🦞 阿里云人工智能平台 PAI 现已支持在 PAI-DSW 中一键安装 OpenClaw，通过将 OpenClaw 与 AI 算力、训练环境及文件存储深度集成于同一环境，龙虾可直接执行文件读写、GPU 状态监控及训练任务分发，实现真正意义上的云端智能化开发。
针对注重数据安全的企业用户，PAI 依托全链路模型能力，支持用户直接接入在平台内自主微调的模型，打造安全可控、深耕业务逻辑的私有化智能体！
OpenClaw 简介
OpenClaw 是一款 AI 智能体框架，支持直接操控操作系统、持久记忆、定时主动推送，并可通过 Web UI、钉钉等多种方式交互，内置丰富的 Skills 生态。
为什么选择 PAI-DSW 部署 OpenClaw
在 PAI-DSW 上部署 OpenClaw，可以将AI算力与 OpenClaw 的智能体能力深度结合：
🖥️ 随开随用，免运维
⚡ 弹性算力，按需扩展
🔗 与阿里云生态无缝打通
🔒 安全访问，避免服务裸奔
🤖 让 OpenClaw 真正"住"在算力旁边
一键部署 OpenClaw
第一步 打开 DSW 实例
在 DSW 实例列表中，选择创建好的实例，点击「打开」
第二步 运行安装脚本
在DSW实例的「启动台」页面，点击小龙虾气泡：
或者点击「Terminal」图标，打开终端，直接执行以下命令：
curl -fsSL https://pai-dsw-ai-machine.oss-cn-beijing.aliyuncs.com/agent/openclaw/openclaw_installer_dsw.sh -o openclaw_installer_dsw.sh && bash openclaw_installer_dsw.sh会进入安装流程：
建议选择「推荐版本」。安装时间取决于网络速度，通常需要 2-5 分钟。
第三步 配置模型服务
您可选择百炼的大模型或者EAS部署的大模型服务。
◆ 配置 AI 模型 [1] ○ 百炼 (DashScope) - 阿里云百炼模型服务 [2] ○ EAS服务 - 阿里云机器学习 PAI EAS 服务 (↑↓ 导航 | 数字直选 | Enter 确认)1、配置百炼服务
（1）配置百炼Base URL。默认使用的百炼Coding Plan的URL，普通百炼账号请输入：https://dashscope.aliyuncs.com/compatible-mode/v1。
（2）配置百炼API KEY。 复制百炼API Key（https://help.aliyun.com/zh/model-studio/get-api-key）并粘贴。
（3）按需选择AI模型。
（4）配置GateWay端口，默认即可。
2、配置 EAS 服务
（1）通过Model Gallery一键部署大语言模型（例如 Qwen3.5-397B-A17B)，详细操作步骤可参考快速开始：Qwen3系列模型部署、微调、评测（https://help.aliyun.com/zh/pai/use-cases/deploy-fine-tune-and-evaluate-qwen3-in-quickstart/）。
（2）服务部署完成后，进入服务详情页获取公网调用地址和Token。
然后在脚本中依次配置：
◆ 配置 EAS 服务 提示：请从 PAI-EAS 控制台获取基础访问地址和 Token 基础地址示例：http://16********.cn-hangzhou.pai-eas.aliyuncs.com/api/predict/test 注意：只需输入基础地址（不含 /v1），脚本会自动添加 ◆ EAS 基础访问地址: http://16xxxxxxxx.cn-hangzhou.pai-eas.aliyuncs.com/api/predict/test ◆ EASToken（可见输入）: your-eas-token-here（3）工具调用配置。脚本会询问是否禁用工具调用：
◆ 工具调用配置 提示：如果 EAS 服务未启用 --enable-auto-tool-choice 参数 会导致 400 错误，此时需要禁用工具调用 ◆ 是否禁用工具调用？ [1] ○ 否 - 启用工具调用（推荐，需 EAS 服务端支持） [2] ○ 是 - 禁用工具调用（适用于服务端未配置的情况）建议：
- 如果 EAS 服务端已配置工具调用支持，选择「否」。
- 如果不确定或遇到 400 错误，选择「是」。
第四步 配置完成
配置完成后可直接点击访问地址的URL，进入Web UI
访问 OpenClaw 服务
部署完成后，您可以选择以下任一方式访问 OpenClaw：
1、通过DSW Gateway直接打开Web UI（推荐）：无需任何额外配置，脚本运行完成后会自动输出一个可点击的访问链接，使用阿里云账号登录后即可直接在浏览器中打开 Web UI
2、 通过钉钉访问（可选）：在企业钉钉中创建机器人，随时随地通过钉钉聊天使用 OpenClaw
3、 通过本地 SSH 隧道访问 Web UI（可选）：建立 SSH 隧道后，在本地浏览器访问 OpenClaw 的 Web UI
三种方式可以同时使用，您可以根据实际需求选择配置。
以下将以 DSW Gateway 直接打开 WebUI 为例展示操作步骤：
1、获取 Gateway 访问链接
脚本运行完成、Gateway 成功启动后，终端会自动输出访问信息：
✓ Gateway 已成功启动并在后台运行 服务信息 ├─ 进程 PID12345 ├─ 日志文件 ~/.openclaw/gateway.log └─ PID 文件 ~/.openclaw/gateway.pid 访问地址 └─ http://127.0.0.1:18789/?token=xxxxxxxxxxxxxxxxxxxx点击访问地址链接，DSW 会自动通过内置的 Gateway 代理将请求转发，浏览器将直接打开 OpenClaw 的 Web UI。
