龙虾(OpenClaw)搭建 Kimi 模型智能体保姆教程

龙虾(OpenClaw)搭建 Kimi 模型智能体保姆教程：从零部署到长期运行
手把手教你用开源智能体宿主 OpenClaw（龙虾）接入月之暗面 Kimi（kimi-k3）模型，含 Docker 部署、配置文件详解、控制面板验证、智能体设定、消息渠道与常见问题排查，新手也能一次跑通。
标签：OpenClaw, 龙虾, Kimi, 月之暗面, 智能体, AI Agent, Moonshot, 保姆教程
OpenClaw · Kimi · 智能体保姆教程
如果你最近在科技圈混，大概率听过一句话："你养龙虾了吗？"这里说的"龙虾"不是菜市场的那只，而是 2026 年爆火的开源 AI Agent 宿主系统 OpenClaw，图标是一只红色小龙，因此被国内开发者戏称为"龙虾"。它和 Coze（扣子）、Dify 最大的不同在于：它不是一个"搭应用的平台"，而是一个"养数字员工的底座"——你给它接一个大模型、接一堆工具、再接一个消息入口（微信、Telegram、Discord 等），它就能长期在线、自主规划、动手干活。

本教程要解决的问题非常具体：如何给龙虾喂上"Kimi 大脑"，也就是把月之暗面（Moonshot AI）的 Kimi 模型接入 OpenClaw，搭出一个能长期运行的智能体。全文从环境准备、部署、模型接入、验证、智能体设定、消息渠道、守护运行一直到排错，每一步都给命令和可复制的配置，目标是让一个完全没接触过 Agent 部署的新手，照着做也能一次跑通。

一、为什么选"龙虾 + Kimi"这套组合
先把选型逻辑讲清楚，免得你做到一半怀疑人生。

OpenClaw（龙虾）解决的是"执行"问题。 它不是一个聊天壳，而是一个可自托管的 Agent 宿主：你描述目标，它自己拆解步骤、调用工具、执行命令、读写文件，甚至接管浏览器。它的核心形态是"长期在线 + 自主规划"，而不是"你问一句它答一句"。对个人和小团队来说，它覆盖了八成以上的日常自动化需求：文件整理、信息抓取汇总、定时报告、代码生成、邮件起草等等。

Kimi（月之暗面）解决的是"大脑"问题。 截至 2026 年 9 月，Kimi 的旗舰模型是 kimi-k3：1M token 超长上下文、原生支持文本/图片/视频输入、自带推理能力，适合复杂 Agent 工作流（研究、编码、多步任务）。更重要的是，Kimi API 完全兼容 OpenAI 接口格式，意味着任何支持 OpenAI 协议接入的框架（包括 OpenClaw）都能几乎零成本切换过来，而且国内访问走 api.moonshot.cn/v1 端点，延迟低、不用翻墙。

这套组合的优势：

开源可控：OpenClaw 自托管，数据留在你自己的机器上；
成本低：Kimi K3 按 token 计费，目录价约输入 $3/百万 token、输出 $15/百万 token（以官方页面为准），新手上手门槛低；
中文友好：Kimi 天然擅长中英双语，中文场景体验好；
接入简单：OpenAI 兼容协议，配置几行就能跑。
一句话：龙虾负责"手和脚"，Kimi 负责"脑"，两者一接，你的第一个数字员工就上岗了。

在正式动手前，先用一张表把三个常被拿来比较的平台摆清楚，免得你中途纠结"我是不是该用 Coze / Dify"：

维度 OpenClaw（龙虾） Coze（扣子） Dify
定位 数字员工底座 零代码应用工厂 可视化 AI 应用平台
交互方式 自然语言给目标，自主规划 三栏式拖拽配置 工作流节点拖拽
执行能力 可接管键鼠、跑命令、写代码 受限于插件沙盒 受限于 API 沙盒
是否开源 是，可自托管 否（云生态） 社区版开源
数据主权 完全在你机器上 在字节云 自部署可自控
适合人群 开发者 / 爱折腾的人 运营 / 小白 工程师 / 企业
一句话总结：Coze 和 Dify 是"你设计流程，AI 执行步骤"；OpenClaw 是"你给目标，AI 自己规划怎么干"。本教程选龙虾，正是看中它"长期在线 + 自主执行"这一 Agent 范式的核心能力。

