1. 论文基本信息

  • 标题：On the Possibilities of AI-Generated Text Detection

  • 作者：Souradip Chakraborty, Amrit Singh Bedi, Sicheng Zhu, Bang An, Dinesh Manocha, Furong Huang

  • 年份：2023

  • 领域关键词：AI-generated text detection，large language models，total variation distance，Chernoff information，sample complexity，watermark，paraphrasing attack

  • 论文链接：https://arxiv.org/abs/2304.04736

2. 前言：为什么读这篇论文？

  • 　　论文在回答一个让人很焦虑的问题：在大模型生成文本已经“像人一样”的今天，我们还能不能可靠地区分“人写的”和“模型写的”？作者给出的答案是：在绝大多数现实场景里，只要你肯收集足够多的样本，检测不是不可能，而是“迟早可以”。

  • 　　它纠正了最近一波“检测不可能论”的悲观结论。 之前有工作证明，当人类文本分布和模型文本分布非常接近时，基于单条文本的检测器理论上很难做得比随机好太多，于是许多讨论直接滑向“LLM 文本检测从根上不可能”。这篇论文从信息论角度重新梳理：问题不在“能不能检测”，而在“要多少样本才能检测”。

  • 　　它给出了清晰的“样本复杂度”刻画。 作者写出了一个非常关键的式子：为了达到目标 AUROC，需要的样本数大致和$1/\delta^2$ 成正比，其中 $\delta$ 是人类分布和模型分布的总变差距离。也就是说：模型越像人，检测不是绝对不可能，而是要付出指数级的样本量。

  • 　　它的实验部分很接地气。 论文不只停留在理论，而是用 XSum、SQuAD、IMDb、FakeNews 等真实数据集，配合 GPT-2、GPT-3.5-Turbo、LLaMA / LLaMA-2 以及 RoBERTa Detector、GPTZero 等检测器，系统验证了一个直觉：不管你用什么检测器，几乎都有一个共性——“文本越长，多样本越多，效果越好”。

3. 基础概念铺垫：最小知识集

　　先把几个核心概念讲顺，不然后面一串定理和 TV、AUROC 很容易看晕。

　　第一，对象是“分布”，不是一条条文本。 论文把所有可能的文本记作集合 $S$，人类写作可以看成从分布 $h(s)$里采样，模型生成则来自另一个分布$m(s)$。一条具体的文本，只是从某个分布里抽出来的一个样本。

　　第二，“检测器”本质上就是一个二分类器。 给你一段文本 $s$，检测器 $D(s)$ 输出一个分数，再和阈值 $\gamma$ 比较：大于等于阈值就说“是机器写的”，否则就说“是人写的”。围绕这个过程，我们关心两件事：
　　——真正率 TPR：机器文本被正确判成机器的概率；
　　——误报率 FPR：人类文本被错判成机器的概率。

　　不同阈值对应一条 ROC 曲线，ROC 曲线下面积 AUROC 越大，说明检测器整体越好。 随机猜 AUROC 是 0.5，完美检测是 1。

　　第三，总变差距离 TV 是“两个分布差多远”的标尺。 如果把两堆概率分布画成曲线，TV 大致可以理解成“这两条曲线之间的最大可分离度”，数值在 0 到 1 之间，越大代表越容易区分。论文里一个非常重要的量是 $\mathrm{TV}(m,h)$——模型分布和人类分布之间的差异。

　　第四，“样本复杂度”讲的是：想要某个检测效果，需要多少样本。 单看一条句子可能看不出什么，但如果你手上有若干条来自同一个账号的发言，情况就完全不同。论文正是利用这一点：把检测问题从“单条文本”提升到“多条文本”的假设检验问题。

　　第五，Chernoff 信息可以粗暴理解为“两个分布有多可区分”的指数级刻画。 它出现在这样一个关系里：随着样本数 $n$ 增加，多样本分布间的总变差会以指数形式逼近 1，指数的斜率就由 Chernoff 信息控制。你可以把它想象成：它决定了“多快能从几乎不可分，变成几乎完美可分”。

4. 历史背景与前置技术：从统计特征到“检测不可能”

　　这几年围绕“大模型文本检测”，技术路线大致经历了这么几步演化。

　　一开始是传统统计方法：看困惑度、n-gram 频率、相对熵这类手工指标。比如 GLTR 这样的工具，就是通过可视化这些概率异常，帮助人类判断是否是模型生成。这一类方法在早期的 GPT-2 时代还能撑一撑，但面对更强的 GPT-3 甚至 GPT-4，就开始频频翻车。

