当前位置：首页 > news >正文

龙虾3.13部署避坑指南：环境、配置与命令失效的深层根因

news 2026/7/9 6:58:17

1. “一键部署”背后的三重幻觉：为什么龙虾3.13的安装脚本从不告诉你真实成本

“OpenClaw 龙虾 3.13 一键部署成功！”——这句话在技术社区里出现频率极高，截图里终端窗口绿字滚动、服务端口亮起、Web界面弹出，看起来毫无破绽。我去年帮三个团队落地龙虾时，前两次都信了这句宣传，结果上线第三天就集体崩溃：技能调用超时、模型加载失败、配置修改后重启即丢失。直到第三次，我把官方安装脚本install.sh拆开逐行重写，才真正看清所谓“一键”的本质：它不是省事，而是把复杂度打包成黑盒，再把故障点均匀撒进你整个系统环境里。

龙虾3.13（即 OpenClaw v3.13）不是传统意义上的单体应用，而是一套策略驱动型AI工作流引擎。它的核心逻辑是：用户定义 Skill（技能），Skill 调用 Connector（连接器）对接外部服务（飞书/微信/数据库/API），Connector 再触发 Model Adapter（模型适配层）加载本地或远程大模型。这个链条里任何一环出问题，都会表现为“命令无法识别”“json 配置无效”“技能添加失败”等表层报错——而这些报错，90%以上和“一键脚本”本身无关，全藏在它默认跳过的底层环节中。

最典型的幻觉有三层：

第一层是环境幻觉：脚本自动检测 Python 版本、安装 pip 包、拉取 Docker 镜像，但它从不验证 CUDA 驱动与 PyTorch 编译版本是否匹配。我在一台 Ubuntu 22.04 服务器上执行./install.sh后，openclaw start命令能运行，但所有调用千问模型的 Skill 全部卡在Loading model...状态。查日志才发现，脚本安装的torch==2.1.0+cu118依赖的是 NVIDIA Driver 525.x，而服务器实际装的是 470.199.02——差一个主版本号，GPU 就直接降级为 CPU 推理，吞吐量暴跌 17 倍。这不是 bug，是脚本故意绕开的兼容性校验。

第二层是路径幻觉：所有教程都说“配置文件在~/.openclaw/openclaw.json”，但没人告诉你这个路径由OPENCLAW_HOME环境变量决定，而一键脚本只在首次运行时写入一次，后续无论你移动项目目录、切换用户、甚至用sudo启动，它都固执地读取最初那个位置。我曾遇到客户在群晖 NAS 上部署，脚本在admin用户下运行，但 Docker 容器以root身份启动，导致容器内根本找不到openclaw.json，报错却是openclaw: command not found——因为PATH里没加/usr/local/bin，而这个路径恰恰是脚本在非 root 用户下安装二进制文件的位置。

第三层是权限幻觉：脚本默认用chmod +x给所有 shell 文件加执行权限，却对openclaw.json的文件权限只字不提。在 Windows WSL 或 macOS 上，JSON 文件若被编辑器保存为 UTF-8 with BOM 格式，或包含 Windows 风格换行符（CRLF），龙虾进程会静默忽略整个文件，连 warning 都不打。你改了十遍配置，重启十次服务，它始终按默认值运行——因为你根本不知道openclaw.json是个“娇气”的 YAML 兼容 JSON 文件，必须满足 RFC 8259 的严格解析规则。

提示：龙虾3.13 的配置解析器基于pydantic v2.6+，它对 JSON Schema 的校验比以往任何版本都严格。一个多余的逗号、一个未加引号的布尔值（如debug: true写成debug: True）、甚至一个缩进空格数不对（必须是 2 个空格，不能是 tab），都会导致整个配置加载失败，且错误日志只显示Failed to load config: validation error，不指明具体哪一行。