OpenClaw 的五个核心概念（后面会反复出现，先记住）：

Gateway（网关）：龙虾的总进程，所有对话、工具调用、渠道消息都经它调度，控制面板也是它提供的；
Agent（智能体）：一个被赋予人设与目标的"员工"，对应一段 System Prompt + 挂载的工具；
Provider（模型供应商）：提供大脑的一方，本教程就是 Moonshot（Kimi）；
Skill（技能/工具）：智能体能调用的能力，如联网搜索、代码执行、文件管理；
Channel（消息渠道）：智能体与外界对话的入口，如 Telegram、微信、Discord。
理解这五个词，后面每一步都只是在"把正确的零件接到 Gateway 上"。

典型落地场景（理解它能干啥，比记命令更重要）：

个人第二大脑：把笔记、文档喂进 RAG 知识库，平时问它"我上周关于 XX 的结论是什么"，它翻自己的资料答你；
资讯情报员：每天定时抓行业动态、竞品更新，汇总成早报，省掉你刷信息流的时间；
代码搭档：接 code-executor，让它读你的仓库、写补丁、跑测试，你只做 review；
运维小弟：监控日志、到点备份、异常自动告警，7×24 不请假。
这些场景的共同点是"长期 + 重复 + 需动手"，恰好是龙虾比聊天机器人强的地方。本文后面就以"竞品监测"为样板，带你把其中一条跑通。

二、动手前的准备工作
别急着敲命令，先把这几样备齐，否则中途卡住最消磨耐心。

2.1 一台能跑 Docker 的机器
OpenClaw 最干净的部署方式是 Docker。你需要：

一台 Linux 服务器（2 核 2G 以上即可跑基础智能体，推荐 4 核 4G+），或者你自己的 Windows / macOS 电脑；
安装好 Docker 与 Docker Compose v2（Linux 用 curl -fsSL https://get.docker.com/ | sh 装 Docker Engine，Windows / macOS 直接装 Docker Desktop）；
至少 6 GB 磁盘空间给镜像和日志；
如果能开 CPU 虚拟化（BIOS 里 Enable Virtualization），Docker 跑得更顺，Windows 用户尤其注意。
提示：本教程以 Docker 部署为主线路径，因为它不污染宿主机、升级只需拉新镜像、跨平台一致。如果你只是想在笔记本上快速试水，后面也会给 pip / npm 一键安装方式。

2.2 一个 Kimi（月之暗面）API Key
这是龙虾的"粮食"，必须提前准备：

打开 Kimi 开放平台：国内用户访问 https://platform.moonshot.cn/，国际用户访问 https://platform.kimi.ai/（两者都行，国内端点延迟更低，本教程默认走国内端点）；
用手机号或邮箱注册并登录；
进入控制台 → API Keys（API 密钥）页面；
点击「创建 API Key」，给密钥起个名字（例如 openclaw-prod），创建后立刻复制保存——密钥只显示一次，关掉页面就再也看不到明文了；
确认账户有可用余额。Kimi K3 是付费模型，需要账户里有余额才能调用（新用户一般有少量赠送或最低充值门槛，按平台当时规则走）。
把密钥记到一个安全的地方，形如：sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx。永远不要把密钥写进代码仓库、截图发群、或贴在公网文档里。

2.3 选定模型
2026 年 9 月 Kimi 可用模型主要有：

kimi-k3：旗舰，1M 上下文，推理常开，综合能力最强，新手默认选它；
kimi-k2.7-code / kimi-k2.7-code-highspeed：代码专用，后者输出更快 6 倍左右，适合编程 Agent；
kimi-k2.6：通用 GA 版本，支持开关思考；
老款 kimi-k2.5 已对新注册用户关闭，不要再用。
本教程全程以 kimi-k3 为默认模型。它有两个重要特性你要心里有数：一是推理常开，通过 reasoning_effort 控制强度（low / high / max，默认 max）；二是上下文极大（1M），但单次回复上限我们会在配置里显式设为 8192，避免框架误把 1M 上下文当成 1M 输出上限。

