OpenClaw: exigences matérielles, connexion locale et planification contexte
Guide officiel pour OpenClaw. OpenClaw est une passerelle d'agents open source orientée local-first, compatible avec des providers de modèles cloud et locaux.
Présentation
OpenClaw se présente comme une stack d'assistant où l'état et les identifiants restent sur vos appareils, avec des backends de modèle/runtime interchangeables.
Le Gateway agit comme plan de contrôle local pour les sessions, outils, canaux et routage des modèles.
Exigences runtime officielles
- Exigence runtime Node: La doc d'installation OpenClaw exige Node 24.16+ ou 26.1+, et recommande Node 26. L'installateur provisionne Node si nécessaire. (Documentation d'installation OpenClaw)
- Support des plateformes: La doc d'installation OpenClaw liste macOS, Linux et Windows comme plateformes supportées. (Documentation d'installation OpenClaw)
- Note mémoire pour modèles locaux: La doc OpenClaw local-models indique que la mémoire dépend des poids du modèle, du contexte, du runtime et de la charge hôte ; les recettes llama.cpp managées utilisent 64K de contexte et la plus petite recette indique un plancher de 8 GiB de mémoire hôte. (Documentation modèles locaux d'OpenClaw)
Snippets de connexion locale (docs officielles)
Ollama
openclaw onboard # choose Ollama: Cloud + Local, Cloud only, or Local only openclaw models list --provider ollama
Ollama
models: {
providers: {
ollama: {
api: 'ollama',
baseUrl: 'http://host:11434',
},
},
}La doc Ollama d'OpenClaw avertit explicitement de ne pas utiliser /v1 en mode provider Ollama natif.
LM Studio
models: {
providers: {
lmstudio: {
api: 'openai-responses',
baseUrl: 'http://127.0.0.1:1234/v1',
models: [{ id: 'my-local-model', contextWindow: 196608 }],
},
},
}vLLM
models: {
providers: {
local: {
api: 'openai-completions',
baseUrl: 'http://127.0.0.1:8000/v1',
apiKey: 'sk-local',
},
},
}La doc local-models d'OpenClaw liste vLLM parmi les proxys locaux OpenAI-compatibles.
llama.cpp
# Managed local server path from OpenClaw local-model docs openclaw onboard # choose Managed local server (llama.cpp plugin)
Pourquoi le long contexte et le tool-calling comptent
- La doc OpenClaw local-models souligne qu'un modèle peut réussir des prompts courts mais échouer sur un tour agent complet, car schémas d'outils, historique et prompts consomment du contexte.
- Le setup OpenClaw valide un vrai tool call avant de basculer le modèle local par défaut en mode managé.
Calculateur prérempli
Ce tableau est une estimation de planification (Q4_K_M, batch=1), pas une exigence officielle minimale.
Calculateur VRAM / RAM
Comparez l’adéquation sur VRAM GPU, mémoire unifiée Apple et scénarios d’offload CPU/RAM.
ID Hugging Face / paramètres personnalisés (optionnel)
Si l’ID repo est inconnu, vos valeurs sont utilisées en mode estimation.
| Quant | Poids | KV | Overhead | Total |
|---|---|---|---|---|
| FP16 / BF16 | 13.04 GiB | 8 GiB | 1.54 GiB | 22.58 GiB |
| INT8 / Q8_0 | 6.68 GiB | 8 GiB | 1.54 GiB | 16.22 GiB |
| Q6_K | 5.17 GiB | 8 GiB | 1.54 GiB | 14.71 GiB |
| Q5_K_M | 4.44 GiB | 8 GiB | 1.54 GiB | 13.98 GiB |
| Q4_K_M | 3.75 GiB | 8 GiB | 1.54 GiB | 13.29 GiB |
| Q3_K_M / Q3 | 2.85 GiB | 8 GiB | 1.54 GiB | 12.39 GiB |
| Q2_K / Q2 | 2.04 GiB | 8 GiB | 1.54 GiB | 11.58 GiB |
| Matériel | Mémoire | Verdict | tok/s estimés |
|---|---|---|---|
| NVIDIA GeForce RTX 4090 24GB | 24 GiB | Compatible | 170.3 |
| NVIDIA GeForce RTX 5090 32GB | 32 GiB | Compatible | 302.75 |
| NVIDIA GeForce RTX 4080 SUPER 16GB | 16 GiB | Compatible | 124.34 |
| NVIDIA GeForce RTX 4070 Ti SUPER 16GB | 16 GiB | Compatible | 113.53 |
| AMD Radeon RX 7900 XTX 24GB | 24 GiB | Compatible | 162.19 |
| NVIDIA A100 80GB PCIe | 80 GiB | Compatible | 326.91 |
| Apple Silicon M3 Max (128GB unified memory) | 128 GiB | Compatible | 57.64 |
| Apple Silicon M2 Ultra (192GB unified memory) | 192 GiB | Compatible | 115.28 |
| 2× NVIDIA GeForce RTX 4090 (aggregate) | 48 GiB | Compatible | 306.46 |
Formules et hypothèses
- Weight memory uses resident params × effective_bits / 8 (total params when available, otherwise active/fallback estimate).