所以，“别被一键部署忽悠了”不是反对自动化，而是提醒你：真正的部署成本，永远不在下载和解压，而在环境契约的显性化、路径依赖的可追溯性、以及配置语义的精确性。接下来我会带你一层层剥开龙虾3.13的底层结构，不是教你怎么点按钮，而是让你清楚每个按钮按下后，系统里到底发生了什么。

2. openclaw.json 的七处致命陷阱：从语法校验到语义绑定的完整避坑链

openclaw.json是龙虾3.13的“神经系统”，它不只定义服务端口和日志级别，更决定了 Skill 如何被发现、Connector 如何被实例化、Model Adapter 如何被调度。但官方文档把它简化为“配置文件”，社区教程则直接贴出模板，导致大量用户复制粘贴后陷入“配置已改，效果不变”的死循环。实际上，这个文件有七个关键区域，每个区域都存在极易踩中的语义陷阱，且错误表现高度相似——都是服务启动无报错，但功能完全失效。

2.1`skills`数组：路径不是字符串，而是模块导入路径

绝大多数教程教你这样写：

"skills": [ "/path/to/my_skill.py" ]

这是龙虾3.13之前版本的写法，但在 v3.13 中已被废弃。新规范要求skills必须是 Python 模块路径，格式为package.module:SkillClass。例如你的技能文件在~/projects/finance_skill/analysis.py，类名为StockAnalyzer，那么正确写法是：

"skills": [ "finance_skill.analysis:StockAnalyzer" ]

为什么？因为龙虾3.13 使用importlib.util.spec_from_file_location()动态加载技能，它需要完整的模块命名空间来支持热重载和依赖注入。如果你坚持用文件路径，龙虾会静默跳过该技能，日志里只有一行Skipping non-module skill path: /path/to/my_skill.py，而这一行默认被设为DEBUG级别，不会输出到控制台。

更隐蔽的陷阱是相对路径。有人写"skills": ["./analysis.py"]，这在当前工作目录下可能生效，但一旦用 systemd 或 Docker 启动，工作目录变为/或/app，路径立即失效。解决方案是统一使用绝对路径导入，并在项目根目录下创建__init__.py文件，让整个目录成为 Python 包。

2.2`connectors`字段：不是配置列表，而是运行时注册表

connectors看似是连接飞书、微信的参数集合，实则是龙虾的服务发现中心。它不存储密钥，只存储 Connector 的类名和初始化参数。例如飞书 Connector 的标准写法是：

"connectors": { "feishu": { "type": "feishu", "config": { "app_id": "cli_xxx", "app_secret": "xxx", "encrypt_key": "xxx", "verification_token": "xxx" } } }

这里type字段必须与龙虾内置 Connector 类名完全一致（区分大小写），且config中的字段名必须与该类的__init__方法签名严格匹配。比如FeishuConnector.__init__(self, app_id, app_secret, encrypt_key, verification_token)，如果你把encrypt_key错写成encryption_key，龙虾不会报错，而是用None初始化该字段，导致后续签名验证失败，飞书回调全部 401。

另一个致命点是connectors的键名（如"feishu"）——它将成为 Skill 中调用 Connector 的唯一标识。你在 Skill 代码里写self.connector("feishu").send_message(...)，如果openclaw.json里写的是"feishu_bot": {...}，那么调用时就会抛出ConnectorNotFoundError: feishu。这个错误不会在启动时校验，只在 Skill 第一次执行时触发，且堆栈信息极难定位。

2.3`model_adapters`：模型加载不是“选一个”，而是“建一条流水线”

龙虾3.13 支持多模型并行，但model_adapters的配置逻辑常被误解为“选择哪个模型”。实际上，它定义的是模型推理流水线的拓扑结构。一个典型配置如下：

"model_adapters": { "qwen_local": { "type": "transformers", "config": { "model_path": "/models/Qwen2-7B-Instruct", "device_map": "auto", "torch_dtype": "bfloat16", "max_new_tokens": 1024 } }, "qwen_api": { "type": "openai", "config": { "base_url": "https://api.tongyi.com/v1", "api_key": "sk-xxx", "model": "qwen-max" } } }