2.4 国内端点还是国际端点？怎么选
Kimi 开放平台有两个镜像端点，配置时二选一：

国内端点 https://api.moonshot.cn/v1：服务器在大陆时延迟最低、不用翻墙，国内服务器首选；
国际端点 https://api.moonshot.ai/v1：海外服务器或需要国际区 Key 时用。
判断方法很简单：你的 OpenClaw 跑在哪台机器上，就选离它网络最近的端点。若龙虾部署在阿里云 / 腾讯云的国内 ECS，填 api.moonshot.cn/v1 基本不会错。引导阶段对应的认证选项分别是 moonshot-api-key-cn（国内）与 moonshot-api-key（国际），别选反。

想临时换模型怎么办？ 不需要重装。比如某天你想让编程类任务走更快的 kimi-k2.7-code-highspeed，只需在 openclaw.json 的 models.providers.moonshot.models 里追加一条：

{ "id": "kimi-k2.7-code-highspeed", "name": "Kimi K2.7 Code HighSpeed", "reasoning": true, "input": ["text","image","video"], "contextWindow": 262144, "maxTokens": 32768 }
然后在具体智能体配置里把 primary 指向 moonshot/kimi-k2.7-code-highspeed 即可。OpenClaw 支持同一 Provider 挂多个模型，不同智能体用不同大脑，互不影响。

三、部署 OpenClaw（龙虾）
下面给三种部署方式，按推荐度排序。

方式 A：Docker 一键部署（推荐，含中文汉化）
社区维护了一个中文汉化 Docker 镜像 justlikemaki/openclaw-docker-cn-im，已经做了界面汉化，还预装了飞书、微信等 IM 插件，对国内用户最友好：

# 1. 拉取中文镜像
docker pull justlikemaki/openclaw-docker-cn-im:latest

# 2. 下载编排文件和环境变量样例
wget https://raw.githubusercontent.com/justlovemaki/OpenClaw-Docker-CN-IM/main/docker-compose.yml
wget https://raw.githubusercontent.com/justlovemaki/OpenClaw-Docker-CN-IM/main/.env.example

# 3. 复制并编辑环境变量（至少填 Kimi / 模型 API Key）
cp .env.example .env
nano .env

# 4. 启动
docker-compose up -d
启动后日志里会出现类似 Gateway running at http://127.0.0.1:18789/ 的提示，说明龙虾已经跑起来了。

方式 B：官方 Docker（最贴近上游）
如果你更信任官方源，用官方镜像：

# 克隆仓库
git clone https://github.com/OpenClaw/OpenClaw.git
cd OpenClaw

# 一键安装脚本（自动构建镜像、跑引导向导、起 Compose）
./scripts/docker/setup.sh
脚本会：构建 OpenClaw 镜像、启动交互式 onboarding 向导、创建宿主机目录 ~/.openclaw（配置）和 ~/openclaw/workspace（智能体工作目录），最后通过 Docker Compose 拉起 Gateway。配置和数据都挂在卷里，容器重启不丢。

如果你更喜欢手动写 docker-compose.yml：

version: '3.8'
services:
openclaw:
image: openclaw/openclaw:latest
container_name: openclaw
restart: unless-stopped
ports:
- "18789:18789"
volumes:
- ~/.openclaw:/root/.openclaw
- ~/openclaw/workspace:/workspace
environment:
- OPENCLAW_LOG_LEVEL=info
然后 docker compose up -d。

方式 C：pip / npm 本地直装（适合想看底层的人）
不想用 Docker，直接在机器上跑：

# Python 方式
pip install openclaw
openclaw onboard --install-daemon

# 或 Node 方式（国内建议先换镜像源）
npm config set registry https://registry.npmmirror.com/
npm install -g openclaw
openclaw onboard --install-daemon
装完同样会生成 ~/.openclaw 配置目录并拉起 Gateway。本地直装的优点是调试方便，缺点是会污染宿主机环境，生产环境还是 Docker 更稳。

3.4 部署完怎么确认成功？以及常见失败排查
无论哪种方式，启动后第一件事是看日志确认 Gateway 真起来了：

docker logs -f openclaw # Docker 方式
openclaw gateway logs # 本地直装
正常日志会出现 Gateway listening on :18789 或 Control UI at http://127.0.0.1:18789/。若一直没出现，按三板斧排查：

