星图AI平台Qwen3-VL:30B完整指南：硬件配置→镜像部署→API测试→Clawdbot集成→飞书上线

想不想拥有一个能看懂图片、能聊天、还能帮你处理工作的智能助手？今天，我就带你从零开始，在CSDN星图AI云平台上，亲手搭建一个私有化的多模态大模型Qwen3-VL:30B，再通过Clawdbot把它变成一个能接入飞书的办公助手。

整个过程听起来复杂，但跟着我的步骤走，你会发现其实很简单。我们不需要懂太多底层技术，也不需要自己配置复杂的服务器环境，星图平台已经帮我们准备好了所有东西。

1. 为什么选择这个方案？

你可能听说过很多AI模型，但Qwen3-VL:30B是目前最强的多模态大模型之一。什么叫“多模态”？简单说就是它不仅能理解文字，还能看懂图片。你给它一张图，它能告诉你图里有什么，能回答关于图片的问题，甚至能根据图片内容帮你写文案。

但这么大的模型，个人电脑根本跑不动。传统的部署方式需要自己买显卡、配环境，光是安装依赖就能劝退大部分人。这就是为什么我们要用星图AI平台——它提供了现成的环境，我们只需要点几下鼠标就能用上顶级的算力资源。

Clawdbot则是一个智能助手框架，它能把AI模型的能力包装成各种应用。通过它，我们可以轻松地把Qwen3-VL:30B接入飞书，让整个团队都能用上这个强大的AI助手。

2. 环境准备：选择正确的硬件配置

在星图平台上部署大模型，第一步就是选对硬件。Qwen3-VL:30B有300亿参数，对显存要求很高。官方推荐配置是48GB显存，这个配置在个人电脑上很少见，但在星图平台上很容易获得。

2.1 查看硬件环境

我们先看看这次实验用的具体配置：

硬件组件	规格配置	说明
GPU驱动	550.90.07	最新的NVIDIA驱动
CUDA版本	12.4	深度学习计算框架
显存	48GB	运行大模型的关键
CPU	20核心	多核处理器
内存	240GB	充足的内存支持
系统盘	50GB	操作系统和基础环境
数据盘	40GB	存储模型和数据

这个配置对于运行30B参数的大模型来说绰绰有余。显存足够加载整个模型，内存也足够处理各种任务。

2.2 为什么需要这样的配置？

你可能好奇，为什么需要这么大的显存？我来简单解释一下：

大模型就像一本很厚的书，运行的时候需要把整本书都放在显存里才能快速翻阅。Qwen3-VL:30B这本“书”有300亿个“字”（参数），每个“字”都需要占用空间。48GB显存就是为了确保这本“书”能完整地放进去，这样模型推理的时候才能快速响应。

如果显存不够，模型要么跑不起来，要么运行速度极慢。星图平台提供的这个配置，让我们普通人也能用上顶级的大模型，而不需要自己投资几万块钱买显卡。

3. 镜像部署：三步搞定环境搭建

有了合适的硬件，接下来就是部署环境。星图平台最方便的地方在于，它提供了预配置好的镜像，我们不需要从零开始安装各种软件。

3.1 找到正确的镜像

在星图平台的控制台，你会看到很多镜像可以选择。我们要找的是Qwen3-VL:30B的镜像。

有个小技巧：如果镜像列表太长，直接在搜索框输入“Qwen3-vl:30b”，就能快速找到目标。这个镜像已经预装了Ollama服务，Ollama是一个专门用于运行大模型的工具，它简化了模型的下载、加载和运行过程。