　　后来出现了 DetectGPT 这样的“几何”思路：它利用一个现象——模型自己生成的文本，往往落在自己 log-likelihood 曲面上的“负曲率区域”。于是通过对原文本做小扰动，再比较 log-prob 的差异，来判断这段文本是不是模型自己写的。这种方法在零样本场景下表现相当不错，一度被视为“新希望”。

　　与此同时，分类器式的检测器也在快速发展。 典型做法是用 RoBERTa 等模型，在大量标注好的“人类 vs 模型”文本上做微调，训练出一个二分类器。OpenAI 早期的 classifier 就是这样的范式，各种学术界的 fake news、misinformation 检测模型也多半属于这一类。

　　另外一条线是 水印（watermark）方案：不是事后检测，而是在生成时就“打标记”。比如 Kirchenbauer 等人的工作，会在每一步生成时把 token 分成“绿名单”和“红名单”，让模型偏向于选绿名单中的词，形成一个只有持有密钥的人才能验证的隐藏模式。理论上，只要水印在，检测就很容易。

　　问题是，攻击同样在进化。 Sadasivan 等人的工作表明：哪怕是很轻量的 paraphraser（复述模型），也能显著削弱绝大多数检测器，包括水印、神经检测器、DetectGPT 等。更糟的是，他们还给出了一个看上去很绝望的理论结论：在单样本场景下，如果 $\mathrm{TV}(m,h)$ 很小，那么任何检测器的 AUROC 上界都很有限，接近 0.5。

　　这直接催生了“检测不可能论”——如果未来 LLM 的分布越来越像人，那检测是不是就彻底无解了？

　　Chakraborty 这篇论文，就站在这个背景上，试图回答一个更精确的问题：
　　“在现实场景中，我们往往可以收集多个样本。如果允许多样本检测，这个‘不可能’结论还成立吗？”

5. 论文核心贡献：把“不可能”改写成“要看你有多少样本”

　　我读下来，这篇论文真正做的，是把原先那种“悲观的、静态的看法”，改写成一个更动态的叙事：不是问“能不能检测”，而是问“在给定的样本预算下，能检测到什么程度”。

　　首先，在理论上，作者从 Le Cam 引理出发，重新搭建了 AI 文本检测的假设检验框架。关键不同是，他们不再只看单条文本，而是假设我们可以拿到来自同一分布的 $n$ 条文本，于是人类对应的是 $h^{\otimes n}$，模型对应的是 $m^{\otimes n}$。在这个框架下，总变差距离不再是固定的 $\mathrm{TV}(m,h)$，而是随 $n$ 增长而迅速逼近 1 的 $\mathrm{TV}(m^{\otimes n},h^{\otimes n})$。

　　其次，他们给出了一个非常直白的 样本复杂度定理：当$\mathrm{TV}(m,h)=\delta>0$时，如果你希望最优检测器的 AUROC 达到$\epsilon$，那么需要的样本数大概满足
　　$ n = \Omega!\left(\frac{1}{\delta^2}\log \frac{1}{1-\epsilon}\right). $
　　这句话翻译成人话就是：只要模型和人类之间有哪怕一点点分布差异，只要你肯收集足够多样本，理论上总能把 AUROC 拉到你想要的水平。

　　然后，作者把这个结果从理想的独立同分布（IID）场景扩展到了更现实的、存在相关性的场景，比如同一段话里的句子互相影响。他们引入了一个简单的依赖结构参数 $\rho$，给出了一条更复杂的样本复杂度公式，说明相关性会有效减少“有效样本数”，但只要 $\delta>0$，检测依然理论可行。

　　最后，他们用一系列实验证明：无论你是用传统机器学习分类器、RoBERTa Detector，还是第三方的 ZeroGPT，只要把“文本长度”“样本数”这两个旋钮往上拧，检测性能就会有明显提升——哪怕在 paraphrasing 攻击存在的情况下也是如此。

6. 方法详解：从单样本 ROC 到多样本信息论

6.1 问题建模：人类分布 vs 模型分布

　　作者先搭了一个非常干净的数学框架：

  • 　　所有可能的文本组成集合 $S$。

  • 　　人类写作对应一个分布 $h(s)$；模型生成对应另一个分布$m(s)$。

  • 　　检测器 $D(s)$ 给出一个实数分数，和阈值 $\gamma$比较之后做二分类。

　　在这个框架下，真正率和误报率可以写成积分形式：
　　$ \mathrm{TPR}\gamma = \int \mathbf{1}{D(s)\ge\gamma} m(s),\mathrm{d}s, $
　　$ \mathrm{FPR}\gamma = \int \mathbf{1}{D(s)\ge\gamma} h(s),\mathrm{d}s. $