端口被占用：18789 被占。Docker 改 ports: - "18800:18789"；本地改 OPENCLAW_GATEWAY_PORT 环境变量。
镜像拉取失败：国内拉 openclaw/openclaw:latest 有时慢，换中文汉化镜像，或给 Docker 配国内加速源（如 https://docker.1ms.run/）。
配置目录没权限：~/.openclaw 属主不对导致写配置失败。Docker 确保挂载目录对容器用户可写；本地确保当前用户有读写权。
确认 Gateway 起来后再进第四节接模型——顺序别乱，先有壳再有脑。

四、核心：把 Kimi 接入 OpenClaw
这是本教程最关键的一步。OpenClaw 本身没有"大脑"，不接模型就是个空壳。下面给两种方式，推荐方式 A（官方插件，最稳），方式 B 适合需要精细控制或国内自定义端点。

方式 A：安装官方 Moonshot Provider 插件（推荐）
OpenClaw 把各家模型做成可插拔 Provider。Kimi 对应的官方插件是 @openclaw/moonshot-provider。

# 1. 安装插件
openclaw plugins install @openclaw/moonshot-provider

# 2. 重启 Gateway 让插件生效
openclaw gateway restart

# 3. 跑引导，选择 Kimi 认证方式
# 国内用户选 moonshot-api-key-cn，国际用户选 moonshot-api-key
openclaw onboard --auth-choice moonshot-api-key-cn

# 4. 向导里粘贴你的 Kimi API Key，默认模型设为 kimi-k3
# 如果向导没列出 k3，先验证再手动指定：
openclaw models list --provider moonshot
openclaw models set moonshot/kimi-k3
引导完成后，控制面板底部应该显示 kimi-k3 · moonshot，说明大脑接上了。

如果列表里迟迟没有 kimi-k3，升级插件再试：

openclaw plugins update @openclaw/moonshot-provider
openclaw gateway restart
openclaw models list --provider moonshot
方式 B：手动编辑配置文件（适合国内端点 / 自定义）
OpenClaw 的配置都在 ~/.openclaw/openclaw.json（Windows 上通常是 C:\Users\你的用户名\.openclaw\openclaw.json）。如果你的引导卡住，或想直接用国内端点 api.moonshot.cn/v1，直接改这个文件最干脆。

打开（或新建）配置文件，写入下面这段（把 sk-... 换成你自己的 Key）：

{
"env": {
"vars": {
"MOONSHOT_API_KEY": "sk-这里换成你的KimiAPIKey"
}
},
"agents": {
"defaults": {
"model": {
"primary": "moonshot/kimi-k3"
}
}
},
"models": {
"mode": "merge",
"providers": {
"moonshot": {
"baseUrl": "https://api.moonshot.cn/v1%22,
"apiKey": "${MOONSHOT_API_KEY}",
"api": "openai-completions",
"models": [
{
"id": "kimi-k3",
"name": "Kimi K3",
"reasoning": true,
"input": ["text", "image", "video"],
"contextWindow": 1048576,
"maxTokens": 8192,
"thinkingLevelMap": {
"off": null,
"low": "low",
"high": "high",
"max": "max"
}
}
]
}
}
}
}
逐字段解释（看懂这些，以后接任何模型都不怕）：

env.vars.MOONSHOT_API_KEY：把密钥放在环境变量区，配置文件里用 ${MOONSHOT_API_KEY} 引用，避免明文泄露；
agents.defaults.model.primary：全局默认模型，moonshot/kimi-k3 是「provider/模型id」格式；
models.mode: "merge"：把你写的 providers 合并进框架内置目录，而不是覆盖；
providers.moonshot.baseUrl：关键。国内填 https://api.moonshot.cn/v1，国际填 https://api.moonshot.ai/v1；
providers.moonshot.api: "openai-completions"：声明走 OpenAI Chat Completions 兼容协议；
contextWindow: 1048576：Kimi K3 的 1M 上下文；
maxTokens: 8192：单次回复上限，OpenClaw 侧设小一点，防止框架误判输出上限；
reasoning: true + thinkingLevelMap：声明 K3 自带推理，并把 low/high/max 映射好。
保存后让配置生效：

openclaw gateway restart
顺手加上图片 / 视频能力（可选）
如果你打算让智能体看图、看视频，在 agents.defaults 下补一段，让 K3 同时担任多模态模型：

