在 DGX Spark 上使用 OpenShell 保护长期运行的 AI 智能体

基本思路

OpenClaw 是一个本地优先的 AI 智能体，可以在您的计算机上运行，​​将内存、文件访问、工具使用和社区技能结合到一个持久的助手中。直接在您的系统上运行它意味着智能体可以访问您的文件、凭据和网络，从而产生真正的安全风险。

NVIDIA OpenShell 解决了这个问题。它是一个开源沙箱运行时，使用声明性 YAML 策略将智能体包装在内核级隔离中。 OpenShell 控制智能体可以在磁盘上读取的内容、可以访问哪些网络端点以及它拥有哪些权限，而无需禁用使智能体有用的功能。

通过将 OpenClaw 与 DGX Spark 上的 OpenShell 相结合，您可以获得由大型模型的 128GB 统一内存支持的本地 AI 智能体的全部功能，同时对文件系统访问、网络出口和凭证处理实施显式控制。

通知及免责声明

快速启动安全检查

仅使用干净的环境。在没有个人数据、机密信息或敏感凭据的新设备或虚拟机上运行此剧本。把它想象成一个沙箱——保持它的隔离。

通过安装此手册，您将对所有第三方组件负责，包括检查其许可证、条款和安全状况。安装或使用之前请阅读并接受。

你会得到什么

该手册展示了实验性的 AI 智能体能力。即使您的工具链中使用了 OpenShell 等前沿开源工具，您也需要针对特定威胁模型采取适当的安全措施。

AI 智能体的主要风险

使用 AI 智能体时请注意以下风险：

1. 数据泄露——智能体访问的任何材料都可能被暴露、泄露或被盗。

2. 恶意代码执行 – 智能体或其连接的工具可能会使您的系统遭受恶意代码或网络攻击。

3. 意外操作 – 智能体可能会在未经明确批准的情况下修改或删除文件、发送消息或访问服务。

4. 及时注入和操纵——外部输入或连接的内容可能会以意想不到的方式劫持智能体的行为。

安全最佳实践

没有一个系统是完美的，但这些做法有助于确保您的信息和系统的安全。

1. 隔离您的环境 – 在干净的 PC 或隔离的虚拟机上运行。仅提供您希望智能体访问的特定数据。

2. 切勿使用真实账户 – 不要连接个人、机密或生产账户。创建具有最小权限的专用测试账户。

3. 审查您的技能/插件 – 仅启用来自经过社区审查的可信来源的技能。

4. 锁定访问 – 确保在没有正确身份验证的情况下，无法通过网络访问您的 OpenClaw UI 或消息通道。

5. 限制网络访问 – 在可行的情况下，限制智能体的互联网连接。

6. 自行清理 – 完成后，删除 OpenClaw 并撤销您授予的所有凭据、API 密钥和账户访问权限。

你将完成什么

您将安装 OpenShell CLI (openshell)，在 DGX Spark 上部署网关，并使用预构建的 OpenClaw 社区沙箱在沙箱环境中启动 OpenClaw。沙箱默认强制执行文件系统、网络和进程隔离。您还将配置本地推理路由，以便 OpenClaw 使用在 Spark 上运行的模型，而无需外部 API 密钥。

热门用例

• 安全智能体实验：测试 OpenClaw 技能和集成，而无需向智能体暴露您的主文件系统或凭据。
• 私营企业开发：将所有推理路由到 DGX Spark 上的本地模型。除非您在策略中明确允许，否则不会有数据离开计算机。
• 可审核的智能体访问：对项目 YAML 策略进行版本控制。在授予访问权限之前，请准确检查智能体可以访问的内容。
• 迭代策略调整：使用 openshell term 实时监控被拒绝的连接，然后热重新加载更新的策略，而无需重新创建沙箱。

开始之前需要了解什么

• 熟悉 Linux 终端和 SSH
• 对 Docker 的基本了解（OpenShell 在 Docker 内部运行 k3s 集群）
• 熟悉 Ollama 本地模型服务
• 对安全模型的认识：OpenShell 通过隔离降低风险，但不能消除所有风险。查看 OpenShell 文档 和 OpenClaw 安全指南。

先决条件

硬件要求：

• 具有 128GB 统一内存的 NVIDIA DGX Spark
• 大型本地模型至少需要 70GB 可用内存（例如，gpt-oss:120b，约 65GB 加上开销），或者较小模型需要 25GB+（例如 gpt-oss-20b）

