现在开始，可以在NVIDIA Jetson上养“小龙虾”了！

近日，NVIDIA 在 Jetson AI Lab 正式推出 OpenClaw（小龙虾）的专属部署教程，让用户可在 Jetson 边缘计算设备上搭建 100% 本地运行的 AI 个人助手，全程无需调用任何云端 API，仅通过 WhatsApp 即可实现智能交互与设备操控。这款被称作 “小龙虾” 的 OpenClaw 并非普通聊天机器人，而是能真正 “动手做事” 的智能代理，结合 Jetson 的边缘算力，为用户打造了数据私有、响应高效的本地 AI 体验。

OpenClaw 是一款开源的个人数字助手，核心优势在于本地运行、自主可控，它能实现文件管理、网页浏览、应用控制等实操功能，还可通过 WhatsApp、Discord 等社交平台接收指令，同时会持续记忆用户的使用习惯与偏好，适配个性化的自动化需求。而 NVIDIA 此次的教程，让 Jetson 设备成为了运行 OpenClaw 的理想载体，实现了边缘端 AI 智能体的完整落地。

教程地址：https://www.jetson-ai-lab.com/tutorials/openclaw

部署前置要求：专属 Jetson 设备适配，轻量准备即可上手

要在 Jetson 上部署 OpenClaw，硬件与基础配置需满足 NVIDIA 的专属适配要求，整体准备门槛低，核心要求如下：

设备：仅支持 Jetson AGX Thor 或 Jetson AGX Orin，不同设备对应专属 JetPack 版本（Orin 用 JP 6、Thor 用 JP 7）；

存储：推荐搭配 NVMe SSD，满足本地大模型权重的存储需求；

账号与终端：免费的 Hugging Face 账号（用于下载模型）、安装了 WhatsApp 的手机一部；

核心能力：需保证模型支持工具调用，这是 OpenClaw 实现实操功能的关键。

NVIDIA 测试发现，混合专家模型（MoE）如 Nemotron 3 Nano 30B-A3B、Qwen 3.5 35B-A3B 等，与 OpenClaw 适配性最佳，能更高效地完成指令执行。

六步快速部署：从模型服务到 WhatsApp 交互，全程本地完成

NVIDIA 的教程将 OpenClaw 的部署流程简化为 6 个核心步骤，全程通过命令行操作，无需复杂的开发能力，完成后即可实现 WhatsApp 与 Jetson 本地 AI 助手的联动：

步骤 1：通过 vLLM 部署本地大模型

这是本地运行的核心基础，先导出 Hugging Face 令牌，再根据 Jetson 设备型号（Thor/Orin）执行专属 Docker 命令，通过 vLLM 启动模型服务，同时可清理 GPU 内存缓存保证运行效率，最后通过 curl 命令验证模型是否成功部署。

步骤 2：安装 Node.js 22+

OpenClaw 的运行依赖 Node.js 22 及以上版本，通过官方脚本一键安装后，验证版本即可完成基础环境配置。

步骤 3：全局安装 OpenClaw

使用 npm 命令全局安装最新版 OpenClaw，通过openclaw --version验证安装结果，完成工具本身的部署。

步骤 4：运行交互式配置向导

执行带跳过守护进程参数的配置命令，依次完成 vLLM 模型提供者配置（填写本地地址、自定义 API 密钥、精准输入模型名）、WhatsApp 渠道绑定（扫描终端二维码、填写国际格式手机号），同时可选择跳过技能安装与云端 API 密钥配置（纯本地部署）、勾选钩子功能实现指令自动化。

步骤 5：启动 OpenClaw 网关

通过 nohup 命令让网关后台运行并记录日志，数秒后执行状态检测命令，确认 WhatsApp 渠道已启用并连接，即完成网关启动。

步骤 6：通过 WhatsApp 与本地 AI 助手交互

OpenClaw 会作为二级设备绑定到 WhatsApp 账号，用户只需在 WhatsApp 中 “给自己发消息”，即可向 Jetson 上的 OpenClaw 发送指令，首次消息因模型预热可能稍慢，后续交互响应将大幅提升。