这里有两个关键陷阱：第一，type字段不是模型类型，而是后端适配器类型。transformers对应 HuggingFace 模型，openai对应 OpenAI 兼容 API，它们的config结构完全不同，混用必报错；第二，model_adapters的键名（如"qwen_local"）是 Skill 中调用模型的句柄，但 Skill 代码里必须显式指定使用哪个适配器，例如：

# 正确：显式指定 adapter response = await self.model_adapter("qwen_local").chat(messages) # 错误：试图用模型名，龙虾不认识 "Qwen2-7B-Instruct" response = await self.model_adapter("Qwen2-7B-Instruct").chat(messages)

2.4`logging`配置：日志级别不是开关，而是过滤器链

很多人以为把"level": "DEBUG"就能看到所有细节，但龙虾3.13 的日志系统采用分层过滤机制。logging字段实际控制的是openclaw根 logger 的级别，而各组件（skill,connector,model_adapter）有自己的子 logger，它们的级别默认继承自根 logger，但可以被单独覆盖。例如：

"logging": { "level": "INFO", "handlers": ["console", "file"], "loggers": { "openclaw.skill": {"level": "DEBUG"}, "openclaw.connector.feishu": {"level": "WARNING"} } }

如果你没配置loggers子项，那么即使根级别是DEBUG，feishu连接器的日志也只会输出WARNING及以上，导致你完全看不到回调接收过程。更麻烦的是，handlers里的"file"默认写入~/.openclaw/logs/openclaw.log，但该目录的父路径~/.openclaw/logs/必须存在且有写权限，否则日志会静默丢弃——而这个检查，脚本从不执行。

2.5`server`字段：端口只是表象，真正决定可用性的是`host`和`cors`

server配置常被简化为"port": 8000，但host字段才是跨网络访问的生命线。默认值是"host": "127.0.0.1"，这意味着服务只监听本地回环地址，外部机器（包括同一局域网的飞书服务器）根本无法访问。你必须显式改为"host": "0.0.0.0"才能对外提供服务。但改完立刻面临第二个问题：CORS（跨域资源共享）。飞书或微信的前端页面向你的龙虾服务发请求时，浏览器会先发OPTIONS预检请求，如果server.cors没配置，预检失败，后续所有请求都被拦截。正确配置是：

"server": { "host": "0.0.0.0", "port": 8000, "cors": { "allow_origins": ["https://open.feishu.cn", "https://qyapi.weixin.qq.com"], "allow_methods": ["GET", "POST", "OPTIONS"], "allow_headers": ["*"] } }

注意allow_origins必须是飞书/微信的官方域名，不能写*（龙虾3.13 的 cors 中间件会拒绝通配符），否则预检仍失败。

2.6`storage`：不是“存数据的地方”，而是状态同步的仲裁者

storage字段常被忽略或留空，但它决定了 Skill 的状态（如会话历史、用户偏好）能否跨进程、跨机器持久化。默认配置"type": "memory"表示所有状态存在内存里，一旦服务重启，所有会话记录清零。生产环境必须切换为"type": "redis"或"type": "postgresql"。但陷阱在于：redis配置必须包含connection_url，且 URL 格式必须是redis://[:password@]host:port/db，少一个斜杠或端口写错，龙虾启动时不报错，但所有需要状态的 Skill（如多轮对话）都会退化为单轮模式，且无任何提示。

2.7`secrets`：密钥管理不是“放进去”，而是“动态注入”

secrets字段设计初衷是集中管理敏感信息，避免硬编码在 Skill 代码里。但它的实现方式是：启动时读取secrets下的键值对，注入到进程环境变量中。例如：

"secrets": { "FEISHU_APP_SECRET": "xxx", "DB_PASSWORD": "yyy" }

那么在 Skill 代码里，你应该用os.getenv("FEISHU_APP_SECRET")获取，而不是直接读openclaw.json。但如果secrets里某个密钥值为空字符串（""），龙虾会把它当作None注入，导致os.getenv()返回None，Skill 报错。更严重的是，secrets不支持嵌套结构，所有键必须是扁平字符串，"feishu": {"app_secret": "xxx"}这种写法会被忽略。

