企业官网建设流程全解析

周六下午三点，我背着笔记本站在客户小区门口，口袋里装着一份手写的部署清单。这个客户是做跨境电商的，通过小红书找到我，说想给工作室装一个能自动处理客服消息的OpenClaw环境，预算没问，只说"你尽快来，我们都等着用"。那天我从下午四点半干到晚上九点，装好Windows下的OpenClaw、接好云端API、配了两个客服技能、又给他电脑上的Ollama拉了一个本地模型用来处理敏感数据。收钱的时候他多转了200块，说"你这比我们找人从零开发便宜太多了"。那一单，加上白天远程帮一个机器人创业团队配ROS2联动的费用，刚好1500。

这不是什么高深技术，也不是什么独家资源。OpenClaw这类开源AI Agent框架，本质上就是一套把大模型能力落地成"能干活的东西"的通用底座，而绝大多数想用它的人，连第一步都迈不过去：装不上、跑不起来、不知道该填什么配置。这个缝隙，就是普通人可以在AI时代赚钱的位置。

1. 这门生意为什么存在：AI部署的"最后一公里"缺口

1.1 谁在为"装一个AI助理"买单

我接过的客户大概分四类。第一类是电商工作室，年营业额几百万，想用AI自动处理售前咨询、整理客户消息，但他们连Python和命令行都没碰过；第二类是自媒体团队，想搭一个能联网搜索、能操作本地文件的内容助手，素材库已经堆了好几个硬盘，就是不知道怎么让AI读进去；第三类是机器人/自动化方向的小型创业团队，他们用ROS2，知道OpenClaw能作为Agent大脑接入机器人，但Gazebo仿真环境配了三天还在报错；第四类最意外，是几个传统企业的老板，他们只是看到同行在提"AI Agent"这个词，想先在电脑上装一个"能对话的工作助理"看看效果。

这些人都有一个共同点：愿意为"确定能用"付费，不愿意自己把周末耗在报错和百度上。1500元对个人来说是一笔不错的日收入，但对他们来说，如果真有一个人能把一个开源AI框架装好、跑通、演示出效果，其实比请开发便宜得多，也比自己折腾划算得多。

1.2 为什么"让他们自己看教程"这条路走不通

很多人问我的第一句话是：这东西不是开源的嘛，教程网上也有，为什么还要花钱请人装？你只要去命令行敲几行错误信息，就知道答案。OpenClaw涉及多组件协作：Python环境、Node.js工具链、模型API密钥、Skill加载机制，再加上不同操作系统上的差异，一个环节不对，后面全卡住。我见过一个客户自己折腾了三个晚上，最后卡在一个极其隐蔽的地方：他的Windows用户名带了空格，导致一堆路径识别不了。

更关键的是，教程只教"怎么把软件装起来"，不教"装完之后怎么配置才符合你的业务"。同样一个OpenClaw，给电商客服用的配置和给机器人控制的配置完全不一样。Skill机制决定了它能干什么，而写Skill、调参数、接数据源，这些恰恰是最需要经验的部分。客户要的不是一个"能打开的界面"，而是一个"能跑的解决方案"。这就决定了上门部署这项服务有真实需求，且短期很难被免费教程完全替代。

2. 接单前先搞懂：OpenClaw能在哪些环境跑、装完能干什么

2.1 平台矩阵：Windows、Ubuntu、安卓Termux和ROS2

OpenClaw能在哪些地方跑，直接决定了你能接什么单、收什么价。我的经验是把它分成四个赛道。

Windows是最常见的需求。大部分中小商家和个人办公都是Windows环境，基础部署包括装框架、接模型、配Skill，再跑通一个对话测试。这类单子客单价在800到1200元，耗时两到四小时，胜在量大、需求清晰、交付效果容易被感知。

Ubuntu是进阶赛道。很多技术团队、机器人项目、服务器场景默认用Ubuntu，OpenClaw装在里面会更稳，也方便做服务化运行。接这类单子你需要熟悉Linux基本命令、systemd服务管理、日志查看，客单价能到1500元。带着ROS2的Ubuntu单子是最值钱的，配合Humble版本和Gazebo仿真，一个能连接机器人仿真环境的Agent部署，2000元以上很常见，因为能接的人很少。

