • 如果没有,通过 npm 下载安装,所以 Node.js 必须先装好
  • 屏幕弹出安全提示,说明 OpenClaw 将获得电脑上工具的访问权限,选择接受
  • 接着出现模型选择界面,选 glm-5.1:cloud
  • OpenClaw 在终端里启动,直接开始聊天

如果想在启动前先配置(选模型、连接消息应用等),也可以走配置流程。

原文截图 5:OpenClaw 启动后的终端界面原文截图 5:OpenClaw 启动后的终端界面

原文截图 6:OpenClaw 一键启动入口原文截图 6:OpenClaw 一键启动入口

4. OpenClaw 控制面板(Control UI)

启动后,在浏览器里打开 Web 控制面板,你会看到:

  • Chat:直接在浏览器里和 AI 助手聊天
  • Overview:查看 Agent 当前状态总体信息
  • Channels:连接消息应用(WhatsApp、Telegram、Slack、Discord、iMessage)
  • Instances:管理运行中的实例
  • Sessions:查看会话和聊天历史
  • Usage:查看使用统计
  • Cron Jobs:设置自动化定时任务

控制面板顶部还可以切换频道和模型。

5. 连接自动网页搜索

  • https://docs.ollama.com/integrations/openclaw#web-search-and-fetch

按文档启用自动网页搜索。OpenClaw 可以在互联网上搜索信息。如果使用 Ollama 提供的 cloud model,网页搜索会自动启用;如果使用本地模型,则需要自己安装插件。

原文截图 7:网页搜索插件说明原文截图 7:网页搜索插件说明

6. 连接消息平台

  • https://docs.ollama.com/integrations/openclaw#connect-messaging-apps

把消息应用接进来,和 Agent 沟通会更方便。OpenClaw 最重要的能力之一,就是通过熟悉的消息应用和 AI 对话——比如在 Telegram 里发一条消息,AI 就会返回回复。频道配置可以在 Control UI 里完成,也可以通过命令完成。打开 “Channels” 部分,按提示连接需要的应用。

连接 Telegram 的步骤举例:

  • 打开 Telegram 机器人 BotFather
  • 启动它
  • 创建一个新 bot,设置名字和用户名
  • 拿到 bot token
  • 把 token 填进终端

原文截图 8:连接消息应用原文截图 8:连接消息应用

原文截图 9:Telegram BotFather 示例原文截图 9:Telegram BotFather 示例

7. 配合 Claude Code 和 Codex 使用(额外部分)

Ollama 还允许启动其他 AI 开发工具。GLM-5.1 在 Ollama 页面上已经给出了现成命令:

  • 用 GLM-5.1 启动 Claude Code
  • 用 GLM-5.1 启动 Codex
  • 用 GLM-5.1 启动 OpenCode

这意味着可以通过不同的编程接口调用 GLM-5.1 的能力。

关于 GLM-5.1 模型

关键参数:

  • 架构:7440 亿参数,Mixture-of-Experts,每个 token 激活 400 亿参数
  • 上下文窗口:200000 tokens
  • 许可证:MIT,自由使用
  • 发布时间:2026 年 4 月 7 日

基准测试结果:

GLM-5.1 最关键的特点是可以连续自主工作最长 8 小时,会自己调整策略、寻找新的解题路径。其他模型在前几轮尝试后可能就“没劲了”,而 GLM-5.1 会通过数百轮迭代持续改进结果。

原文截图 10:原文里的模型对比图原文截图 10:原文里的模型对比图

三条命令,零订阅,一个真正为你工作、而不是为别人服务器工作的 AI Agent。未来已经来了,而且免费。

来源:https://cloud.tencent.com.cn/developer/article/2689480
上一篇Garry Tan的gstack:如何每天产出2万行代码 下一篇如何在OpenClaw与Hermes用其他模型替代Claude订阅方案
本站内容用于信息整理与展示,如有侵权或内容问题请及时联系处理。

相关推荐

补充同频道和同主题内容,方便继续浏览更多相关内容。

同类最新

继续查看同栏目最近更新的文章。

更多
SVD奇异值分解的三步:双对角化、Givens收敛与排序
AI教程 · 2026-07-01

SVD奇异值分解的三步:双对角化、Givens收敛与排序

写在前面:万能的 SVD,缺席的算法SVD 是线性代数的瑞士军刀。你做主成分分析(PCA),底层是 SVD;你做推荐系统的协同过滤,底层是 SVD;你算伪逆、解最小二乘,底层是 SVD;你做图像压缩、信号去噪、潜在语义分析(LSA),底层还是 SVD。统计软件里凡是涉及 "降维 " "求秩 " "解超定方程组

大模型位置编码深度解析:模型如何理解顺序?
AI教程 · 2026-07-01

大模型位置编码深度解析:模型如何理解顺序?

注意力机制的“位置盲区” 上一章我们探讨了注意力机制如何借助 QKV(Query-Key-Value)矩阵计算 Token 之间的相关性。然而,其中隐藏着一个关键的问题: 注意力机制天生就像个“路痴”——它根本无法感知 Token 的前后顺序! 问题演示 我们来观察这两个句子: "猫 吃 鱼 " "鱼

深度学习从零理解Transformer模型原理与架构详解
AI教程 · 2026-07-01

深度学习从零理解Transformer模型原理与架构详解

从零理解 Transformer:注意力机制全解析 Transformer 架构彻底改写了自然语言处理的技术版图——从 BERT 到 GPT-4,从 T5 到 LLaMA,几乎所有现代大语言模型都长在 Transformer 的根上。但说实话,很多开发者的理解还停在“调 API”层面。本文从直觉出发

Rust构建AI自演化主板:18个异构器官长出C++骨骼
AI教程 · 2026-07-01

Rust构建AI自演化主板:18个异构器官长出C++骨骼

用 Rust 手搓 AI 自演化主板:当 18 个异构器官长出 C++ 骨骼第一章 物理层:让 Rust C++ CUDA 共享同一根血管在多语言实时系统开发中,最棘手的难题莫过于数据拷贝。一个 MarketTick 信号若从 Rust 传递至 C++ 算子,再送入 CUDA 核函数,最后返

大模型可观测性升温:响应时间、Token与调用链成AI系统新指标
AI教程 · 2026-07-01

大模型可观测性升温:响应时间、Token与调用链成AI系统新指标

2026年,大模型应用正迈入全新阶段:核心关注点从“功能是否可用”转向“运行是否稳定”。 回顾过往,大家对大模型的注意力基本集中在模型效果本身——回答准确度如何、生成速度快慢、能否对接知识库、是否支持多轮对话。这些固然是基础能力,但当模型真正嵌入客服、办公、研发、运维、数据分析等核心业务场景后,新的