一、核心软件与环境

1. 操作系统

   

   • Linux (Ubuntu 20.04 / 22.04 推荐)： 这是最主流、支持最好的环境，社区问题也最容易找到解决方案。
   • Windows (WSL2)： 可以通过 Windows Subsystem for Linux 2 获得接近原生Linux的体验，是Windows用户的最佳选择。
   • macOS (Apple Silicon 或 Intel)： 可以运行，但GPU加速训练/推理主要依赖Apple的Metal Performance Shaders，与主流的CUDA生态有差异。

2. Python

   • Python 3.8 - 3.11： 这是PyTorch等主流深度学习框架稳定支持的版本范围，建议使用 10。

3. 包管理与环境隔离

   • Conda 或 Miniconda： 强烈推荐，可以轻松创建独立的Python环境，管理不同版本的Python和依赖包，避免冲突。
   • pip： Python自带的包管理器，用于安装具体的Python包。

4. CUDA 和 cuDNN

   • NVIDIA GPU 用户必备： OpenCLAW 的底层依赖 PyTorch 需要它们来进行GPU加速。
   • CUDA Toolkit： 版本需与PyTorch官方预编译版本匹配（如 PyTorch 2.x 常对应 CUDA 11.8 或 12.1）。
   • cuDNN： NVIDIA深度神经网络加速库，CUDA的配套组件。
   • 驱动： 确保NVIDIA显卡驱动版本足够新以支持你安装的CUDA版本。

5. Docker

   • 可选但高度推荐： 如果你希望环境完全可复现、免去复杂的配置过程，或者需要在不同机器间迁移，Docker是最佳选择，OpenCLAW项目通常会提供官方的 Dockerfile 或推荐的基础镜像。

主要Python库（通过 pip/conda 安装）

在你的Conda虚拟环境或Python环境中,必须安装以下核心库：

1. PyTorch： 深度学习框架的核心，安装时务必去 官网 根据你的CUDA版本选择正确的命令。

   # 对于CUDA 11.8
   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

2. Transformers： Hugging Face 的 Transformers 库是构建和使用大模型的基石，OpenCLAW必然重度依赖。

   pip install transformers

3. OpenCLAW 项目本体

   # 从GitHub克隆
   git clone https://github.com/open-mmlab/OpenCLAW.git
   cd OpenCLAW
   pip install -v -e .
   # `-e` 表示以可编辑模式安装，方便你修改源码。

4. 视觉与多模态处理库

   • torchvision： 通常与PyTorch一同安装，用于图像处理和数据增强。
   • Pillow (PIL)： 基础的图像处理库。
   • opencv-python (cv2)： 强大的计算机视觉库，用于更复杂的图像/视频处理。
   • decord 或 av： 高效的视频解码库，用于处理视频数据。

5. 训练与实用工具库

   • accelerate： Hugging Face 出品的库，简化分布式训练和混合精度训练。
   • bitsandbytes： 实现 8-bit/4-bit 量化，对于在消费级显卡上运行大模型至关重要。
   • deepspeed： Microsoft 的深度学习优化库，用于极大规模的模型训练（如ZeRO-3优化）。
   • wandb 或 tensorboard： 实验跟踪和可视化工具，用于记录损失、指标等。
   • scikit-learn： 用于评估指标计算（如准确率、F1分数）。
   • tqdm： 显示进度条。

可选但强大的工具

1. 模型量化与加速

   • AWQ / GPTQ： 更先进的量化算法，能在精度损失极小的情况下，大幅提升推理速度、降低显存占用。
   • vLLM 或 TGI： 专为LLaMA等大模型设计的高吞吐量推理和服务框架，如果你需要部署API服务，它们是不二之选。

2. 开发与调试

   • Jupyter Lab / Notebook： 用于交互式开发和演示。
   • VS Code / PyCharm： 强大的IDE，提供代码补全、调试、Git集成等功能。

3. 数据管理

   • Git LFS： 如果你的项目需要管理大型数据文件或模型文件，Git LFS是必须的。

硬件建议

1. GPU： 这是最大的瓶颈。

   • 训练： 建议 显存 >= 24GB（如RTX 3090/4090, A5000, A100等），训练完整模型可能需要多卡。
   • 微调 (Fine-tuning)： 显存 >= 16GB 是较为理想的门槛（如RTX 4080, A4000），使用LoRA/QLoRA等技术可以降低要求。
   • 推理/评估： 显存 >= 12GB 可以运行较大模型（如RTX 3060 12G, RTX 4060 Ti 16G），同样可借助量化技术（bitsandbytes， GPTQ）在8GB甚至更小的卡上运行。

2. CPU & RAM：

   • CPU： 现代多核CPU（如 Intel i7/i9 或 AMD Ryzen 7/9），用于数据预处理。
   • 内存： 建议 >= 32GB，处理大型数据集时，内存越大越好。

3. 存储：

   • 硬盘： 使用 NVMe SSD，模型文件（动辄数十GB）的加载速度和数据集的读取速度会得到巨大提升。

总结清单与快速开始建议

最简快速配置（以Ubuntu + NVIDIA GPU为例）：

1. 安装基础： 安装 Miniconda 和 合适的 NVIDIA 驱动。
2. 创建环境：

   conda create -n openclaw python=3.10
   conda activate openclaw

3. 安装PyTorch： 去 PyTorch 官网复制与你的CUDA版本匹配的命令。
4. 获取OpenCLAW并安装：

   git clone https://github.com/open-mmlab/OpenCLAW.git
   cd OpenCLAW
   pip install -v -e .

5. 安装核心依赖：

   pip install transformers accelerate bitsandbytes scikit-learn tqdm wandb
   pip install opencv-python pillow decord

最后提示： 务必查阅 OpenCLAW 官方 GitHub 仓库的 README.md 和 requirements.txt 文件，这是最权威、最准确的依赖说明，可能会随着版本更新而变化。

标签： 软件 运行环境