3.2 一键启动实例

找到镜像后，创建实例的过程非常简单：

1. 点击“创建实例”按钮
2. 系统会自动推荐合适的硬件配置（就是前面提到的48GB显存配置）
3. 确认配置，点击启动

等待几分钟，实例就会启动完成。这个过程就像租用了一台云端的高性能电脑，所有环境都已经配置好了，我们直接就能用。

3.3 验证部署是否成功

实例启动后，我们需要确认一切工作正常。星图平台提供了一个很方便的功能：Ollama控制台快捷入口。

点击这个入口，会直接打开一个网页界面，这就是Ollama的Web交互页面。在这里，我们可以直接和模型对话，测试它的基本功能。

试着问它几个简单问题，比如“你好，你是谁？”或者让它描述一张图片。如果它能正常回答，说明模型部署成功了。

4. API测试：从本地调用云端模型

虽然Web界面很方便，但实际应用中，我们更多是通过API来调用模型。好消息是，星图平台为每个实例都提供了公网访问地址，我们可以直接从自己的电脑上调用这个API。

4.1 获取API地址

在实例详情页面，你能看到一个公网URL，格式类似这样：

https://gpu-pod697b0f1855ba5839425df6ea-11434.web.gpu.csdn.net/v1

这个地址就是我们的API入口。注意最后面的端口号11434，这是Ollama服务的默认端口。

4.2 编写测试代码

用Python写一个简单的测试脚本：

from openai import OpenAI

# 创建客户端，指向我们的模型服务
client = OpenAI(
    base_url="https://你的实例地址/v1",  # 替换成你的实际地址
    api_key="ollama"  # Ollama的默认API密钥
)

# 发送测试请求
try:
    response = client.chat.completions.create(
        model="qwen3-vl:30b",  # 指定使用哪个模型
        messages=[
            {"role": "user", "content": "你好，请介绍一下你自己"}
        ]
    )
    
    # 打印模型的回复
    print("模型回复：", response.choices[0].message.content)
    
except Exception as e:
    print(f"调用失败：{e}")
    print("请检查：")
    print("1. 地址是否正确")
    print("2. 实例是否在运行")
    print("3. 网络是否通畅")

运行这个脚本，如果看到模型回复了自我介绍，说明API调用成功。这一步很重要，因为后续Clawdbot就是通过这个API来调用模型的。

4.3 理解API的工作原理

你可能注意到，我们用的是OpenAI的客户端库。这是因为Ollama提供了和OpenAI兼容的API接口。这种设计很聪明——所有为OpenAI写的代码，几乎不用修改就能用在Ollama上。

这种兼容性带来了很大便利：

• 现有的OpenAI应用可以快速迁移
• 开发文档和示例代码丰富
• 社区工具和库都能直接使用

5. 安装和配置Clawdbot

模型部署好了，API也测试通过了，接下来就是搭建智能助手框架。Clawdbot是一个开源的AI助手平台，它能把各种AI模型的能力整合起来，提供统一的接口。

5.1 安装Clawdbot

星图环境已经预装了Node.js，并且配置了npm镜像加速，安装过程非常快：

# 全局安装Clawdbot
npm i -g clawdbot

安装完成后，你可以用以下命令验证是否安装成功：

clawdbot --version

如果看到版本号输出，说明安装成功了。

5.2 初始化配置

第一次使用Clawdbot，需要进行一些基本配置：

# 启动配置向导
clawdbot onboard

这个命令会启动一个交互式的配置向导。对于大多数选项，如果你是第一次使用，我建议先选择默认值或者跳过，后续可以在Web界面中详细配置。

向导会问你几个问题：

1. 运行模式：选择“本地模式”
2. 工作目录：使用默认的/root/clawd
3. 模型提供商：先跳过，后面手动配置
4. 身份验证：选择“稍后配置”

完成向导后，Clawdbot会在你的家目录下创建.clawdbot文件夹，里面包含了所有配置文件。

5.3 启动网关服务

Clawdbot的核心是一个网关服务，它监听特定的端口，处理所有的请求：

# 启动网关
clawdbot gateway

默认情况下，网关会监听18789端口。在星图平台上，访问地址需要把端口号换成18789：

原始地址：https://你的实例地址-8888.web.gpu.csdn.net/
Clawdbot地址：https://你的实例地址-18789.web.gpu.csdn.net/

