1. Windows 下 GTX1070 跑 Openclaw Ollama 本地模型到底卡在哪如果你手上是一台 i7-8750H、32G 内存、GTX1070 8G 显存的老笔记本想在本机把 Openclaw 这个开源个人 AI 助手跑起来同时用 Ollama 做本地推理那么你大概率会经历三个阶段装 conda 环境、拉 Ollama 模型、配 Openclaw 的 Gateway。听起来简单但真正动手时坑基本集中在三处——显卡驱动和 CUDA 版本对不上、Ollama 拉下来的模型不支持 tools 调用、Openclaw 的配置文件路径和字段写错导致 Gateway 起不来。这篇就按我实际在 Windows 上跑通的顺序把 conda 环境创建、Ollama 安装与模型拉取、Openclaw 侧 settings.json / config.toml 骨架、以及一次可复现的对话验证动作全部写清楚。GTX1070 8G 显存跑 4B 到 9B 的量化模型是可行的但前提是模型格式选对、显存别被其他进程吃掉。等你本地链路跑通之后如果想让 Openclaw 同时具备调用云端大模型的能力可以用 TaoToken 统一管理后续的 API Key 和调用通道本地和云端两条路并行不用来回改配置。适合谁看只有老显卡、想先跑通本地推理再考虑接入统一 API 通道的开发者已经装过 conda 但没配过 Ollama 的人以及 Openclaw 装完卡在 Gateway 启动或模型报错的人。2. 前置准备conda 环境与 Ollama 安装2.1 检查 conda 与显卡状态先打开 Anaconda Prompt不是普通 cmd确认 conda 可用conda --version conda env list如果提示找不到命令说明 conda 没装或没加进 PATH装一个 Miniconda 即可。接着确认显卡驱动和 CUDA 状态在 cmd 里执行nvidia-smi正常输出会显示 GTX1070、驱动版本、CUDA Version 以及当前显存占用。这里要注意nvidia-smi右上角显示的 CUDA Version 是驱动支持的最高版本不是你实际安装的 CUDA 版本。Ollama 在 Windows 下会自带推理后端一般不需要你单独装 CUDA Toolkit但驱动必须足够新否则 Ollama 会退回 CPU 推理速度会慢到无法接受。2.2 创建独立的 conda 环境不要用 base 环境跑 Openclaw依赖冲突会让你怀疑人生。单独建一个conda create -n openclaw_env python3.11 -y conda activate openclaw_env这里我用 3.11 而不是更新的版本原因是 Openclaw 依赖链里部分包对 3.12 的兼容还在跟进3.11 最稳。创建完成后确认python --version where pythonwhere python输出的路径应该指向openclaw_env目录如果还指向 base说明激活没生效重新执行conda activate openclaw_env。2.3 安装 Ollama 并拉取模型到 Ollama 官网下载 Windows 安装包双击安装装完后右下角会出现羊驼图标。验证版本ollama --version建议用较新版本老版本对 tools 调用的支持不完整后面 Openclaw 会直接报 400。装完后拉模型GTX1070 8G 显存建议从 4B 量化版起步ollama pull qwen3:4b ollama listollama list能看到模型名、大小和修改时间。如果你想确认模型是否支持工具调用可以看模型页面的 tags 说明带 tools 标记的才能被 Openclaw 正常调用。这一点非常关键后面第 5 节会专门讲这个报错。3. 可复制配置Openclaw 侧 settings.json 与 config.toml3.1 安装 Openclaw以管理员身份打开 PowerShell先放开脚本执行策略否则安装脚本会被拦Set-ExecutionPolicy RemoteSigned -Scope CurrentUser Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass Get-ExecutionPolicy -List然后执行安装iwr -useb https://openclaw.ai/install.ps1 | iex安装过程会顺带装 Node.js。装完后验证openclaw --version3.2 配置 Gateway 为本地模式Openclaw 的后台服务叫 Gateway负责 Web 控制台和任务执行。先设成本地模式再安装服务openclaw config set gateway.mode local openclaw gateway install openclaw gateway start openclaw gateway statusgateway install会创建一个计划任务实现开机自启。如果start之后status显示未运行先看日志再重启别急着重装。3.3 settings.json 骨架Openclaw 的模型接入配置一般放在用户目录下的配置文件夹里。一个可用的 settings.json 骨架如下重点是 provider 指向 ollama、baseUrl 指向本地 11434 端口{ provider: ollama, model: qwen3:4b, baseUrl: http://127.0.0.1:11434, apiKey: ollama, temperature: 0.7, maxTokens: 2048, stream: true }apiKey对本地 Ollama 来说随便填它不校验但字段不能缺否则部分版本会报配置解析失败。