一、引言

2026 年，AI 编程工具已经进入”人人可用”的阶段。但云端 AI 服务存在隐私顾虑、费用累积、网络依赖等问题。自建本地 AI 编程助手成为越来越多开发者的选择。

本文将手把手教你使用 Ollama 部署本地大模型，结合 OpenClaw 构建完整的本地 AI 编程助手。

二、方案概览

整体架构：

IDE (VS Code) ──→ Continue.dev ──→ Ollama API ──→ 本地模型
                                          │
                                    OpenClaw (任务编排)

三、安装 Ollama

3.1 一键安装

# Linux / macOS
curl -fsSL https://ollama.com/install.sh | sh

# 验证安装
ollama --version

3.2 下载代码模型

# 推荐模型（按资源需求排序）
ollama pull deepseek-coder-v2       # 16B 参数，最强代码能力
ollama pull qwen2.5-coder:7b        # 7B 参数，平衡性能
ollama pull codellama:7b            # 7B 参数，轻量选择

# 查看已下载模型
ollama list

3.3 配置 Ollama 服务

# 修改监听地址（允许局域网访问）
sudo systemctl edit ollama.service

# 添加以下内容：
[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_KEEP_ALIVE=24h"
Environment="OLLAMA_NUM_PARALLEL=4"

# 重启服务
sudo systemctl daemon-reload
sudo systemctl restart ollama

四、OpenClaw 集成配置

4.1 配置本地模型

# 在 OpenClaw 配置中添加本地模型
openclaw config set models.local-llm.provider ollama
openclaw config set models.local-llm.baseUrl http://localhost:11434
openclaw config set models.local-llm.model deepseek-coder-v2

4.2 创建编程助手 Agent

# 创建专用 Agent
openclaw agents create coding-assistant \
  --model local-llm \
  --system-prompt "你是一个专业的编程助手，精通多种编程语言和框架。"

4.3 配置工具权限

为编程助手启用必要的工具：

• exec：运行代码和测试
• read/write：读写项目文件
• web_search：搜索文档和解决方案
• web_fetch：获取在线文档内容

五、实战场景

5.1 代码审查

# 使用 OpenClaw 审查代码
openclaw session send coding-assistant "审查以下 Python 代码，指出潜在问题：

def process_data(items):
    result = []
    for i in range(len(items)):
        if items[i] > 0:
            result.append(items[i] * 2)
    return result
"

本地模型会分析代码并给出改进建议，所有数据都在本地处理，不会外泄。

5.2 自动化测试生成

# 生成单元测试
openclaw session send coding-assistant "为以下函数生成 pytest 单元测试：

def calculate_discount(price, discount_rate):
    if price < 0:
        raise ValueError('价格不能为负数')
    if not 0 <= discount_rate <= 1:
        raise ValueError('折扣率必须在 0-1 之间')
    return price * (1 - discount_rate)
"

5.3 代码重构

# 重构遗留代码
openclaw session send coding-assistant "将以下 jQuery 代码重构为现代 JavaScript：

$('.user-list').on('click', '.user-item', function() {
    var id = $(this).data('id');
    $.get('/api/users/' + id, function(data) {
        $('#user-detail').html('<h2>' + data.name + '</h2>');
    });
});
"

六、性能调优

6.1 GPU 加速

# 检查 GPU 支持
ollama run deepseek-coder-v2 --verbose

# NVIDIA GPU 配置
# 确保安装了 CUDA 和 nvidia-container-toolkit
nvidia-smi  # 确认 GPU 可用

# AMD ROCm
export HSA_OVERRIDE_GFX_VERSION=10.3.0
ollama serve

6.2 量化模型

量化可以大幅降低内存需求：

# Q4_K_M 量化（推荐，平衡质量与性能）
ollama pull deepseek-coder-v2:q4_K_M

# Q2_K 量化（极限压缩，质量下降明显）
ollama pull deepseek-coder-v2:q2_K

6.3 上下文窗口

# 设置上下文大小（默认 2048，代码任务建议 8192）
ollama run deepseek-coder-v2 --num-ctx 8192

# 或通过 Modelfile 永久设置
FROM deepseek-coder-v2
PARAMETER num_ctx 8192
PARAMETER num_predict -1  # 无限制生成长度

七、安全注意事项

7.1 网络隔离

• Ollama 默认只监听 localhost，安全
• 如需局域网访问，使用防火墙限制 IP 范围
• 不要将 Ollama 暴露到公网

7.2 数据安全

• 所有代码数据在本地处理，不离开你的机器
• 适合处理敏感代码和商业项目
• 定期清理模型缓存

八、总结

通过 Ollama + OpenClaw 构建本地 AI 编程助手，你获得了：

• 隐私安全：所有数据本地处理，不依赖云端
• 零成本：一次性硬件投入，无 API 费用
• 离线可用：不依赖网络连接
• 可定制：自由选择模型和配置
• 无限调用：没有速率限制和配额

这套方案特别适合处理敏感代码、离线开发环境、以及需要大量 AI 辅助的场景。随着本地模型能力的不断提升，自建 AI 编程助手正在成为越来越多开发者的首选方案。