此外，WhatsApp 内置了/status（查看会话信息）、/new（重置会话）、/model（切换模型）等快捷命令，无需调用大模型即可快速操作，进一步提升使用体验。

Jetson 安装 OpenClaw 的核心价值：边缘算力赋能，本地优势拉满

将 OpenClaw 部署在 Jetson 设备上，并非简单的 “硬件 + 软件” 组合，而是 NVIDIA 边缘计算生态与智能代理工具的深度融合，为用户带来了云端 AI 助手无法比拟的价值，核心体现在四大方面：

1. 数据 100% 私有，规避隐私与安全风险

全程本地运行意味着用户的所有指令、会话记录、设备操作数据均存储在 Jetson 设备中，无需上传至任何云端服务器，从根源上避免了数据泄露风险。同时教程中网关默认绑定本地主机，仅允许设备内访问，结合边缘端的隔离性，大幅降低了提示注入等网络攻击的可能性，尤其适合对数据隐私要求高的个人与小型团队。

2. 零云端 API 依赖，无调用成本且不受网络限制

与传统云端 AI 助手不同，Jetson+OpenClaw 的组合完全脱离云端 API，无需支付任何模型调用费用，实现了 “一次部署，永久使用”。同时，所有计算与指令执行均在边缘端完成，即使在无网络或弱网络环境下，依然能正常响应 WhatsApp 指令，打破了网络对 AI 助手使用场景的限制。

3. 边缘算力低延迟，设备操控更高效

Jetson 作为专业的边缘计算设备，具备强大的本地 GPU 算力，能快速完成大模型的推理与工具调用，相比云端 AI 助手的 “指令上传 - 云端计算 - 结果返回” 流程，本地部署的 OpenClaw 响应延迟大幅降低，对文件管理、应用控制等本地设备操作的执行效率提升尤为明显，真正实现 “指令发出，即刻执行”。

4. 边缘端自动化，打造个性化本地数字分身

OpenClaw 的自动化能力与 Jetson 的边缘部署特性结合，让用户可打造专属的 “本地数字分身”：既能通过 WhatsApp 远程向 Jetson 下达指令，实现设备的远程操控，也能配置个性化钩子与技能，让 OpenClaw 自动完成价格监控、文件整理、日常工作流自动化等任务。同时，Jetson 设备的低功耗特性，支持 OpenClaw7×24 小时后台运行，让智能代理真正实现 “全天候待命”。

5. 依托 NVIDIA 生态，适配性与扩展性拉满

NVIDIA 为 Jetson 设备定制了专属的 OpenClaw 部署脚本与模型优化方案，如针对 MoE 模型的 FlashInfer 加速、GPU 内存利用率优化等，让模型在 Jetson 上的运行效率达到最优。同时，OpenClaw 支持后续安装各类技能插件、对接更多本地工具，结合 Jetson 丰富的外设与接口，可轻松扩展至智能家居控制、工业边缘监控等更多场景，实现边缘 AI 的无限可能。

总结

NVIDIA 此次推出的 Jetson 版 OpenClaw 部署教程，不仅让边缘计算设备拥有了真正的智能代理能力，更让 “本地 AI 助手” 从概念落地为可实操的方案。Jetson 的边缘算力为 OpenClaw 提供了高效的运行底座，而 OpenClaw 则让 Jetson 的价值从单纯的计算硬件升级为 “能听会做” 的智能边缘终端。

对于用户而言，这种组合既实现了 AI 助手的自主可控与隐私保护，又摆脱了云端的束缚与成本，无论是个人日常的自动化需求，还是小型团队的边缘端智能管理，都能找到完美的适配场景。随着 OpenClaw 社区的不断发展，以及 Jetson 边缘计算生态的持续完善，本地智能代理的应用场景还将不断拓展，而 NVIDIA 的这一教程，无疑为边缘 AI 的普及打开了新的大门。