3.4 config.toml 骨架如果你用的是 TOML 配置方式等价写法如下[gateway] mode local port 18789 [model] provider ollama name qwen3:4b base_url http://127.0.0.1:11434 api_key ollama temperature 0.7 max_tokens 2048改完配置后重启 Gateway 让配置生效openclaw gateway restart openclaw gateway status注意配置文件里的端口要和 Ollama 实际监听端口一致。默认是 11434如果你改过 OLLAMA_HOST这里也要同步改。4. 验证请求一次可复现的对话动作4.1 先用 curl 验证 Ollama 本身在配置 Openclaw 之前先确认 Ollama 的 API 是通的curl http://127.0.0.1:11434/api/generate -d {\model\:\qwen3:4b\,\prompt\:\用一句话说明什么是本地推理\,\stream\:false}如果返回一段 JSON里面有response字段和模型生成的文字说明 Ollama 侧没问题。如果连接被拒绝检查羊驼图标是否在运行或者执行ollama serve手动拉起。4.2 再验证 Openclaw 到 Ollama 的链路启动 Gateway 后打开浏览器访问http://127.0.0.1:18789在对话界面发一条测试消息比如「帮我列三个 conda 常用命令」。如果模型正常回复说明 Openclaw → Ollama → 模型的链路完全打通。此时观察nvidia-smi应该能看到显存占用上升说明走的是 GPU 而不是 CPU。4.3 显存与性能观察GTX1070 8G 显存跑 4B 量化模型显存占用大概在 3 到 4G留有余量。如果你拉到 9B 量化版显存会接近 7G此时如果浏览器、IDE 也占显存就可能触发显存不足模型会退回 CPU 或直接报错。实测下来4B 模型在 1070 上的首 token 延迟可以接受日常问答够用9B 模型质量更好但响应明显变慢建议按任务切换。5. 本篇常见错排查5.1 报错 does not support tools这是最容易踩的坑。报错长这样Ollama API error 400: {error:registry.ollama.ai/library/xxx:latest does not support tools}原因是你拉的模型不支持工具调用而 Openclaw 的 agent 模式默认会带 tools 参数。解决办法是换一个带 tools 支持的模型版本重新 pull 后在配置里改模型名再重启 Gateway。判断方法在 Ollama 模型库页面看该模型是否标注 tools 能力没有标注的不要用在 agent 模式。5.2 Gateway 启动失败先看状态和日志openclaw gateway status openclaw daemon status常见原因是端口 18789 被占用或者配置文件字段写错导致解析失败。用netstat -ano | findstr 18789查端口占用改配置里的 port 即可。配置字段名大小写敏感baseUrl和base_url在不同配置格式里不能混用。5.3 模型输出复读机模型反复重复同一句话通常是采样参数问题。在 Ollama 的 Modelfile 里调整PARAMETER temperature 0.85 PARAMETER top_p 0.9 PARAMETER top_k 40 PARAMETER repeat_penalty 1.1 PARAMETER stop |im_end|repeat_penalty抑制重复stop显式设置停止符避免模型无限生成。改完用ollama create重建自定义模型再运行。5.4 显存不足或退回 CPUnvidia-smi里看不到 Ollama 进程占用 GPU说明走了 CPU。检查驱动版本是否过旧以及是否装了冲突的 CUDA 运行时。另外模型量化等级越高如 Q8显存占用越大1070 上优先选 Q4_K_M 这类平衡档。6. 本地跑通之后用 TaoToken 统一管理后续 API 调用本地 Ollama 适合离线、隐私敏感、以及不想花 token 成本的场景但老显卡的能力上限摆在那里复杂推理和长上下文任务还是得靠云端模型。这时候你不需要把 Openclaw 的配置推倒重来只需要在模型 provider 层再加一条云端通道。TaoToken 提供统一的 API Key 和调用入口你可以把云端模型的 baseUrl 和 Key 配到 Openclaw 的 provider 列表里和本地 Ollama 并存按任务切换。接入文档和 Key 管理入口如下接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewriteAPI Keys 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite模型对话验证https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentchatutm_campaignrewrite长期编码与 Agent 场景https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewriteAPI 基础地址是https://taotoken.net/api配置时把它填到 provider 的 baseUrlKey 填到 apiKey 字段其余结构和本地 Ollama 那条一致。这样 Openclaw 里就有两条模型通道本地 qwen3:4b 处理日常轻量问答云端模型处理复杂任务切换只改一个模型名。如果你在 Gateway 启动或模型调用上报错优先看接入文档里的排错章节如果只是想先验证云端模型能不能通用模型对话页面发一条消息最快如果是长期跑编码类 Agent 任务直接看 Coding Plan 的配置说明。本地和云端两条链路都跑通之后Openclaw 才算真正可用。