说明：链接中的 127.0.0.1 是 DSW 实例内部的本地地址，DSW 的 Gateway 代理机制会将其安全地暴露给已登录的阿里云用户，无需手动配置端口映射。
2、访问要求
- 使用有权限访问该 DSW 实例的阿里云账号登录
- 在 PAI 控制台或直接点击脚本输出的链接打开
3、 验证服务状态
在 Web UI 右上角查看服务状态：
- Health: OK：服务正常
- Gateway: Connected：Gateway 连接正常
应用场景实践
只需简单的三个步骤，你的专属 AI 助理即可上线
基础场景
场景1：日常问答和代码助手
请帮我在/mnt/workspace下创建一个使用kaggle公开数据实现房价预测的ipynb代码场景2：智能文件搜索
请帮我找一下DSW实例中所有包含"报告"关键词的 Markdown 文件场景3：关注消息订阅
每天早上9点，给我发送最新的AI行业新闻训练场景
装备了 OpenClaw 的 PAI-DSW 在 GPU 训练场景下的核心价值：
- 主动监控：不需要时刻盯着，OpenClaw 可以主动发现问题并通知
- 远程操作：不需要随时在电脑前，通过钉钉对话完成所有操作
- 智能记忆：自动整理实验记录，随时可查询历史数据
场景1：任务状态查询
可以在钉钉 or Web页面随时询问
我刚执行的训练任务GPU利用率怎么样？场景2：任务状态监控告警
用户痛点：在 DSW 上跑长时间训练任务（如 LLM 微调），经常遇到半夜训练挂了但人不知道的情况。GPU 空转烧钱，第二天早上才发现白等了一晚上。
解决思路：用OpenClaw定时检查 GPU （or 需要的指标）状态，发现异常直接通过钉钉推送告警。可以通过命令行直接配置定时任务，也可以通过chat来下发指令。
openclaw cron add \ --name "GPU训练监控" \ --cron "*/15 * * * *" \ --tz "Asia/Shanghai" \ --session isolated \ --message "请执行以下操作检查GPU训练状态： 1. 运行命令：python gpu_monitor.py 2. 如果返回 'HEARTBEAT_OK'，说明一切正常，无需进一步操作 3. 如果返回异常报告，请： - 通过钉钉发送完整报告给我 - 分析报告中提到的可能原因 - 给出建议的解决方案 注意：只有检测到异常时才需要通知我。" \ --announce场景3：实验数据自动归档
用户痛点：做算法实验最头疼的不是跑实验，而是整理实验记录。每次训练完，得手动记录超参数、结果指标、结论和改进方向。
解决思路：用 OpenClaw 的记忆机制 + 定时任务，实现实验记录的自动化。
请每天晚上10点执行实验日志归档任务： 1. 运行归档脚本： python /gpu-training-tester/experiment_archiver.py 2. 如果返回 'HEARTBEAT_OK'，说明今天没有新的实验，无需操作 3. 如果返回实验记录，请： - 将记录追加写入 /mnt/workspace/experiment_log.md - 记住这些实验结果（使用 memory 功能） - 发送一份摘要到钉钉 记住：后续我查询历史实验时，你要能从记忆中检索这些信息。之后 /mnt/workspace/experiment_log.md 文件会被自动维护：
## 实验记录 ### 2026-03-02 | 实验 | 模型 | 学习率 | Epochs | 最终Loss | Accuracy | 状态 | 耗时 | |------|------|--------|--------|----------|----------|------|------| | exp_20260302_143015 | qwen-7b | 2e-5 | 3 | 0.0234 | 92.1% | 完成 | 0:31:32 | | exp_20260302_161522 | qwen-7b | 5e-5 | 3 | - | - | OOM | 0:04:23 | ### 2026-03-01 | 实验 | 模型 | 学习率 | Epochs | 最终Loss | Accuracy | 状态 | 耗时 | |------|------|--------|--------|----------|----------|------|------| | exp_20260301_091523 | qwen-7b | 1e-5 | 5 | 0.0312 | 91.8% | 完成 | 2h28m | | exp_20260301_141035 | qwen-14b | 1e-5 | 5 | - | - | OOM | 12m |用户可以在 JupyterLab 中直接打开文件查看，也可以随时询问 OpenClaw 来获取任务对比、实验数据的情况。
OpenClaw 可玩性非常强，可以配置更多的消息渠道，也可以通过添加丰富的Skills来让他变得更强大。
OpenClaw Github地址：https://github.com/openclaw/openclaw
OpenClaw 官方文档：https://docs.openclaw.ai/
OpenClaw 热门 Skills：https://github.com/VoltAgent/awesome-openclaw-skills
