目前养龙虾有个非常明显的痛点 大模型厂商的 API Token 成本消耗太高，而且对复杂任务的成本不可控。

基于OpenClaw+Ollama+Qwen新AI三剑客组合，让你的小龙虾 OpenClaw AI智能体在有限成本下无限进化。在这个组合中

Qwen是“大脑”，是一个强大的大语言模型。

Ollama是“大脑”的“运行环境”，是一个让你能在自己电脑上轻松运行Qwen这类模型的工具。

OpenClaw是给“大脑”装上的“手脚”，是一个让AI能直接操作电脑替你干活的智能体框架。

之所以选择这样的组合是因为 Qwen 模型具有较为全面的尺寸，适合在不同的设备上运行，有可用于体验的模型，也有用于生产的模型。选择 Ollama 是因为他具有良好的跨平台兼容性，在使用体验上也较为友好。

在前面的文章中，已经介绍了在Ollama快速入门[1]中运行Qwen模型，以及基于OpenClaw In Docker[2]快速运行一个隔离的 OpenClaw 智能体。

所以，本文主要是介绍如何将Ollama（含Qwen）和OpenClaw组合起来，实现一个无限进化的AI智能体。

并且，在文章结尾会展示我的硬件环境下的测试效果，以及我的主观评价，以供参考。

OpenClaw 部署完成后，需要添加模型相关配置 。

可以通过 Web UI 编辑配置，或者直接 vim/nano 修改节点上 ~/.openclaw/openclaw.json 或 ./data/openclaw01/openclaw.json(基于OpenClaw-in-Docker方式部署时) 文件。

在 Web UI 中 OpenClaw 提供了可视化的配置界面，模型修改位置如下

目前个人感觉可视化配置项管理界面不够友好，好在也提供了在页面直接修改原始 json 配置功能

可视化配置与原始 json 配置修改最终效果一致，生成具有模型配置的 openclaw.json 配置文件

添加模型主要修改了 openclaw.json 文件中 2个地方，分别是 models 节点下的 providers 和 agents 节点下的 defaults 节点下的 model

注意：下文配置项是在 OpenClaw v2026.3.13 版本的配置项，未来的版本可能有变化，请自行查看。

models 节点下的 providers 配置参考：

models 用来配置模型提供有哪些，以及这些模型的连接与认证等配置。

最终在 json 文件中如下配置

  "models":{    "providers":{      "ollama":{        "baseUrl":"http://host.docker.internal:11434/v1",        "apiKey":"ollama-local",        "api":"openai-completions",        "models":[          {            "id":"qwen3.5:9b",            "name":"qwen3.5:9b",            "api":"openai-completions",            "reasoning":false,            "input":[              "text"            ],            "cost":{              "input":0,              "output":0,              "cacheRead":0,              "cacheWrite":0            },            "contextWindow":128000,            "maxTokens":8192          }        ]      },    }  },// ... ... 其他配置内容

主要配置项说明，其他保持默认即可：

baseUrl: Ollama 服务器的地址，默认为 http://localhost:11434/v1。如果是基于 OpenClaw-in-Docker 方式部署时，请修改为 http://host.docker.internal:11434/v1，域名默认会解析为宿主机节点的 IP 地址。

apiKey: Ollama 服务器的 API Key，默认为不需要填写，可以为任意值。

models.id 和 models.name: 配置为模型 ID 和模型名称，通过 Ollama 的API接口 http://localhost:11434/api/tags 查询。

agents 节点下的 defaults 节点下的 model 配置参考

agents 用来配置智能体的默认模型，以及智能体执行任务时使用的模型。

"agents":{    "defaults":{      "model":{        "primary":"ollama/qwen3.5:9b",        "fallbacks":[          "vllm/Qwen/Qwen2.5-VL-3B-Instruct"        ]      },      "compaction":{        "mode":"safeguard"      }    }  },// ... ... 其他配置内容

主要配置项说明，其他保持默认即可：

agents.defaults.model.primary: 配置为 ollama/模型ID，其中 ollama/ 是固定前缀，模型ID 为上一步配置的 models.providers.ollama.models[0].id 。

agents.defaults.model.fallbacks: 是备用模型列表。它的核心作用是当主模型（primary）因各种原因无法正常工作时，OpenClaw 会自动按顺序尝试列表里的备用模型，确保智能体服务不中断。

配置完成后，注意要保存配置。默认 OpenClaw 会自动加载新配置，如果遇到特殊情况也可以手动重启 OpenClaw 容器或容器内的服务。

然后使用 OpenClaw Web UI 聊天窗口测试下是否生效

我在 MacBook Pro M4 16G  使用 Ollama 会因为内存不足无法运行 qwen3.5:27b。可运行 qwen3.5:9b 模型，直接在 Ollama 中对话 Token 输出速度还算可以。

在发起一轮对话时，内存会迅速上升占用如下：

这里的 Docker Desktop 基于 OpenClaw-In—Docker 运行着 OpenClaw 容器，而 Mac 中 Docker Desktop 是包含虚拟化的，所以 Docker Desktop 内存占用也会高一些。

整体将 Ollama + Qwen 集成到 OpenClaw 之后，与 OpenClaw 对话响应短则几十秒，长则几分钟。

对于我的这种设备来说，整体流程可以跑通体验，但是效果不能接受。如果有更高的硬件配置，效果应该会更好一些。

[1] Ollama快速入门: https://cncfstack.com/b/docs/2026/355-ollama-quickstart/[2] OpenClaw In Docker: https://cncfstack.com/b/docs/2026/356-openclaw-in-docker/