打开这个地址，你应该能看到Clawdbot的控制面板。如果看到空白页面，别着急，我们接下来就解决这个问题。

6. 解决网络访问问题

很多人在这一步会遇到“页面空白”的问题，这是因为Clawdbot默认的安全设置比较严格。

6.1 问题原因分析

Clawdbot默认只监听本地回环地址（127.0.0.1），这意味着只有服务器本地的程序能访问它。但我们是通过公网访问的，所以请求被拒绝了。

查看监听状态可以确认这个问题：

# 查看18789端口的监听状态
netstat -tlnp | grep 18789

如果输出显示127.0.0.1:18789，说明只监听了本地。

6.2 修改配置文件

我们需要修改Clawdbot的配置文件，让它监听所有网络接口：

# 编辑配置文件
vim ~/.clawdbot/clawdbot.json

找到gateway部分，修改以下几个关键配置：

"gateway": {
    "mode": "local",
    "bind": "lan",  // 从"loopback"改为"lan"
    "port": 18789,
    "auth": {
      "mode": "token",
      "token": "csdn"  // 设置一个访问令牌
    },
    "trustedProxies": ["0.0.0.0/0"],  // 信任所有代理
    "controlUi": {
      "enabled": true,
      "allowInsecureAuth": true
    }
}

主要修改点：

1. bind: 从loopback（只监听本地）改为lan（监听所有网络接口）
2. auth.token: 设置一个访问令牌，增加安全性
3. trustedProxies: 添加0.0.0.0/0，信任所有代理转发

6.3 验证修改效果

保存配置文件后，需要重启Clawdbot网关：

# 先按Ctrl+C停止当前网关
# 然后重新启动
clawdbot gateway

再次检查监听状态：

netstat -tlnp | grep 18789

现在应该显示0.0.0.0:18789，表示正在监听所有网络接口。

刷新浏览器页面，这次应该能看到登录界面了。输入刚才设置的令牌“csdn”，就能进入控制面板。

7. 集成Qwen3-VL:30B模型

现在Clawdbot能正常访问了，但还没有连接我们的模型。我们需要告诉Clawdbot：“嘿，我这儿有个很厉害的AI模型，你可以用它来回答问题。”

7.1 配置模型提供商

编辑同一个配置文件，找到models.providers部分，添加我们的Ollama服务：

"models": {
    "providers": {
      "my-ollama": {
        "baseUrl": "http://127.0.0.1:11434/v1",
        "apiKey": "ollama",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3-vl:30b",
            "name": "Local Qwen3 30B",
            "contextWindow": 32000
          }
        ]
      }
    }
}

关键配置说明：

• baseUrl: Ollama服务的地址，因为Clawdbot和Ollama在同一台服务器，所以用127.0.0.1
• apiKey: Ollama的默认API密钥
• id: 模型名称，必须和Ollama中的名称一致
• contextWindow: 上下文窗口大小，表示模型能记住多长的对话历史

7.2 设置为默认模型

接下来，我们需要告诉Clawdbot默认使用这个模型。找到agents.defaults部分：

"agents": {
  "defaults": {
    "model": {
      "primary": "my-ollama/qwen3-vl:30b"
    }
  }
}