注意：openclaw.json的 JSON Schema 在龙虾3.13 中已升级为 v3.13.0 版本，它强制要求skills、connectors、model_adapters字段必须存在（即使为空数组/对象），否则启动失败。你可以用官方提供的openclaw validate-config命令校验，但该命令必须在openclawCLI 已正确安装的前提下运行——而这恰恰是很多用户卡住的第一步。

3. openclaw 命令失效的五层根因分析：从 PATH 到进程树的完整排查路径

当你在终端输入openclaw start却收到openclaw: command not found，或者openclaw status返回No such process，这绝不是简单的“没装好”，而是系统环境、进程模型、权限边界三者交织的结果。我整理了过去半年处理的 47 个同类工单，将故障原因归纳为五个递进层级，每一层都需要不同的排查工具和思路。

3.1 第一层：PATH 环境变量污染——最常见却最易被忽略

90% 的command not found问题源于 PATH。龙虾3.13 的安装脚本默认将 CLI 二进制文件放在/usr/local/bin/openclaw（Linux/macOS）或C:\Program Files\OpenClaw\openclaw.exe（Windows），但它不会自动把该路径加入 PATH。你手动执行./install.sh后，脚本可能提示Installation complete! Add /usr/local/bin to your PATH.，但大多数人直接关掉终端，PATH 从未更新。

验证方法：运行echo $PATH（Linux/macOS）或echo %PATH%（Windows），检查输出中是否包含/usr/local/bin或C:\Program Files\OpenClaw。如果没有，临时修复是export PATH="/usr/local/bin:$PATH"（Linux/macOS）或set PATH="C:\Program Files\OpenClaw;%PATH%"（Windows），但永久修复需编辑 shell 配置文件（~/.bashrc、~/.zshrc或 Windows 系统环境变量）。

更隐蔽的情况是 PATH 被覆盖。某些 IDE（如 VS Code）或终端模拟器（如 iTerm2）会重置 PATH，导致你在 GUI 环境下打开的终端 PATH 与纯终端不同。此时which openclaw在纯终端返回/usr/local/bin/openclaw，但在 VS Code 集成终端返回空。解决方案是在 VS Code 设置中启用"terminal.integrated.env.linux": { "PATH": "/usr/local/bin:${env:PATH}" }。

3.2 第二层：Python 解释器冲突——当`openclaw`不是你想的那个

龙虾3.13 的 CLI 实际是一个 Python 脚本包装器，它通过#!/usr/bin/env python3调用系统 Python。但如果你的系统有多个 Python 版本（如 pyenv、conda、系统自带），env python3可能指向错误的解释器。例如，你用 conda 创建了openclaw-env环境并安装了所有依赖，但openclaw命令调用的是系统/usr/bin/python3，导致ImportError: No module named 'openclaw'。

验证方法：运行head -1 $(which openclaw)，查看 shebang 行。如果是#!/usr/bin/env python3，再运行python3 -c "import openclaw; print(openclaw.__file__)"，确认路径是否在你的目标环境中。如果不是，有两种解决方式：一是修改openclaw脚本的 shebang 为绝对路径（如#!/home/user/miniconda3/envs/openclaw-env/bin/python）；二是用python3 -m openclaw start替代openclaw start，强制使用当前 Python 解释器。

3.3 第三层：进程守护机制失效——systemd、supervisord 与 nohup 的博弈

openclaw start命令在后台启动服务，它默认使用nohup+&方式，但这种方式在非交互式 shell（如 cron、CI/CD 流水线）中不可靠。更健壮的方式是用 systemd（Linux）或 launchd（macOS）管理。但问题在于：一键脚本生成的 systemd service 文件（如/etc/systemd/system/openclaw.service）可能配置错误。