　　这两条曲线随着阈值变化，形成 ROC 曲线；再对 ROC 下面积积分，就得到 AUROC。

6.2 单样本情形：为什么之前会觉得“检测不可能”

　　Le Cam 引理告诉我们：对于任意检测器 $D$ 和任意阈值 $\gamma$，一类错误概率加上二类错误概率的和，至少是 $1-\mathrm{TV}(m,h)$。 换成 ROC 里的语言，就是
　　$ \mathrm{TPR}\gamma \le \min{\mathrm{FPR}\gamma + \mathrm{TV}(m,h), 1}. $

　　这条直线型上界，就是所谓的 ROC 上界。如果你把它积分，就会得到 AUROC 的一个上界：
　　$ \text{AUROC} \le \frac12 + \mathrm{TV}(m,h) - \frac{\mathrm{TV}(m,h)^2}{2}. $

　　当$\mathrm{TV}(m,h)$ 很小的时候，这个上界会非常接近 0.5。也就是说，在只能看一条文本的前提下，确实存在某些“特别难”的模型，人类文本和模型文本几乎不可分。 之前的“检测不可能论”基本就是抓住这一点展开的。

　　但作者指出，这个结论背后有一个非常强的隐含前提：你永远只能看到一条样本。 这在很多现实场景里其实是不成立的，比如社交账号监测、论文段落检查、作业批改等，你往往可以拿到多条文本。

6.3 多样本情形：从单条文本到文本序列

　　于是作者做了一个看似简单但非常关键的提升：考虑多样本检测。

　　假设我们有来自同一来源的 $n$条文本 $S={s_i}_{i=1}^n$，并假定它们是 IID 的。那么：

  • 　　如果这个来源是机器，$S$就是从$m^{\otimes n}$ 采样；

  • 　　如果是人类，$S$ 就是从 $h^{\otimes n}$ 采样。

　　这时，Le Cam 引理给出的就是多样本版本的 ROC 上界：
　　$ \mathrm{TPR}\gamma^{(n)} \le \min{\mathrm{FPR}\gamma^{(n)} + \mathrm{TV}(m^{\otimes n},h^{\otimes n}), 1}. $

　　关键在于右边的 $\mathrm{TV}(m^{\otimes n},h^{\otimes n})$。作者利用大偏差理论给出了一条非常漂亮的关系：
　　
　　其中 $I_c(m,h)$ 是 Chernoff 信息。

　　这条式子告诉我们：只要 $I_c(m,h)>0$，也就是$m$和 $h$不是完全一样的分布，那么随着样本数 $n$ 成长，总变差会以指数形式逼近 1。 直观上看，就是图 1 那种效果：一开始 AUROC 可能只有 0.6，看起来非常一般，但随着 $n$ 增加，理论上可达到的 ROC 上界会快速拉升到接近 1。

【 ROC 曲线和 AUROC 上界随样本数 n 变化示意图】

6.4 最优检测器与样本复杂度定理

　　在这个多样本设定下，最优检测器是什么？作者给出了一个 似乎有点“上古”的答案：似然比检验。

　　最优检测器的形式是：
　　

　　也就是说，如果这组文本在模型分布下出现的概率比在人类分布下更大，那么就判为“模型生成”；反之则判为“人类写作”。这与经典的 Neyman–Pearson 引理完全一致，只是对象从单样本换成了多样本。

　　基于这个最优检测器，作者推导出前面提到的 样本复杂度定理：当 $\mathrm{TV}(m,h)=\delta$ 且想要 AUROC 至少为 $\epsilon$ 时，需要的样本数满足
　　$ n = \Omega!\left(\frac{1}{\delta^2}\log \frac{1}{1-\epsilon}\right). $

　　我们可以稍微算一下直觉：
　　——如果 $\delta=0.1$，想要 AUROC 达到 0.9，那么粗略上 $\frac{1}{\delta^2}=100$，$\log\frac{1}{1-\epsilon} \approx \log 10$，样本数是几百量级；
　　——如果 $\delta=0.01$，则 $\frac{1}{\delta^2}=10000$，样本数瞬间飙升至少四个数量级。