安卓Termux赛道比较特殊。有人想在手机上跑OpenClaw做演示或者轻量测试，在Termux环境里通过pkg安装依赖、部署框架。这个因为性能和交互限制，实用性偏演示，但收费600到800元也有人愿意付，特别是想出去给投资人演示的中小团队。

2.2 模型接入选型：云端API还是本地Ollama

OpenClaw本身不产生AI能力，它需要接一个大模型。选型不同，现场的工作量和后续体验完全不同，这往往是客户最关心的部分。

云端API方案最省事，OpenAI、Claude、国产大模型的接口都可以，延迟低、效果稳定、配置简单，只需在配置文件里填入API密钥和模型名。缺点是客户如果数据敏感，或者API额度用起来心疼，就会犹豫。

本地Ollama方案就复杂一些。需要用ollama pull把模型拉到本地，常见的有qwen2.5、llama3系列。好处是数据不出门、没有按量计费，坏处是配置要处理OLLAMA_HOST绑定、显存优化、模型量化版本选择这些细节。我通常的做法是给客户一个建议表，根据他们的电脑配置和预算决定用哪个方案，甚至混合方案：日常用云端API保证效果，核心数据丢本地模型处理。能讲清楚这套取舍逻辑，客户会明显更信任你。

2.3 Skill机制和Companion：理解你能交付的"功能"

Skill是OpenClaw里一个核心概念，你可以把它理解为给AI装上的技能插件。一个大模型默认只会聊天，但当你给它挂上"读取CSV文件并分析"的Skill，它就能处理表格；挂上"联网搜索并汇总"的Skill，它就能追热点；挂上"调用ROS接口"的Skill，它就能给机器人下指令。很多客户根本不知道还有Skill这回事，但这恰恰是部署服务里最能体现价值的部分，也是后续定制需求最好的切入点。

还有Windows Companion，这是用来做系统级联动和语音交互的组件。配置时需要处理音频设备权限、唤醒词、后台自启动等一系列细节。很多客户想用"对着电脑说话"来体验AI助理，这部分的调试往往会多花半小时，但装好之后客户的惊喜感是最强的，也最容易形成转介绍。

3. 一次标准上门部署服务的完整拆解：从需求确认到验收交付

3.1 接单第一步：需求确认与报价预判

我接单之前一定会做一张关于需求的清单，不发清单直接上门的基本都会翻车。清单上包括：电脑操作系统和版本、内存和显卡情况、主要想用AI做什么（聊天、资料处理、操作电脑、接机器人）、是否需要本地模型、是否已经有API账号、是否有大量本地文件需要AI读取。

为什么必须问清楚？因为OpenClaw部署不是一个固定动作，每一步配置都跟着需求走。比如客户要处理大量Excel数据，现场就要配Python的pandas等依赖，还得验证CSV读写；客户要做语音交互，就得提前确认麦克风和音频驱动。需求没摸清就上门，轻则多跑一趟，重则现场配不出来还掉口碑。报价也跟这个清单挂钩：Windows基础版800元，带Ollama本地模型加300，带定制Skill加300到500，带ROS2联动直接按2000元起步谈。

3.2 现场环境检查：动手前必须做对的几件事

到了客户现场，我不会急着敲命令。先把几件事做完：第一，看清操作系统版本，Windows 10和Windows 11的路径权限细节有差异，Ubuntu 20.04和22.04的依赖源也不一样；第二，检查设备管理器里显卡驱动，NVIDIA显卡要确认CUDA是否可用，这决定Ollama能不能跑GPU加速；第三，看磁盘空间，OpenClaw本体不大，但模型动辄5到10GB，空间不够后面全崩；第四，确认网络环境，有些公司内网需要代理，这会直接影响依赖下载和API访问。