典型错误有三：第一，WorkingDirectory指向错误路径，导致openclaw.json无法加载；第二，User字段设为root，但openclaw.json在普通用户家目录下，权限不足；第三，Restart=always但没配RestartSec=10，导致频繁崩溃重启时被 systemd 限流。

验证方法：运行systemctl status openclaw，查看Active:状态和最近日志。如果显示inactive (dead)，运行journalctl -u openclaw -n 50 --no-pager查看最后 50 行日志。常见错误如Permission denied: '/home/user/.openclaw/openclaw.json'，说明User配置与文件所有者不匹配。

3.4 第四层：Docker 容器网络隔离——当宿主机能访问，容器内却不行

在 NAS（如群晖）或云服务器上，很多人用 Docker 部署龙虾。docker run -p 8000:8000 openclaw:3.13看似正确，但龙虾服务在容器内监听127.0.0.1:8000，而-p参数只映射宿主机端口到容器端口，容器内127.0.0.1仍是容器自己的回环地址，导致内部 Connector（如调用本地数据库）无法连接。正确做法是让龙虾监听0.0.0.0:8000，并在openclaw.json中设置"server": {"host": "0.0.0.0"}。

另一个网络陷阱是 DNS。Docker 容器默认使用 Google DNS（8.8.8.8），但某些企业内网或 NAS 环境 DNS 解析异常，导致飞书回调 URL 无法解析。解决方案是在docker run时加--dns 114.114.114.114，或在docker-compose.yml中配置dns字段。

3.5 第五层：进程树残留与端口占用——重启失败的终极元凶

openclaw stop命令有时无法彻底杀死所有子进程。龙虾3.13 启动时会 fork 出多个子进程（如模型加载进程、WebSocket 监听进程），stop命令只 kill 主进程 PID，子进程变成孤儿进程继续运行，并占用端口。此时openclaw start会因端口被占而失败，报错Address already in use。

验证方法：运行lsof -i :8000（Linux/macOS）或netstat -ano | findstr :8000（Windows），查看占用 8000 端口的 PID。再用ps -p <PID> -o pid,ppid,cmd查看该进程的父进程和命令行。如果 PPID 是 1（init 进程），说明它是孤儿进程。

彻底清理命令：

# Linux/macOS：杀掉所有 openclaw 相关进程 pkill -f "openclaw.*start" && pkill -f "python.*openclaw" # Windows：根据 netstat 找到 PID 后强制结束 taskkill /F /PID <PID>

但更可靠的做法是，在openclaw.json中配置"server": {"reuse_port": true}，启用端口复用，避免重启时端口冲突。

提示：openclaw命令的退出码是诊断关键。openclaw start成功返回 0，配置错误返回 1，端口占用返回 2，权限不足返回 13。在 CI/CD 脚本中，务必检查$?值，而不是只看终端输出文字。

4. 彻底卸载龙虾的四个不可逆动作：从文件清理到状态清除的完整清单

“如何彻底卸载龙虾”是搜索热词中排名前三的问题，但几乎所有教程只告诉你rm -rf ~/.openclaw或docker system prune -a，这只能清除 30% 的残留。龙虾3.13 的分布式架构决定了它的痕迹散落在系统各处：用户空间、系统服务、Docker 层、甚至 Shell 历史记录。一次“彻底卸载”必须覆盖以下四个不可逆动作，缺一不可。

4.1 动作一：清除用户级安装产物——不只是`.openclaw`目录

~/.openclaw是主配置和日志目录，但龙虾3.13 还会在以下位置留下文件：

~/.local/bin/openclaw：当用户没有 root 权限时，安装脚本会把 CLI 放在这里；
~/.cache/openclaw/：缓存模型分片、Connector 令牌、Skill 依赖包；
~/.config/openclaw/：某些桌面环境（如 GNOME）会把配置存到这里；
~/Library/Application Support/openclaw/（macOS）或%APPDATA%\openclaw\（Windows）：GUI 应用兼容路径。