　　所以作者的结论其实非常务实：高质量 LLM 越像人，我们当然需要更多样本才能检测，但只要分布没完全重合，理论上检测始终有希望。

6.5 非 IID 情形：句子之间不是“互不相干”的

　　现实世界里的文本，往往不是独立同分布的。比如一段影评里，后一句话强烈依赖前一句的情绪；一篇新闻里的多句话围绕同一个话题展开。作者为此引入了一个简化的依赖结构：

  • 　　把序列划分成 $L$ 个“主题块”，第 $j$ 块里有 $c_j$  条句子；

  • 　　块内句子之间通过一个参数 $\rho_j$  描述平均依赖程度，大概意思是“这一块里的句子越像彼此，$\rho_j$  越大”。

　　在这样的设定下，作者借用了一个关于自相关数据的集中不等式，给出了非 IID 场景下的样本复杂度下界：相较于 IID 的公式，多了若干依赖度相关的补偿项，形式上大致会出现
　　$ \sum_j (c_j-1)\rho_j $
　　这样的修正。

　　直觉是：如果一大段文本里句子高度相似，那么虽然你表面上拿到了很多句子，但“有效信息量”并没有那么多，检测所需的总长度会比 IID 情形更大。

6.6 附加讨论：对水印和检测器设计的启示

　　论文附录里还有几条我挺喜欢的备注：

  • 　　如果我们通过更好的水印方案，主动拉大 $\delta$ ，就能显著减少所需样本数。

  • 　　现有许多基于 perplexity 的检测器，在非母语写作者上有严重偏差，这部分工作并没有直接解决这个问题，但它提示我们，可以通过多样本、段落级检测，绕过单句 perplexity 的一些局限。

  • 　　从任务角度看，LLM 生成的文本在很多场景下是为了“辅助”而非“伪装”，这时模型和人类的目标分布本身就不同，反而更容易检测——比如消除偏见、风格改写等场景。

【展示 LLM 与人类分布“易检测”和“难检测”两种情形的示意】

7. 实验结果与性能分析

7.1 实验设置概览

　　作者选了四类数据集，既有典型的摘要、问答场景，也有情感分析和假新闻检测：

  • 　　XSum：新闻摘要。

  • 　　SQuAD：维基百科段落。

  • 　　IMDb：电影评论情感分类。

  • 　　FakeNews（Kaggle）：真假新闻分类。

　　生成模型方面，既用了 GPT-2，也用了 GPT-3.5-Turbo、LLaMA、LLaMA-2-13B-Chat、LLaMA-2-70B-Chat 等更强的模型；检测器则包括：

  • 　　简单的 Logistic Regression、Random Forest、两层 MLP；

  • 　　OpenAI 的 RoBERTa-Large / RoBERTa-Base detector；

  • 　　第三方的 ZeroGPT。

7.2 监督检测：n-gram 视角下的“TV → AUROC”对应

　　在 XSum 与 SQuAD 这两个数据集上，作者做了一件很有意思的事情：先在 n-gram 层面估计 TV，再根据理论公式求出“最优检测器”能达到的 AUROC 上界。

　　结果非常直观：当 $n=1$（词级别）时，两种分布的 TV 很小，对应的 AUROC 上界只有大约 0.58，看起来几乎没法用。但当把 n-gram 提升到 6，也就是接近句子层面时，TV 明显放大，对应 AUROC 上界能到 0.97 左右。

　　这非常像论文理论部分那句结论的实验版：在更长的片段上看模型，分布差异会被“积累强化”，可检测性自然增强。

7.3 真·检测器：序列长度越长，普通模型也能做得很好

　　为了避免“理论上界很高，但真实检测器不行”的尴尬，作者又训练了三类传统分类器（LR、RF、MLP），用 TF-IDF 特征，对比不同“序列长度百分比”下的 AUROC。

　　结果同样一目了然：

  • 　　当只用 20% 左右的序列（即文本较短）时，AUROC 勉强比随机好一点；

  • 　　当使用 60% 甚至 80% 的序列时，AUROC 可以升到 0.9 左右。

　　也就是说，哪怕是最朴素的 bag-of-words 模型，也能在“长文本”“多样本”条件下表现得相当不错。

　　作者还做了一个实验，我觉得非常贴近现实：把训练样本变成“两个独立句子的拼接”，再让检测器基于成对样本做二分类。 只多出了一个样本，AUROC 就从大约 0.73 拉升到了 0.97，这和理论里的“TV 在多样本下指数逼近 1”是高度一致的。