这套检查15分钟做完，但能帮你规避掉现场40%以上的意外中止。很多第一次做上门部署的人上来就git clone，结果发现客户电脑连git都没装，或者网络压根拉不动GitHub，场面很尴尬。检查完我会跟客户说一句"你电脑配置可以的，今天肯定能跑起来"，这句话对稳定客户情绪非常有帮助，特别是对方已经折腾失败过的情况下。

3.3 核心安装链路：依赖、框架、模型、技能

这部分是实打实的操作流程，拆开说。

第一层是基础依赖。Windows环境先确认安装Python 3.10或3.11，不要用3.12以下的某些未知坑，确保git、VS Code或任意编辑器可用。Ubuntu环境则用apt安装python3-venv、git、build-essential这些基础包；Termux环境用pkg install python clang git，再跑termux-setup-storage授权存储权限。

第二层是框架安装。OpenClaw我是用虚拟环境装的，先mkdir一个工作目录，python -m venv openclaw-venv，激活后再pip install对应依赖包。这里踩坑概率最高的是镜像源和版本锁定，国内环境我会给pip换到国内镜像，遇到包版本冲突就查看官方requirements里锁定的版本区间，不要图新鲜装最新版。

第三层是模型接入。云端API方案主要改配置，把ModelProvider和API Key配进去，再用一个简单的测试对话验证连通性。本地模型方案则先启动Ollama服务，我一般会把OLLAMA_HOST设置成0.0.0.0，方便局域网里的其他设备一起调用，然后ollama pull qwen2.5:7b这类合适规格的模型。拉模型是最需要耐心的环节，几个GB的包很容易卡在99%，后面我会专门说怎么处理。

第四层是Skill安装与验证。根据客户需求挂上对应Skill，然后设计三个真实业务场景去测：假设自己是客户公司的用户，问几个典型问题，看Agent能不能正确调用Skill。比如给电商客服配好的系统，我会问"我们发了顺丰但客户还没收到，帮我查一下常见话术"，如果它能结合订单文档里的规则给出答复，才算通过。

3.4 交付验收：让客户觉得"值1500"的细节

装完只是开始，交付做得漂不漂亮决定了客户会不会帮你转介绍。我每次走之前都会做一份简易交付说明，不用打印很厚，一页纸就够了：写了装在哪、怎么启动、怎么更新、常见问题的处理方式、我的联系方式。然后当面演示一遍"从双击启动到对话到调用技能"的完整过程，让客户亲手试一次，我在旁边看，发现问题现场调整。

还有一个细节不容忽视：把容易混淆的地方用口语讲清楚。比如有些客户会搞不清"对话界面"和"后台日志"的区别，担心是不是没启动成功。我会告诉他绿字出现就是正常，红字也要分情况，哪些可以忽略、哪些需要注意。交付文档要留到客户手里，不只是拍个照发微信，这页纸在客户遇到问题时会救命，也会减少他动不动就来问你的频率。

4. 现场最容易翻车的五个部署坑与应急处置方案

4.1 坑一：Python版本混乱引发的连锁报错

Windows和Ubuntu上多版本Python并存是常态，我自己就见过客户电脑上同时装着Python 3.8、3.11和3.12，系统PATH一乱，pip install装完的包根本找不到。这种问题最典型的报错就是ModuleNotFoundError，或者pip装完显示success但运行仍提示找不到依赖。

我的处理方法是，在项目目录里强制用绝对路径指向虚拟环境的Python解释器。先执行python -V看清楚当前指向哪个版本，如果不对就用which python或where python排查，再手动创建指定版本的虚拟环境。另外，安装依赖时不要一股脑全装最新版，OpenClaw这类框架的依赖树很长，一个包版本不对就会拖一串报错。我习惯先把官方requirements文件打开看一眼，锁定主版本，避免现场陷入版本地狱。

4.2 坑二：Ollama拉取模型卡在99%

这个坑几乎每个人都遇到过，特别是网络环境不理想时，模型下到99%就卡住不动，进度条纹丝不动，客户端看起来像死机。干等是最傻的做法。先按Ctrl+C取消，然后检查模型是否已部分缓存，再用ollama pull重试一次。如果重试还卡，就把Ollama的下载参数调一下，设置更长的超时时间，或者检查网络代理配置。