{
"agents": {
"defaults": {
"model": { "primary": "moonshot/kimi-k3" },
"imageModel": "moonshot/kimi-k3"
}
},
"tools": {
"media": {
"image": { "models": [{ "type": "provider", "provider": "moonshot", "model": "kimi-k3", "capabilities": ["image"] }] },
"video": { "models": [{ "type": "provider", "provider": "moonshot", "model": "kimi-k3", "capabilities": ["video"] }] }
}
}
}
五、启动并验证 Kimi 真的接上了
配置写完，别急着上业务，先做连通性验证。

5.1 打开控制面板
浏览器访问 http://127.0.0.1:18789/dashboard（如果是远程服务器，把 127.0.0.1 换成服务器 IP，并确保防火墙放行 18789 端口；生产环境务必套一层反向代理 + HTTPS，别裸奔）。

首次登录用引导阶段生成的 Token（写在 .env 或终端输出里），或者你设置的密码。进去后看页面底部状态栏，应显示 kimi-k3 · moonshot。

5.2 面板内测连通
在 Settings → Model 里点「Test Connection」，出现绿色 Success 即表示 Key 和端点都通了。然后直接在聊天框发一句："用一句话证明你能联网/能算 1+1"，看返回是否正常。

5.3 命令行冒烟测试（更硬核）
想确认计费与 token 统计也正常，跑一次隔离环境的真实调用：

OPENCLAW_CONFIG_PATH=/tmp/openclaw-kimi/openclaw.json \
OPENCLAW_STATE_DIR=/tmp/openclaw-kimi \
openclaw agent --local \
--session-id live-kimi-cost \
--message 'Reply exactly: KIMI_LIVE_OK' \
--thinking max \
--json
返回的 JSON 里 provider 应为 "moonshot"、model 应为 "kimi-k3"，并带 usage.cost 字段。这一步能同时验证"能调通 + 能计费"，是上线前最值得做的一次自检。

六、配置你的第一个智能体
模型通了，龙虾就有脑了。但"有脑"不等于"有用"——你得告诉它是谁、干什么、边界在哪。OpenClaw 里这通过 System Prompt（人设与回复逻辑）+ 工具挂载实现。

6.1 设定角色与目标
在控制面板的智能体配置里，给一个清晰的 System Prompt。举一个"个人技术助理"的例子：

你是我的个人技术助理，代号"小龙"。你的职责：
1. 帮我整理每天抓取的行业资讯，按"重要/一般/搁置"三级分类，输出 Markdown 摘要；
2. 收到代码片段时，先读懂再给修改建议，不擅自改写整文件；
3. 涉及删除、外发、付费的操作，必须先向我确认，不得自作主张；
4. 所有输出用中文，结论先行，必要时附命令或代码块。

边界：你只能在 ~/openclaw/workspace 目录内读写；不得访问宿主机其他目录；不得执行 rm -rf、格式化等破坏性命令。
注意最后一段"边界"——这是 Agent 安全的命门。龙虾能执行命令，你不明确划界，它真可能干出格的事。

6.2 挂载工具（Skills）
OpenClaw 的能力来自可插拔的 Skills（工具）。常用几个：

openclaw skill install web-search # 联网搜索
openclaw skill install code-executor # 本地代码执行
openclaw skill install file-manager # 文件读写整理
也可以在控制面板的可视化工具区勾选。挂上 web-search 后，你的智能体就能回答"今天 AI 圈发生了什么"这类实时问题；挂上 code-executor 后，它能真的跑一段 Python 验证自己的想法。

6.3 一个能立刻跑起来的场景
把上面的"个人技术助理"跑起来后，试着给它第一条任务：

"去抓 https://news.ycombinator.com/ 首页前 10 条标题，按 AI / 编程 / 其他 分类，写一份 200 字中文早报，存到 workspace/morning-news.md。"

如果它顺利抓取、分类、写文件，恭喜——你的第一个数字员工正式上岗。

6.4 实战：搭一个"竞品动态监测智能体"
光会聊天不够，Agent 的价值在自动干活。下面给一个可直接落地的完整人设，让智能体每天自动盯竞品：

你是我的竞品监测助理。每天上午 9 点（由定时任务触发）执行一次：
1. 用 web-search 检索"AI Agent 框架""智能体平台"近 24 小时的新动态；
2. 与 workspace/competitors.md 里记录的已知竞品对比，标出"新出现的产品 / 重大更新 / 融资"三类；
3. 输出一份 300 字中文简报到 workspace/daily-competitor-<日期>.md；
4. 如检测到"融资"或"大版本发布"，额外在报告开头用 [重要] 标注。

