OpenClaw+千问3.5-35B-A3B-FP8：低成本自建多模态AI工作流
OpenClaw+千问3.5-35B-A3B-FP8：低成本自建多模态AI工作流
1. 为什么选择本地化多模态工作流
去年我尝试用各类SaaS工具搭建自动化工作流时，遇到了两个致命问题：一是处理敏感设计稿时需要反复手动打码上传，二是连续调用多个API后账单金额触目惊心。直到发现OpenClaw+千问3.5-35B-A3B-FP8的组合，才真正实现了数据不出本地的自动化方案。
这套方案的核心价值在于：当我们需要处理含图片的周报、产品原型图或私人相册时，所有数据都在本机完成解析。我曾用公开的OCR服务处理过一份含手机截图的文档，仅50页就产生了$12的费用，而改用本地部署的千问3.5模型后，相同任务的成本仅为电力消耗。
2. 部署配置的关键实践
2.1 环境准备与模型部署
在MacBook Pro（M1 Pro芯片/32GB内存）上的实测表明，千问3.5-35B-A3B-FP8镜像的显存占用控制在18GB以内。以下是经过三次失败尝试后总结的高效部署方案：
# 使用conda创建独立环境（避免依赖冲突） conda create -n qwen python=3.10 -y conda activate qwen # 拉取镜像并启动（注意端口映射） docker run -d --name qwen35b \ -p 5000:5000 \ -v ~/qwen_data:/data \ --restart unless-stopped \ csdn_mirrors/qwen3.5-35b-a3b-fp8模型服务启动后，建议先用curl测试基础功能：
curl -X POST http://localhost:5000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "qwen3.5-35b-a3b-fp8", "messages": [{"role": "user", "content": "描述这张图片：/data/test.jpg"}] }'2.2 OpenClaw的对接配置
在~/.openclaw/openclaw.json中新增模型配置时，需要特别注意多模态支持的特殊参数：
{ "models": { "providers": { "local-qwen": { "baseUrl": "http://localhost:5000", "api": "openai-completions", "models": [ { "id": "qwen3.5-35b-a3b-fp8", "name": "Local Qwen Multimodal", "capabilities": ["text", "vision"], "maxTokens": 4096 } ] } } } }配置完成后，我遇到了模型响应超时问题。通过openclaw gateway --log-level debug查看日志发现，默认的30秒超时对于图片处理不够用。解决方法是在同配置文件中增加：
"timeouts": { "completion": 120 }3. 成本优化实战技巧
3.1 Token消耗控制策略
在连续处理100张产品截图的任务中，通过以下方法将Token消耗降低了62%：
- 指令优化：将"请详细描述图片中的所有元素"改为"提取图中文字和LOGO位置"
- 分辨率预处理：用OpenClaw的
image-resizer技能先将图片缩放至1024px宽度 - 批量处理：使用
@m1heng-clawd/batch-processor技能合并同类请求
实测对比数据：
| 处理方式 | 单图平均Token | 总耗时 |
|---|---|---|
| 原始高精度模式 | 1842 | 38分钟 |
| 优化后模式 | 701 | 12分钟 |
3.2 硬件资源平衡方案
当同时运行OpenClaw和千问3.5模型时，我的M1 Pro笔记本会出现内存压力。通过以下配置实现稳定运行：
# 限制模型服务的CPU线程数 docker update qwen35b --cpus 6 # 调整OpenClaw工作线程数 openclaw config set system.max_workers 2对于长期运行的任务，建议使用tmux创建持久会话：
tmux new -s qwen_worker conda activate qwen openclaw gateway start --daemon4. 典型应用场景与避坑指南
4.1 设计稿自动标注系统
作为独立开发者，我每周需要处理数十张UI设计稿的标注工作。通过组合OpenClaw的文件监控和千问的视觉理解能力，实现了自动化流程：
- 设计稿保存到
~/Downloads/designs时自动触发 - 模型识别图片中的组件和文字层级
- 生成Markdown格式的标注文档
- 通过飞书机器人发送通知
关键技能配置：
clawhub install file-watcher design-annotator feishu-notifier遇到的坑：模型有时会将背景纹理误判为UI元素。解决方法是在指令中明确"忽略纯装饰性元素"。
4.2 私人相册智能管理
对于包含1.2万张照片的个人图库，实现了：
- 自动识别照片中的地点和人物
- 按"年份/地点/人物"三级目录整理
- 生成可视化统计报告
需要特别注意的权限问题：OpenClaw需要Photos文件夹的完全磁盘访问权限（系统设置-隐私与安全性-完全磁盘访问权限）。
5. 安全增强建议
在六个月的使用中，我总结了这些安全实践：
- 网络隔离：将模型服务绑定到
127.0.0.1而非0.0.0.0 - 访问控制：使用
openclaw config set security.allow_ips "192.168.1.*" - 操作沙盒：对文件操作启用
--dry-run模式进行预演 - 日志审计：定期检查
~/.openclaw/logs/action.log
特别提醒：当处理敏感文档时，建议临时关闭OpenClaw的远程通道功能：
openclaw config set channels.feishu.enabled false openclaw gateway restart获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。