这样配置后，所有新的对话都会默认使用Qwen3-VL:30B模型。

7.3 重启并测试

修改配置后，需要重启Clawdbot网关使配置生效。重启后，打开控制面板的Chat页面，发送一条测试消息。

为了确认模型确实在工作，我们可以监控GPU的使用情况。新开一个终端窗口，运行：

# 实时监控GPU状态
watch nvidia-smi

然后在Chat页面发送消息，观察GPU显存的变化。如果看到显存使用量增加，说明模型正在被加载和使用。

8. 完整配置文件参考

为了确保大家配置成功，我提供完整的配置文件作为参考。你可以直接复制这个配置，替换你的~/.clawdbot/clawdbot.json文件：

{
  "meta": {
    "lastTouchedVersion": "2026.1.24-3",
    "lastTouchedAt": "2026-01-29T09:43:42.012Z"
  },
  "wizard": {
    "lastRunAt": "2026-01-29T09:43:41.997Z",
    "lastRunVersion": "2026.1.24-3",
    "lastRunCommand": "onboard",
    "lastRunMode": "local"
  },
  "auth": {
    "profiles": {
      "qwen-portal:default": {
        "provider": "qwen-portal",
        "mode": "oauth"
      }
    }
  },
  "models": {
    "providers": {
      "my-ollama": {
        "baseUrl": "http://127.0.0.1:11434/v1",
        "apiKey": "ollama",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3-vl:30b",
            "name": "Local Qwen3 32B",
            "reasoning": false,
            "input": [
              "text"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 32000,
            "maxTokens": 4096
          }
        ]
      },
      "qwen-portal": {
        "baseUrl": "https://portal.qwen.ai/v1",
        "apiKey": "qwen-oauth",
        "api": "openai-completions",
        "models": [
          {
            "id": "coder-model",
            "name": "Qwen Coder",
            "reasoning": false,
            "input": [
              "text"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 128000,
            "maxTokens": 8192
          },
          {
            "id": "vision-model",
            "name": "Qwen Vision",
            "reasoning": false,
            "input": [
              "text",
              "image"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 128000,
            "maxTokens": 8192
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "my-ollama/qwen3-vl:30b"
      },
      "models": {
        "my-ollama/qwen3-vl:30b": {
          "alias": "qwen"
        },
        "qwen-portal/coder-model": {
          "alias": "qwen"
        },
        "qwen-portal/vision-model": {}
      },
      "workspace": "/root/clawd",
      "compaction": {
        "mode": "safeguard"
      },
      "maxConcurrent": 4,
      "subagents": {
        "maxConcurrent": 8
      }
    }
  },
  "messages": {
    "ackReactionScope": "group-mentions"
  },
  "commands": {
    "native": "auto",
    "nativeSkills": "auto"
  },
  "gateway": {
    "port": 18789,
    "mode": "local",
    "bind": "lan",
    "controlUi": {
      "enabled": true,
      "allowInsecureAuth": true
    },
    "auth": {
      "mode": "token",
      "token": "csdn"
    },
    "trustedProxies": [
      "0.0.0.0/0"
    ],
    "tailscale": {
      "mode": "off",
      "resetOnExit": false
    }
  },
  "skills": {
    "install": {
      "nodeManager": "npm"
    }
  },
  "plugins": {
    "entries": {
      "qwen-portal-auth": {
        "enabled": true
      }
    }
  },
  "hooks": {
    "internal": {
      "enabled": true,
      "entries": {
        "session-memory": {
          "enabled": true
        }
      }
    }
  }
}

9. 测试多模态能力

现在整个系统已经搭建完成，我们来测试一下Qwen3-VL:30B的多模态能力。在Clawdbot的Chat界面，你可以尝试：

1. 文字对话：问它一些复杂的问题，测试它的理解能力
2. 图片理解：上传一张图片，让它描述图片内容
3. 图文结合：给一张图，然后问关于图片的问题

比如，你可以上传一张产品截图，然后问：“这张图展示的是什么功能？有什么改进建议？”模型会结合图片内容和你的问题，给出详细的回答。

这种多模态能力在实际工作中有很多应用场景：

• 产品经理可以上传设计稿，让AI分析设计是否符合规范
• 运营人员可以上传活动海报，让AI写推广文案
• 开发人员可以上传错误截图，让AI帮忙排查问题

10. 总结与下一步

到这里，我们已经完成了整个系统的核心搭建。回顾一下我们做了什么：

1. 选择了合适的硬件配置：48GB显存确保大模型能流畅运行
2. 部署了Qwen3-VL:30B镜像：利用星图平台的预配置环境，省去了复杂的安装过程
3. 测试了API接口：验证了模型服务正常工作
4. 安装配置了Clawdbot：搭建了智能助手框架
5. 解决了网络访问问题：修改配置让公网可以访问
6. 集成了大模型：让Clawdbot能够使用我们的Qwen3-VL:30B
7. 测试了多模态能力：验证了系统整体功能

现在你拥有一个：

• 私有化部署的30B参数大模型
• 支持图文理解的多模态AI
• 可通过Web界面和API访问
• 准备接入飞书的智能助手

这个系统已经具备了很强的能力，你可以在Clawdbot的控制面板里直接使用它，也可以通过API集成到自己的应用中。

在接下来的下篇教程中，我们将完成最后两步：

1. 将Clawdbot接入飞书平台，实现群聊互动
2. 将整个环境打包成镜像，发布到星图镜像市场，方便复用和分享

通过今天的实践，你应该能感受到，在星图AI平台上部署大模型并不复杂。关键是要理解每个组件的作用，然后按照正确的顺序配置。有了这个基础，后续的飞书集成和镜像打包就会更加顺利。

---

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。