边界：只读取 workspace 目录；不得外发任何内容；检索结果需标注来源链接。
配合第八节的定时任务，它就能每天自己跑、自己写报告，你早上起来看一眼 daily-competitor-*.md 就行。

6.5 让智能体读"你自己的资料"：RAG 知识库
如果希望智能体基于你私有的文档（公司制度、产品手册、个人笔记）回答，需要接 RAG 知识库。OpenClaw 的知识库流程是：上传文档 → 切片 → 向量化 → 建索引 → 查询时检索相关片段注入上下文。

最简做法是在配置里启用内置知识库并挂到智能体：

{
"agents": {
"defaults": {
"model": { "primary": "moonshot/kimi-k3" },
"knowledge": { "enabled": true, "collection": "my-docs" }
}
}
}
然后把文档放进 workspace/knowledge/ 对应目录，重启 Gateway 触发索引。之后你的智能体回答问题时，会优先参考这些私有资料，而不是只靠模型记忆——这对企业知识助手、个人第二大脑场景极其关键。

进阶：多智能体协作：当任务变复杂，可以让多个智能体分工。例如一个"研究员"负责检索与读文档，一个"写手"负责成文，一个"审核员"负责挑错，通过 OpenClaw 的 Agent 间消息或共享 workspace 文件串联。配置上就是多写几个 agents 条目，各给不同的人设与工具，再用一个"调度者"智能体派活。多智能体的价值在于"各司其职、互不干扰"，但要警惕上下文在传递中失真——关键结论落盘成文件比只传消息更稳。新手先把单智能体跑顺，再谈协作。

七、接入消息渠道（让智能体"随时能找"）
龙虾的价值在于"长期在线"。接上消息入口后，你在微信 / Telegram 里 @ 它就能派活。

7.1 Telegram（最简单）
先找 @BotFather 创建一个 bot，拿到 botToken，然后在 OpenClaw 里添加渠道：

openclaw channels add --channel telegram --token "你的botToken"
配置改动后 Gateway 会自动热重载，不用重启。之后在 Telegram 里给你的 bot 发消息，它就会用 Kimi K3 回你。

7.2 Discord / WhatsApp / 微信 / 飞书
Discord：同样 openclaw channels add --channel discord --token "..."；
WhatsApp：用 openclaw channels login 扫码；
微信 / 飞书：若你采用的是第三节的中文汉化 Docker 镜像，这两个插件已经预装，按镜像文档里的引导绑定即可（通常需要在对应开放平台创建自建应用，拿到 token / secret 填进 .env）。
注意：消息渠道会把智能体暴露到公网账号下，务必设置好触发词和白名单，只让特定人能召唤它，否则容易被陌生人滥用额度。

微信 / 飞书怎么接（国内用户重点）：

微信：个人号用 openclaw channels login 扫码登录（依赖中文镜像里的微信插件）；企业场景走企业微信自建应用，在企微后台拿到 CorpID / Secret / AgentID，填进 .env 对应项后 docker compose restart。注意个人号有封控风险，生产建议用企业微信。
飞书：在飞书开放平台创建"自建应用"，开通"接收消息"权限，拿到 App ID / App Secret，配到 .env 的 FEISHU_APP_ID / FEISHU_APP_SECRET，重启后飞书机器人即可对话。
两者都建议设"仅白名单成员可触发"，避免被人拿去刷你的 Kimi 额度。若用第三节的中文汉化镜像，这些插件已预装，按镜像 README 的变量名填好即可，不必自己装包。

八、让它长期稳定运行
试通之后，要让它 7×24 在线，而不是你终端一关就死。

8.1 Docker 已自带守护
如果你用 docker-compose up -d 且写了 restart: unless-stopped，容器本身会在崩溃或开机后自动拉起，这一步基本不用管。记得偶尔 docker compose pull && docker compose up -d 升级版本。

8.2 本地直装用 systemd 守护（Linux）
如果是 pip / npm 直装，写一个 systemd 服务：

# /etc/systemd/system/openclaw.service
[Unit]
Description=OpenClaw Gateway
After=network.target

[Service]
User=你的用户名
WorkingDirectory=/home/你的用户名
ExecStart=/usr/bin/openclaw gateway start
Restart=always
RestartSec=5

