從黃仁勳推出了NemoClaw，Nvidia版本的”小龍蝦”之後，相信開始有一堆人在網路上洗各種小龍蝦有多厲害的文章，號稱可以幫你自動整理行事曆、幫你看Email、幫你找最便宜的購物點之類之類，講得很神。但是你真的知道小龍蝦 OpenClaw 是什麼嗎？本文從 OpenClaw 的起源和它是什麼、一般人要如何控制 OpenClaw 的風險、如何安全且低成本的安裝/使用、到後續的備份及復原一次講完。
在本文中，我們把OpenClaw稱為小龍蝦，台灣常見的用語。小龍蝦AI指的是OpenClaw，一個可以在本地環境中自主執行任務的Agentic AI系統。除了這個之外，常見的還有NanoClaw、IronClaw、OpenFang、LocalAGI、以及NemoClaw等等各式各樣的變種。
在最開始之前，這裡是我們的警語部份：
警語：OpenClaw的主要意圖是快速的完成您給的任務，但是請把關不要把自己的重要帳號、密碼直接明文傳給小龍蝦，本文可以教你如何安全使用，但是使用者自己要自爆，筆者也沒有辦法。
前情提要：
讓小龍蝦維持健康 上集 - 有Nvidia或AMD GPU並且VRAM超過1GB
接下來，我們需要設定Memory Search，OpenClaw跟直接使用ChatGPT最大的差異，就在小龍蝦記得你，記得跟你的一切記憶。晚點我們會談到Context Window，但是在這之前，我們先把Memory Search (記憶搜尋) 設定起來。
在開始之前，我們先需要看一下本機是否有一顆小小的GPU可以使用。如果有的話，可以大幅加快記憶搜尋的速度。如果您是Nvidia GPU，請用以下多段式指令安裝，直接在終端機裡複製貼上：
安裝Nvidia驅動程式
# === 0. 清掉舊的 NVIDIA driver（避免鬼打牆）===
sudo apt purge -y '*nvidia*'
sudo apt autoremove -y
# === 1. 安裝必要編譯環境 ===
sudo apt update
sudo apt install -y build-essential dkms linux-headers-$(uname -r)
# === 2. 安裝 Ubuntu 建議的 NVIDIA driver ===
sudo ubuntu-drivers autoinstall
# === 3.（可選但建議）安裝 CUDA toolkit ===
sudo apt install -y nvidia-cuda-toolkit
# === 4. 提醒：這裡一定要重開機 ===
echo ">>> 請現在手動 reboot，回來再執行驗證指令 "
檢查Nvidia驅動程式運作正常
# === 5. 驗證 NVIDIA driver ===
nvidia-smi
# === 6. 驗證 CUDA（可選）===
nvcc --version || echo "CUDA toolkit not found (OK if you didn't install it)"
# === 7. 驗證 GPU 計算能力（簡單版）===
python3 - 'EOF'
import torch
print("CUDA available:", torch.cuda.is_available())
if torch.cuda.is_available():
print("GPU:", torch.cuda.get_device_name(0))
EOF
如果是 AMD GPU 使用者，前面這招過不了關，請自行處理安裝問題，ROCm的安裝限定型號，而且支援LLM效果有限。裝的起來是好命的，裝不起來，麻煩您直接跳下一節。
https://www.amd.com/zh-tw/support/download/linux-drivers.html
▲有個GPU事情就好辦了。尤其是還有2048MiB(也就是2GB VRAM)，對於我們要用的llama nomic-embed-text-v1.5.Q4_K_M.gguf 這種吃接近1GB VRAM的小模型來說，根本就是超豪華吃到飽套餐。
讓小龍蝦維持健康 下集 - 安裝 Ollama 模型做記憶體搜尋(不論有沒有GPU)
接下來，不論您的小龍蝦OpenClaw是否有正常的把GPU啟動，都是建議使用 Ollama embeddinggemma模型來處理Memory Search。否則用個幾天，小龍蝦OpenClaw會真的很瞎，完全忘記我們前幾天講過的話。
安裝Ollama模型不難，只要在終端機下把以下指令複製貼上：
# === 0. 安裝 Ollama（官方 Linux 安裝方式） ===
curl -fsSL https://ollama.com/install.sh | sh && \
# === 1. 啟動 Ollama（若已在跑，這行不影響太多） ===
( pgrep -x ollama >/dev/null || nohup ollama serve >/tmp/ollama.log 2>&1 & ) && \
sleep 5 && \
# === 2. 拉一顆適合 memory search 的小型 embedding 模型 ===
ollama pull embeddinggemma && \
# === 3. 先直接測 Ollama embeddings API 有沒有活著 ===
curl -s http://localhost:11434/api/embed -d '{
"model": "embeddinggemma",
"input": "Little7 local memory test"
}' && echo && \# === 4. 把 OpenClaw 的 memory search 切到 Ollama ===
openclaw config set agents.defaults.memorySearch.enabled true && \
openclaw config set agents.defaults.memorySearch.provider ollama && \
openclaw config set agents.defaults.memorySearch.model embeddinggemma && \
openclaw config set agents.defaults.memorySearch.fallback none && \# === 5. 順手把 compaction 緩衝拉高，避免還沒用多久就爆Context ===
openclaw config set agents.defaults.compaction.reserveTokensFloor 30000 && \
openclaw config set agents.defaults.compaction.memoryFlush.softThresholdTokens 12000 && \# === 6. 重建 memory index 並驗證 ===
openclaw memory index --force && \
openclaw memory status --deep# === 7. 確認未來重開機後Ollama服務會自動啟動並驗證 ===
sudo systemctl enable --now ollama
sudo systemctl status ollama --no-pager
’▲設定完成本機記憶搜尋能力之後，從此省下每天USD 1.36的記憶體搜尋費。