更稳妥的方案是，上门之前就在客户电脑上把Ollama服务装好并预先拉好一个备选模型，哪怕不一定是最终要用的那个，至少验证了网络通路和磁盘写入速度。如果客户内网实在拉不动，我就直接和客户商量切换云端API方案，把本地模型换成在线接口，按量付费的成本通常也比耽误一天业务损失小。学会给客户提供备选方案，比死磕一个技术难题更能体现专业度。

4.3 坑三：Windows下的环境变量与路径空格

Windows部署的最大隐形杀手是路径。客户电脑用户名如果是"Zhang San"或者"My PC"，默认工作目录里就带空格，OpenClaw在解析配置时会出现各种诡异的路径错误，比如日志文件写不进去、Skill资源找不到。发现这类问题不要试图去改系统用户名，那是给自己挖坑，直接把项目放在一个纯英文无空格的根目录下，比如C:\OpenClaw，配置文件里所有路径都用绝对路径。

环境变量是另一个麻烦。很多客户之前装过别的开发工具，PATH里一堆旧路径，容易导致命令解析错乱。我的习惯是在每个部署会话里显式export或用set命令设置当前session的环境变量，不去动系统级配置，这样用完不污染客户电脑，出问题也容易回滚。出门前在配置里确认后，再让客户重启电脑试一次开机自启，这是检验环境变量是否生效的唯一标准。

4.4 坑四：Skill加载不生效，客户说"没反应"

装上Skill后对话里完全没反应，这是最让人头疼的问题，因为表面上看一切正常、启动没有报错，但功能就是没触发。我遇到过一次，客户要做一个"自动汇总微信群聊消息并生成日报"的Skill，装完怎么问它都不调Skill。最后查了很久，发现是配置文件里Skill的目录路径写错了一个层级，框架扫进去没找到对应的manifest文件，于是一直用普通对话模式回应。

这种问题现在我的排查顺序是固定的：第一步看启动日志，确认Skill加载阶段有没有出现warning；第二步检查Skill目录结构和manifest文件格式，JSON里多一个逗号都会导致解析失败；第三步直接在配置里把这个Skill设为默认启用，强制加载；最后再用一个非常直白、包含明确触发词的测试语句去试。一定要用客户关心的业务语言测试，而不是问"今天天气怎么样"这种通用问题。

4.5 坑五：卸载重装反复折腾的残留问题

总有一些客户在你来之前已经自己折腾过好几轮，装了一半卸载，卸载了又装，系统里残留一堆配置文件、缓存目录、旧版本依赖，新的装上去就会跟残留配置打架。报错千奇百怪，最典型的是配置项跟旧版本对不上，框架启动到一半崩掉，提示某个参数不存在。

处理这种情况我有一条铁律：先备份客户可能需要的配置文件，然后把旧的相关目录彻底删干净，包括隐藏的配置目录、缓存目录、虚拟环境目录，检查系统服务列表里有没有残留的启动项，再重新开始装。这一步看起来费时间，实际上比在一堆垃圾上修修补补快得多，而且能保证后面跑得稳定。卸载这块我第一次赚钱时也吃过亏，在一个"半残"环境上修了两小时还没好，后来直接清了重装，四十分钟全部搞定。别心疼客户那点残留文件，当断则断。

5. 从一天1500元到稳定月入：获客渠道与避免售后无底洞的交付心法

5.1 获客渠道：先从小红书和闲鱼开始

上门部署这门生意，最难的不是技术，而是让需要你的人知道你。我的第一单来自闲鱼，当时只是挂了一个"OpenClaw部署·上门/远程·Windows/Ubuntu/ROS2"的链接，配了一张配置好的聊天截图。后来我发现小红书才是更精准的渠道，因为搜索"OpenClaw部署"的人目标极其明确。我发了十一篇相关笔记，不讲太深的技术，重点写"普通人装OpenClaw会遇到哪些坑、哪些东西其实不用自己折腾"，结尾带一句"本地部署可以找我「帮装」"，两周内来了五个咨询。