必须执行的清理命令：

# Linux/macOS rm -rf ~/.openclaw ~/.local/bin/openclaw ~/.cache/openclaw ~/.config/openclaw # macOS 额外清理 rm -rf ~/Library/Application\ Support/openclaw # Windows（PowerShell） Remove-Item -Path "$env:USERPROFILE\.openclaw" -Recurse -Force Remove-Item -Path "$env:LOCALAPPDATA\openclaw" -Recurse -Force Remove-Item -Path "$env:APPDATA\openclaw" -Recurse -Force

注意：~/.local/bin/openclaw是符号链接，指向/usr/local/bin/openclaw，所以卸载时要先删符号链接，再删源文件（如果有 root 权限）。

4.2 动作二：清除系统级服务注册——systemd、launchd 与 Windows 服务

一键脚本在安装时会注册系统服务，但卸载脚本往往缺失。必须手动清理：

Linux systemd：删除/etc/systemd/system/openclaw.service和/etc/systemd/system/multi-user.target.wants/openclaw.service，然后运行systemctl daemon-reload；
macOS launchd：删除~/Library/LaunchAgents/io.openclaw.plist（用户级）或/Library/LaunchDaemons/io.openclaw.plist（系统级），然后运行launchctl unload io.openclaw；
Windows 服务：以管理员身份运行sc delete openclaw，再手动删除C:\Program Files\OpenClaw\目录。

验证是否清理干净：运行systemctl list-unit-files | grep openclaw（Linux）、launchctl list | grep openclaw（macOS）、sc query openclaw（Windows），输出应为空。

4.3 动作三：清除 Docker 镜像与卷——不只是`docker system prune`

docker system prune -a会删掉所有未使用的镜像、容器、网络，但龙虾相关的 Docker 卷（Volume）默认不会被清理，因为它们被标记为“已使用”。龙虾3.13 的官方镜像通常创建两个卷：openclaw-config（存openclaw.json）和openclaw-models（存模型文件）。这些卷即使容器删除，数据依然存在，下次docker run会自动挂载，导致你以为卸载了，其实配置还在。

必须执行的清理命令：

# 列出所有 openclaw 相关卷 docker volume ls | grep openclaw # 强制删除（假设卷名为 openclaw-config 和 openclaw-models） docker volume rm openclaw-config openclaw-models # 如果不确定卷名，用通配符删除（谨慎！） docker volume ls -q | grep openclaw | xargs -r docker volume rm

此外，检查docker network ls是否有openclaw_default网络，如有则docker network rm openclaw_default。

4.4 动作四：清除 Shell 环境与历史记录——防止“幽灵命令”重现

最后一个常被忽视的动作：清理 Shell 环境变量和命令历史。openclaw命令可能被 alias 或 function 覆盖，例如某教程教你alias openclaw='python3 -m openclaw'，卸载后这个 alias 依然存在，导致你输入openclaw时实际执行的是旧 Python 环境。

必须执行的清理步骤：

检查~/.bashrc、~/.zshrc、~/.profile中是否有alias openclaw=或function openclaw，手动删除；
清理命令历史：history -c（清空当前会话历史），再编辑~/.bash_history或~/.zsh_history，删除所有含openclaw的行；
重启终端或运行source ~/.zshrc使环境变更生效。

完成这四个动作后，运行which openclaw、openclaw --version、systemctl status openclaw均应返回空或“command not found”，这才是真正意义上的“彻底卸载”。

注意：“养龙虾”“扣子和龙虾”等热词暗示部分用户将龙虾与其他 AI 工具（如字节扣子）混用。卸载龙虾时，请勿删除~/.cache/huggingface/目录——这是 HuggingFace 模型缓存，被多个工具共享，误删会导致其他 AI 工具重新下载 GB 级模型。

5. 生产环境部署 checklist：从单机测试到高可用集群的七项硬性指标

当你完成本地调试，准备将龙虾3.13 推向生产环境时，“能跑通”和“能扛住”之间隔着七道硬性指标。这些指标不是可选项，而是龙虾3.13 架构设计隐含的约束条件。我根据三个金融客户的真实上线案例，总结出必须逐项验证的 checklist，每项不达标，都会在流量高峰时暴露为雪崩式故障。