7.4 零样本检测：RoBERTa Detector / ZeroGPT 的真实表现

　　接着，作者在 XSum 和 SQuAD 上，用 RoBERTa-Large / RoBERTa-Base Detector 和 ZeroGPT 做零样本检测，生成端则分别用 GPT-3.5-Turbo、LLaMA-2-13B、LLaMA-2-70B 等模型。

　　现象几乎一致：

  • 　　在短序列（比如 20–30 token）上，AUROC 徘徊在 0.5–0.6，和“检测不可能论”的悲观观察一致；

  • 　　随着序列长度增加到几百 token，AUROC 可以拉到 0.9 左右，有的组合甚至接近 0.97。

　　更有意思的是，不论是 RoBERTa-Large 还是 ZeroGPT，这种随长度提升的“单调向上趋势”非常稳定。 这说明：检测器的具体结构可以不同，但“多样本增强可检测性”这件事，是一个相当普适的现象。

7.5 Paraphrasing 攻击：性能掉了，但趋势没变

　　论文也没有回避“复述攻击”这个现实威胁。作者用开源的 HuggingFace Parrot paraphraser，把模型生成的文本先 paraphrase 一遍，再丢给检测器。

　　结果是：AUROC 整体大致下降了 15 个百分点左右。 这和 Sadasivan、Krishna 等人的发现是一致的——paraphrasing 确实很有效。

　　但有两个值得注意的细节：

  • 　　即便在 paraphrasing 后的文本上，随着序列长度增加，AUROC 仍然呈稳步上升趋势；

  • 　　在“成对 IID 样本”的设定下，paraphrasing 带来的性能下滑更小。

　　这意味着：攻击可以削弱检测能力，但如果我们愿意牺牲一些样本复杂度——比如多收一点文本、用更长的窗口——检测仍然有机会“扳回来”。

7.6 更一般的 NLP 场景：IMDb / FakeNews

　　为了说明“多样本可检测性”并不限于“人 vs 模型”这种设定，作者还在 IMDb 和 FakeNews 这类情感 / 假新闻数据集上做了对比实验：

  • 　　先在 词级别 估计正负类之间的 TV，得到的理论 AUROC 上界大约只有 0.56–0.59；

  • 　　再在 段落级别 用 Logistic Regression / Random Forest / MLP 做分类，训练 AUROC 能达 0.9 左右，测试 AUROC 也稳定在 0.8 以上。

　　甚至在刻意削弱样本（删掉部分句子）后，段落级检测的测试 AUROC 依然可以保持在 0.7 以上，明显高于词级理论上界。

　　这组实验从另一个角度印证了论文的核心观点：很多看起来“分布重叠严重、几乎不可分”的任务，一旦你从单词跳到句子、从单样本跳到多样本，检测难度就会发生质变。

8. 亮点与创新点总结

　　对我来说，这篇论文最有价值的地方不在于某个具体定理，而在于它给了我们几个 重新思考“AI 文本检测” 的角度。

　　第一，把检测从“点”提升到“序列”。 之前的大多数讨论，都在纠结一条文本能不能被检测。这篇论文明确说：现实世界里，我们很少只看一条文本。真正合理的问题是：在账号、作者、对话会话这个粒度上，检测是否可行。 在这个层级上，多样本理论几乎总是站在我们这边。

　　第二，用样本复杂度而不是“能 / 不能”来描述检测问题。 公式 $n = \Omega!\big(\frac{1}{\delta^2}\log \frac{1}{1-\epsilon}\big)$ 给了我们一个很实用的思考框架：
　　——如果你愿意多收样本、允许 AUROC 不追求 0.99，只要 $\delta$ 不为 0，就可以找到可行的点；
　　——如果 $\delta$ 极小，且你只能拿到极少的样本，那才是“几乎不可能”的场景。

　　第三，它给水印和检测器设计都提了个醒。 对水印来说，目标变成了“在不显著破坏文本质量的前提下，尽量放大 $\delta$ ”，这样才能大幅降低检测的样本复杂度；对检测器来说，则是“不要执着于单句困惑度，可以更大胆地利用段落级、多样本级信息”。

　　第四，它给“偏差和公平性”留下了一个出口。 论文引用了 Liang 等人的工作，指出基于 perplexity 的检测器会误伤非母语写作者。多样本检测、特别是基于语义段落的检测，可能是一个更公平的方向——至少不会仅仅因为语言表面“生硬”就判你为 AI 写的。