[Install]
WantedBy=multi-user.target
sudo systemctl daemon-reload
sudo systemctl enable --now openclaw
这样开机自启、崩溃自拉，稳得很。

8.3 进阶：让智能体定时自动干活
"长期在线"的精髓是"不用你喊它也动"。OpenClaw 支持两种定时触发：

方式一：系统 Cron（最通用）。在宿主机写一条 crontab，到点给智能体发指令：

# 每天 9:00 触发竞品监测
0 9 * * * openclaw agent --local --message "执行每日竞品监测任务" >> /var/log/openclaw-cron.log 2>&1
方式二：OpenClaw 内置调度（若插件支持）。部分版本提供 openclaw schedule 命令或控制面板里的"定时任务"页，填好 Cron 表达式和触发消息即可，无需碰系统 crontab。

注意：定时任务会默默消耗 Kimi 额度，务必给 Key 设单日上限；任务逻辑里加"失败重试 + 结果落盘"，避免静默失败你却不知道。生产环境建议把定时任务的输出统一收口到一个日志文件，方便回溯。

九、成本与安全（上线前必看）
9.1 成本控制
Kimi K3 按 token 计费，目录价约为输入 $3 / 百万 token、输出 $15 / 百万 token、缓存读 $0.3（以官方页面实时价为准）。智能体场景下，长上下文 + 多轮对话消耗不小，建议你：

在配置里给智能体设合理的 maxTokens（本教程用 8192），避免单次吐太多；
给 API Key 设用量告警 / 单日上限，防止智能体陷入死循环把额度烧光；
非编码场景可用 kimi-k2.6 等更便宜的模型降本。
给个直观的计费例子：假设你的智能体每天跑 20 轮对话，每轮约 3000 输入 token + 800 输出 token，按 K3 目录价（输入 $3 / 百万、输出 $15 / 百万）估算，单日约 (20×3000/1e6×3) + (20×800/1e6×15) ≈ 0.018 + 0.24 = 0.258 美元，月均约 7.7 美元。模型思考越深、上下文越长，消耗越大；给 Key 设单日上限能把这个数字钉死，避免某天智能体陷入死循环把账单烧穿。

9.2 安全红线
OpenClaw 能执行 shell、读写挂载目录，它拥有的权限 = 你给它的权限。务必：

Docker 里跑非 root（user: "1000:1000"），只挂载真正需要的目录，绝不挂整个 home；
API Key、SSH 私钥、生产凭证放在 workspace 之外；
定期轮换 Key；
公网暴露控制面板时，套 HTTPS + 强密码 + 限 IP，别用默认端口裸跑；
在 System Prompt 里明确禁止破坏性命令（rm -rf、mkfs、格式化等）。
一句话：Agent 越强，缰绳越要勒紧。

具体加固做法（Docker 场景）：

在 docker-compose.yml 里加非 root 与只读挂载约束：

services:
openclaw:
image: openclaw/openclaw:latest
user: "1000:1000"
restart: unless-stopped
ports:
- "18789:18789"
volumes:
- ~/.openclaw:/root/.openclaw:ro
- ~/openclaw/workspace:/workspace
read_only: true
tmpfs:
- /tmp
要点：user: "1000:1000" 让它不以 root 跑；配置目录挂 :ro 只读，防智能体误改自身配置；read_only: true 让容器根文件系统只读，只在 tmpfs 与可写 workspace 留写权限。再配合"只挂载真需要的目录、API Key 不进 workspace、定期轮换"，能挡住绝大多数误操作与入侵。生产环境还建议 Gateway 前套一层 Nginx + HTTPS + 访问 IP 白名单。

十、常见问题排查
Q1：401 / Invalid Authentication 确认你用的是 Kimi 开放平台的 API Key，不是 Kimi Code 的 Key。国内端点用 moonshot-api-key-cn，国际端点用 moonshot-api-key。如果环境里残留旧 Key，重跑 openclaw onboard 重新填一遍。

