OpenClaw问题诊断手册：千问3.5-9B调用失败排查

1. 问题诊断的基本框架

上周我在本地部署OpenClaw对接千问3.5-9B模型时，遇到了一个典型问题：模型能正常响应简单指令，但执行复杂任务时频繁报错。经过三天排查，我发现这类问题往往需要从三个维度交叉验证：

1. 网关日志：记录OpenClaw与模型的原始通信数据
2. 模型响应：检查大模型返回的原始JSON结构
3. 浏览器操作录像：观察AI实际执行时的界面反馈

这种三维诊断法帮我快速定位了90%的问题根源。下面分享具体实施方法。

2. 关键日志收集方法

2.1 网关日志获取

启动网关时添加--verbose参数获取详细日志：

openclaw gateway --port 18789 --verbose 2>&1 | tee gateway.log

重点关注三类日志标记：

• [MODEL_CALL]：模型调用请求与响应
• [SKILL_ERROR]：技能执行异常
• [ENV_CHECK]：环境依赖检查

2.2 模型原始响应捕获

在~/.openclaw/openclaw.json中启用响应转储：

{
  "debug": {
    "dumpModelResponse": true,
    "dumpPath": "/tmp/openclaw_dumps"
  }
}

转储文件命名规则为<timestamp>_<task_id>.json，包含完整的请求/响应数据。

2.3 浏览器操作录像

推荐使用asciinema录制终端操作：

# 安装
brew install asciinema

# 开始录制
asciinema rec task_failure.cast

对于GUI操作，可使用系统自带的QuickTime Player录制屏幕选区。

3. 高频错误代码速查表

根据我的实战经验，千问3.5-9B常见错误可分为以下几类：

错误代码	可能原因	解决方案
ECONNREFUSED	模型服务未启动/端口错误	检查baseUrl配置，运行curl http://模型地址/v1/chat/completions验证
ETIMEDOUT	模型响应超时	调整timeout参数（建议从30s开始）
EPARSE	返回JSON格式异常	检查模型是否启用openai-compatible模式
EAUTH	API Key错误	确认.env文件或配置中的apiKey字段
ECONTEXT	上下文超长	减少maxTokens或启用stream模式

4. 典型问题排查实战

4.1 案例：模型响应截断

现象：任务执行到一半突然终止，日志显示ECONTEXT错误。

诊断步骤：

1. 检查网关日志发现context_length=8192但实际token数达到9000+
2. 查看模型响应转储文件，确认finish_reason为length

解决方案： 修改配置文件中的模型参数：

{
  "models": {
    "providers": {
      "qwen-local": {
        "models": [
          {
            "id": "qwen3-9b",
            "maxTokens": 4096  // 降为原值50%
          }
        ]
      }
    }
  }
}

4.2 案例：鼠标点击偏移

现象：AI总是点错按钮，但模型返回的坐标看似正确。

排查过程：

1. 通过asciinema录像发现屏幕缩放率为150%
2. 检查系统设置确认未启用HiDPI缩放

根本原因： OpenClaw的坐标计算未考虑显示器缩放比例。

临时方案： 在技能代码中加入缩放补偿：

// 在skill的preprocessor中修正坐标
function adjustCoordinates(x, y) {
  return [x * 1.5, y * 1.5];
}

5. 进阶调试技巧

5.1 模型沙盒测试

绕过OpenClaw直接测试模型：

curl http://localhost:8080/v1/chat/completions \
  -H "Authorization: Bearer your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-9b",
    "messages": [{"role": "user", "content": "测试指令"}]
  }'

5.2 环境依赖检查

运行诊断命令：

openclaw doctor --full

重点关注：

• Python版本（需3.8+）
• Node.js版本（需18+）
• 关键依赖（playwright、puppeteer等）

5.3 最小化复现

创建一个极简技能测试：

// test_skill.js
module.exports = {
  name: "测试技能",
  actions: {
    test: {
      handler: async ({ a, b }) => a + b
    }
  }
}

通过最小化案例逐步添加复杂度，定位问题边界。

6. 长效预防机制

建议在项目中加入以下预防措施：

1. 自动化测试：用jest编写技能单元测试
2. 监控看板：Grafana展示Token消耗、任务成功率等指标
3. 配置校验：在prestart钩子中检查关键配置项

我的经验是，良好的前期预防能减少80%的线上问题。虽然OpenClaw定位是个人工具，但适当引入工程化实践能显著提升使用体验。

---

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。