9. 局限性与不足：理论上的“可能”，离工程落地还有多远？

　　虽然论文整体给人一种“豁然开朗”的感觉，但冷静下来，还是能看到不少现实中的鸿沟。

　　第一，最优检测器需要知道真实的 $m$ 和 $h$ 。 理论里那个漂亮的似然比检测器，前提是我们能精确写出 $m^{\otimes n}$  和 $h^{\otimes n}$ 的密度。但在真实世界里，人类写作分布几乎不可能被完整建模，模型分布也会随着版本更新而变动。现实中的检测器，只能是各种近似，其 AUROC 很难贴近理论上界。

　　第二，所需样本数可能大到不现实。 当 $\delta$  非常小时，$1/\delta^2$ 会膨胀到惊人的规模。对于一些“极度拟人化”的模型，在合理时间内根本拿不到这么多样本（比如学生的一次作业、一篇论文）。理论上“可检测”，不等于产品形态上“可行”。

　　第三，非 IID 模型的刻画还是比较粗糙。 论文里的相关性模型用一个 $\rho$  和块大小 $c_j$ 去概括语言结构，这对推理论文足够，但和真实语言现象相比还是太简化。比如话题突变、多说话人切换、多语言混杂等复杂结构，在这个框架里都没有被很好地建模。

　　第四，攻击面远不止 paraphrasing。 文中主要考虑的是 paraphraser 带来的平滑扰动，但现实中还有手工编辑、混合人类文本、跨语言翻译再回译等更强的对抗形式。多样本检测在这些攻击下何时会失效，还需要更多系统性研究。

　　第五，公平性问题仍然悬而未决。 尽管作者在附录里讨论了检测器对非母语写作者的偏差，但整篇论文的实验主要集中在英文数据上，检测方案也没有显式针对公平性做校正。如何在“可检测”和“不过度误伤正常用户”之间取得平衡，依然是一个相当棘手的问题。

10. 全文总结：如果只记住几件事

　　如果把这篇论文压缩成几句话，我会这样描述：

　　第一，这篇工作把 AI 文本检测从“单条文本几乎不可能”的悲观叙事，转成了“在多样本条件下，只要人类和模型分布不完全一样，就总有检测希望”的乐观叙事。

　　第二，它用信息论工具给出了具体的样本复杂度公式，让“要多少样本才能检测到某个水平”这件事，有了定量刻度。

　　第三，大量实验表明：无论是简单的袋词模型，还是 RoBERTa Detector、ZeroGPT，只要你愿意看更长的文本、收集更多样本，检测性能几乎都会稳步提升——哪怕在 paraphrasing 攻击存在的情况下。

　　第四，从工程视角看，“检测是否可行”不再是一个二元问题，而是一个关于样本预算、目标 AUROC、攻击强度的折中问题。 对我来说，这恰恰是这篇论文最重要的观念转变：与其问“能不能检测”，不如问“在我的约束下，能检测到什么程度”。

# 计算机视觉 # 人工智能 # 机器学习
Logo
火山引擎 ADG 社区

火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。

更多推荐

OpenClaw 本地部署完整指南（Windows + Ollama）

本文档基于实际部署经验编写，旨在帮助你在 Windows 系统上从零开始搭建 OpenClaw，并连接本地 Ollama 模型（如 Qwen2.5 或 Qwen3），使其具备完整的智能体能力。文档包含了所有关键步骤以及常见问题的解决方案。

avatar 火山引擎 ADG 社区

OpenClaw 小白安装指南（Windows版）

（类似一个能自动执行任务的AI机器人），不是游戏。API Key只保存在你本地电脑的加密文件里，不会上传到任何地方。访问：https://github.com/miaoxworld/openclaw-manager/releases。: 一键安装脚本会自动安装Node.js 22+，如果失败，手动下载安装：https://nodejs.org/：在PowerShell中，鼠标右键就是粘贴，不需要按

avatar 火山引擎 ADG 社区

飞书 × OpenClaw 接入指南：不用服务器，用长连接把机器人跑起来

这个项目存在的意义，就是把“飞书接 OpenClaw”这件事，整理成一套的配置入口，并把官方文档没覆盖到的坑集中写成排查清单。先说清楚它的角色：OpenClaw 现在已经内置官方飞书插件 @openclaw/feishu，功能更完整、维护也更及时。，说明飞书 + AI 的接入已经走通。另外，仓库也推荐了一个新项目：把 OpenClaw 变成“多 Agent 团队”，用多个 Agent 分工，Sla

avatar 火山引擎 ADG 社区