Q2：模型列表里没有 kimi-k3 升级 OpenClaw 和 Moonshot 插件：openclaw plugins update @openclaw/moonshot-provider && openclaw gateway restart，再 openclaw models list --provider moonshot。仍缺失就按第四节方式 B 手动把 kimi-k3 写进 openclaw.json 的 models.providers.moonshot.models。

Q3：国内访问慢或超时 优先用 api.moonshot.cn/v1 端点；检查服务器能否直连（curl 测一下）；若服务器在境外，国内端点反而可能绕路，那时换 api.moonshot.ai/v1。

Q4：智能体不执行工具 / 不写文件 先看 Skill 是否安装成功（openclaw skill list）；再看挂载目录权限，workspace 必须对运行用户可写；最后检查 System Prompt 是否自相矛盾（既让它能写，又禁止它碰任何文件）。

Q5：控制面板打不开 确认容器/服务在跑（docker ps 或 systemctl status openclaw）；确认端口（默认 18789）已放行；远程访问记得改防火墙和安全组。永远别把 18789 裸暴露在公网。

Q6：Kimi K3 一直"思考"不出结果 K3 推理默认 max，复杂任务会想很久。简单任务可在配置里把 reasoning_effort 降到 low 提速；同时确认 maxTokens 不是设得过小导致截断。

Q7：返回 429 / 额度耗尽

Kimi K3 对低余额账户有速率限制。先去平台充值；仍频繁 429 就在配置里降低 maxConcurrent、给智能体加请求间隔，或换更小模型降本。

Q8：模型报"不支持视频/图片输入"

确认所用模型的 input 是否声明了 image / video。kimi-k3 支持，但 kimi-k2.6 等部分模型多模态能力有限，发图前先查官方模型表。

Q9：HEAD 请求 404，影响健康检查吗

不影响。OpenClaw 走 GET 正常工作；HEAD 404 只是部分探测工具的现象，对话与抓取不受影响，无需处理（与你博客之前遇到的 HEAD 404 同理，只要 GET 正常就不阻断功能）。

Q10：改了模型列表智能体还是用旧的

配置改完必须 openclaw gateway restart；Docker 用 docker compose restart openclaw。控制面板改的注意有没有"保存并应用"。

上线前最终自检清单：

☐ Gateway 日志出现 listening on :18789，控制面板能打开；
☐ 面板 Test Connection 显示绿色 Success，模型为 moonshot/kimi-k3；
☐ 命令行冒烟测试返回 KIMI_LIVE_OK 且带 usage.cost；
☐ System Prompt 已写明角色、任务与禁止项（尤其破坏性命令）；
☐ 至少挂了 web-search 或 code-executor 一个工具；
☐ 若接消息渠道，已设触发词 / 白名单；
☐ API Key 设了单日上限，配置目录不挂在 workspace 内；
☐ 生产环境 Gateway 前套了 HTTPS + 限 IP，未裸奔。
八项全绿，你的龙虾 + Kimi 数字员工就正式上岗，可以开始派活了。

写在最后
到这一步，你已经拥有了一个自托管、接了 Kimi K3 大脑、能长期在线干活的 OpenClaw 智能体。回顾一下主线：准备机器与 Kimi Key → Docker 部署龙虾 → 装 Moonshot 插件（或改 openclaw.json）接入 kimi-k3 → 面板/命令行验证 → 写好人设与边界、挂上工具 → 接消息渠道 → systemd/Docker 守护 → 控成本、守安全。

下一步你可以往两个方向深挖：一是工作流编排，把"抓取→分类→写文件→推送"串成稳定流水线；二是多工具协同，给智能体接数据库、日历、代码仓库，让它从"助理"进化成"员工"。龙虾的世界，边界只在你接入的工具和你的想象力。

如果在部署中遇到本文没覆盖的坑，欢迎在评论区贴出报错信息——能把坑填平，本身就是养龙虾的乐趣之一。

关于版本与时效：OpenClaw 与 Kimi 都处于高速迭代期，本文命令与配置以 2026 年 9 月稳定版为准。若你部署时遇到参数名、插件名变动，一律以官方文档为最终依据；社区镜像的变量名也可能随版本调整，改配置前先 docker compose config 校验一遍再重启，能避免把容器跑挂。

（本文基于 OpenClaw 2026.7+ 与 Kimi K3 撰写，命令行与配置以官方文档为准；模型名称、端点、价格可能随版本调整，部署前请核对官方最新说明。）