5.1 指标一：模型加载时间 ≤ 90 秒——GPU 显存与 PCIe 带宽的双重校验

龙虾3.13 加载 Qwen2-7B 模型的标准时间是 65±10 秒（A10G GPU）。如果超过 90 秒，说明硬件瓶颈已触发。验证方法不是看openclaw start的终端输出，而是抓取openclaw.json中model_adapters的startup_timeout字段（默认 120 秒），并在启动时加--log-level DEBUG，观察日志中Loading model from ...到Model loaded successfully的时间戳。

超时根因通常是：第一，GPU 显存不足。Qwen2-7B FP16 需要 ≥14GB 显存，如果系统有其他进程占用（如监控代理、CUDA 驱动自身），可用显存低于 12GB，加载会卡在allocating memory阶段；第二，PCIe 带宽不足。A10G 是 PCIe 4.0 x16，但某些服务器主板只提供 PCIe 3.0 x8 插槽，带宽减半，模型权重加载速度下降 40%。解决方案是更换插槽或升级主板。

5.2 指标二：Skill 并发请求数 ≥ 50 QPS——连接池与事件循环的容量测试

龙虾3.13 默认使用asyncio事件循环，单进程理论并发上限是 1000+，但实际受限于 Connector 连接池。例如飞书 Connector 默认连接池大小是 10，意味着最多同时处理 10 个飞书回调。当 QPS 超过 10，后续请求排队，平均延迟飙升。

验证方法：用wrk -t12 -c100 -d30s http://localhost:8000/skill/stock模拟 100 并发请求 30 秒，观察openclaw status输出的requests_per_second和avg_latency_ms。生产环境要求requests_per_second ≥ 50且avg_latency_ms ≤ 800。

优化方案：在openclaw.json的connectors.feishu.config中增加pool_size: 50，并确保model_adapters.qwen_local.config中device_map: "balanced"（而非"auto"），让模型层也能并行处理。

5.3 指标三：配置热重载响应时间 ≤ 3 秒——文件系统 inotify 的可靠性

龙虾3.13 支持修改openclaw.json后自动重载配置，但前提是文件系统支持 inotify。某些 NAS（如群晖早期型号）或容器挂载卷（docker run -v）禁用了 inotify，导致配置修改后服务无反应。

验证方法：启动龙虾后，用inotifywait -m -e modify ~/.openclaw/openclaw.json监听文件变化。如果修改文件后inotifywait无输出，说明 inotify 不可用。此时必须关闭热重载，在openclaw.json中设"hot_reload": false，改为手动openclaw restart。

5.4 指标四：跨节点状态一致性——Redis Cluster 的最小分片数

当部署多实例龙虾（如负载均衡集群）时，storage.type: "redis"是必须的，但单 Redis 实例无法满足高可用。龙虾3.13 要求 Redis 至少 3 个分片（shard）组成集群，因为它的状态键使用HASH结构，且 key 名包含 Skill ID 哈希，单节点故障会导致部分 Skill 状态丢失。

验证方法：连接 Redis 集群，运行CLUSTER NODES，确认节点数 ≥3 且connected状态为connected。在openclaw.json中，storage.config必须用redis://URL 指向集群入口，而非单节点 IP。

5.5 指标五：日志留存周期 ≥ 90 天——磁盘 I/O 与压缩策略

龙虾3.13 默认日志轮转策略是按大小（100MB）和时间（每天）双维度。但生产环境要求至少保留 90 天日志用于审计。如果磁盘 I/O 性能差（如 NAS 机械硬盘），日志压缩（gzip）会阻塞主线程，导致请求延迟。

验证方法：检查~/.openclaw/logs/目录下.log.gz文件的生成时间，用zcat *.log.gz | wc -l统计总行数。如果 90 天日志总大小 > 50GB，需在openclaw.json中调整logging.handlers.file的max_size（如"max_size": "500MB"）和backup_count（如"backup_count": 180）。