本地渠道也要铺。电脑维修店、IT外包公司、做企业服务的同行，他们经常遇到客户提AI需求但自己不会做，这时候把我介绍出去大家都有得赚。我甚至和一个卖二手电脑的老板达成合作，他卖出高性能电脑后推荐我提供"AI环境配置"服务，每单给他分成。这些渠道前期不一定有量，但一旦跑通，复购率和转介绍率比网上陌生流量高得多。

5.2 报价逻辑：按平台、场景和耗时浮动，而不是按"装软件"

收费这件事，新手最容易犯的错误是把OpenClaw部署理解成"装个软件"，然后觉得收太多不好意思。真相是：客户买的从来不是安装包，而是"我的AI需求被满足了"这个结果。所以报价要按平台和业务场景拉开梯度——Windows基础对话部署800元，带本地知识库或Ollama加300元，带定制Skill加300元，ROS2联动2000元起，企业内网加装、多机部署另算。

还有一个很实用的报价原则：远程比上门便宜30%到50%，但第一次合作我通常建议客户选上门，因为当面演示效果好、信任建立快。后面复购、微调就直接远程搞定。客户的预算感知一旦建立起来，后续300、500的小单子根本不用多解释。

5.3 防止售后无底洞：交付文档与免费期边界

上门部署最大的隐性成本是售后。装完第三天客户说"这个对话怎么突然变慢了"、第五天问"我换了个API密钥怎么填"、两周后问"能不能帮我把这个Skill改一下"。如果不设边界，你会发现自己时薪被无限摊薄。我现在的规则是：交付后提供7天免费远程咨询，重点解答"使用中发现的问题"；但凡是"新增功能、调整配置、换模型、重新部署"这类需求，一律进入新的收费订单，起步价200元。

为了让这个边界变得合理，我每单都会留下一份清晰的交付说明文档，里面包含基本的排查指引。客户能自己解决的先自己解决，解决不了的再找我，这样我处理的都是真正有价值的问题，而不是替客户做百度搜索。售后里最值得做的是第一时间响应，态度要好，但动作要快，能远程解决的问题绝不第二次上门。

5.4 延展服务：从部署到培训、运维和定制

跑了两个月之后我发现，部署本身虽然赚钱，但天花板有限，真正的利润在后面的延展服务。最自然的延伸是培训，很多客户公司不是一个人需要这个工具，而是整个团队要用。你去现场讲两小时"基本操作、Skill原理和常用配置"，收费是部署单的一半，但轻松很多。

其次是运维托管。部署是一个一次性动作，但模型更新、Skill迭代、API密钥管理是持续需求。我已经有了五个运维包月客户，每人每月收300到500元，远程处理他们日常遇到的小问题。这比每天出去跑单舒服得多，而且收入很稳定。最值钱的还是定制Skill开发，当一个客户公司发现"原来AI还能读我们这几百份合同、自动提取重点条款"以后，他们愿意为单个Skill付几千元。这条路不需要你会写多复杂的代码，更多是理解业务流程、把需求翻译成Skill的逻辑，而这恰恰是普通人和无业务经验的技术人员之间最大的差距。

从最开始背着电脑上门赚陌生人的1500元，到后来有了包月客户、有了合作渠道、有了稳定的转介绍，这个变化用了一年不到。我最大的体会是：AI时代真正的红利不只在技术本身，还在技术和普通人之间的落差里。OpenClaw这类框架天天都在更新、越来越强，但永远会有一大批人需要有人帮他们跨过最后那一公里。这门生意不需要你是算法专家，需要的是你愿意多踩几个坑、多总结一套流程、多替客户想一步。如果你也想试，不要等什么完美时机，先找一个身边想用AI但不会装的朋友，免费帮他装一次，得到第一次反馈，你就知道下一步该怎么走了。