- KV cache = 2 × layers × kv_heads × head_dim × kv_bytes × context × batch.
- Runtime overhead = 1.3 GiB base + 3% of KV-cache memory.
- Tokens/sec estimate uses active_params for decode bandwidth and should be treated as a rough directional number.
- Apple Silicon fit checks use an estimated usable unified-memory budget (about 75% by default, about 68% on 16GB systems) aligned with macOS recommendedMaxWorkingSetSize behavior.
- Recommended quantization keeps at least 10% memory headroom relative to usable memory budget.
- CPU/RAM offload (for example llama.cpp partial offload with lower GPU layer count) can reduce VRAM needs at the cost of speed.
- When config values are unavailable, fallback defaults are used and flagged as estimated on the page.
Table de compatibilité par palier mémoire (estimation LLMRAM)
Ce tableau est une estimation de planification (Q4_K_M, batch=1), pas une exigence officielle minimale.
Contexte 32K
Paliers GPU
| Profil modèle | Mémoire totale estimée | 8 GB | 12 GB | 16 GB | 24 GB | 32 GB | 48 GB |
|---|---|---|---|---|---|---|---|
| Mistral 7B Instruct v0.3 | 9.17 GiB | ✕ Non compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible |
| Qwen 3.8 27B | 24 GiB | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible |
| GLM 5.3 (Flash) | 195.84 GiB | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible |
Paliers mémoire unifiée Mac
| Profil modèle | Mémoire totale estimée | 16 GB | 36 GB | 64 GB | 128 GB |
|---|---|---|---|---|---|
| Mistral 7B Instruct v0.3 | 9.17 GiB | ✓ Compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible |
| Qwen 3.8 27B | 24 GiB | ✕ Non compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible |
| GLM 5.3 (Flash) | 195.84 GiB | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible |
Contexte 64K
Paliers GPU
| Profil modèle | Mémoire totale estimée | 8 GB | 12 GB | 16 GB | 24 GB | 32 GB | 48 GB |
|---|---|---|---|---|---|---|---|
| Mistral 7B Instruct v0.3 | 13.29 GiB | ✕ Non compatible | ✕ Non compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible |
| Qwen 3.8 27B | 32.24 GiB | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✓ Compatible |
| GLM 5.3 (Flash) | 219.01 GiB | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible |
Paliers mémoire unifiée Mac
| Profil modèle | Mémoire totale estimée | 16 GB | 36 GB | 64 GB | 128 GB |
|---|---|---|---|---|---|
| Mistral 7B Instruct v0.3 | 13.29 GiB | ✕ Non compatible | ✓ Compatible | ✓ Compatible | ✓ Compatible |
| Qwen 3.8 27B | 32.24 GiB | ✕ Non compatible | ✕ Non compatible | ✓ Compatible | ✓ Compatible |
| GLM 5.3 (Flash) | 219.01 GiB | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible | ✕ Non compatible |
FAQ
OpenClaw nécessite-t-il obligatoirement des APIs cloud ?
Non. La doc OpenClaw couvre des setups local-first et des routes de modèles locaux, y compris Ollama et serveurs locaux managés.
Pourquoi OpenClaw documente-t-il à la fois Ollama natif et les backends /v1 compatibles OpenAI ?
Le mode provider Ollama utilise l'API native d'Ollama, tandis que vLLM/LM Studio/proxys se configurent via des modes providers OpenAI-compatibles.
Peut-on déduire un minimum mémoire unique depuis les docs OpenClaw ?
Non. OpenClaw précise que la mémoire dépend du modèle, du contexte, du runtime et des conditions hôte ; les planchers de recettes ne sont pas des garanties de fit.
Notes de vérification
- La section des exigences runtime ne contient que des affirmations présentes dans les docs officielles du framework listées sur cette page.
- Les tableaux de compatibilité sont des estimations de planification LLMRAM dérivées des pages modèles actuelles et des hypothèses du calculateur.
- Quand un snippet spécifique à un runtime manque dans les liens officiels fournis (ex. Hermes llama.cpp), la lacune est indiquée explicitement.