软件要求：

• NVIDIA DGX 操作系统（Ubuntu 24.04 基础）
• Docker 桌面或 Docker 引擎正在运行：docker info
• Python 3.12 或更高版本：python3 --version
• uv 包管理器：uv --version（使用 curl -LsSf https://astral.sh/uv/install.sh | sh 安装）
• Ollama 0.17.0 或更高版本（建议使用最新版本以支持 gpt-oss MXFP4）：ollama --version
• 网络访问可从 PyPI 下载 Python 包并从 Ollama 下载模型权重
• 已为您的 DGX Spark 安装并配置 NVIDIA Sync

时间与风险

• 预计时间： 20–30 分钟（加上模型下载时间，这取决于模型大小和网络速度）。

• OpenShell 沙箱强制执行内核级隔离，与直接在主机上运行 OpenClaw 相比，显着降低了风险。
• 沙箱默认策略拒绝所有未明确允许的出站流量。错误配置的策略可能会阻止合法的智能体流量；使用 openshell logs 进行诊断。
• 在不稳定的网络上，大型模型下载可能会失败。
• 回滚： 使用 openshell sandbox delete <sandbox-name> 删除沙箱，使用 openshell gateway stop 停止网关，并可以选择使用 openshell gateway destroy 销毁它。 Ollama 模型可以使用 ollama rm <model> 删除。
• 最后更新： 2026 年 3 月 13 日

步骤1.确认您的环境

在安装任何内容之前，请验证操作系统、GPU、Docker 和 Python 是否可用。

head -n 2 /etc/os-release
nvidia-smi
docker info --format '{{.ServerVersion}}'
python3 --version

确保 NVIDIA Sync 配置了自定义端口：使用“OpenClaw”作为名称，使用“18789”作为端口。

预期输出应显示 Ubuntu 24.04 (DGX OS)、检测到的 GPU、Docker 服务器版本和 Python 3.12+。

步骤2.Docker配置

首先，使用以下命令验证本地用户是否具有 Docker 权限。

docker ps

如果您收到权限被拒绝错误 (permission denied while trying to connect to the docker API at unix:///var/run/docker.sock)，请将您的用户添加到系统的 Docker 组。这将使您无需 sudo 即可运行 Docker 命令。执行此操作的命令如下：

sudo usermod -aG docker $USER
newgrp docker

请注意，您应该在将用户添加到组后重新启动 Spark，以便在所有终端会话中持久生效。

现在我们已经验证了用户的 Docker 权限，我们必须配置 Docker，以便它可以使用 NVIDIA Container Runtime。

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

运行示例工作负载来验证设置：

docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi

步骤 3. 安装 OpenShell CLI

创建虚拟环境并安装 openshell CLI。

cd ~
uv venv openshell-env && source openshell-env/bin/activate
uv pip install openshell
openshell --help

如果您尚未安装 uv：

curl -LsSf https://astral.sh/uv/install.sh | sh
export PATH="$HOME/.local/bin:$PATH"

预期输出应显示 openshell 命令树，其中包含 gateway、sandbox、provider 和 inference 等子命令。

步骤 4. 在 DGX Spark 上部署 OpenShell 网关

网关是管理沙箱的控制平面。由于您直接在 Spark 上运行，因此它会在 Docker 内部进行本地部署。

openshell gateway start
openshell status

openshell status 应将网关报告为 已连接。第一次运行可能需要几分钟时间，同时 Docker 会拉取所需的映像和内部 k3s 集群引导程序。

步骤 5. 安装 Ollama 并拉取模型

安装 Ollama（如果尚未存在）并下载用于本地推理的模型。

curl -fsSL https://ollama.com/install.sh | sh
ollama --version

DGX Spark 的 128GB内存可以运行大型模型：

验证 Ollama 是否正在运行（它在安装后作为服务自动启动）。如果没有，请手动启动：

ollama serve &

配置 Ollama 以侦听所有接口，以便 OpenShell 网关容器可以访问它：

sudo mkdir -p /etc/systemd/system/ollama.service.d
printf '[Service]\nEnvironment="OLLAMA_HOST=0.0.0.0"\n' | sudo tee /etc/systemd/system/ollama.service.d/override.conf
sudo systemctl daemon-reload
sudo systemctl restart ollama

验证 Ollama 正在运行并且在所有接口上均可访问：

curl http://0.0.0.0:11434

预期：Ollama is running。如果没有，则以 sudo systemctl start ollama 开头。

接下来，运行 Ollama 中的模型（调整模型名称以匹配您在 the Ollama model library 中的选择）。如果模型尚不存在，ollama run 命令将自动拉取模型。在此运行模型可确保您在将其与 OpenClaw 一起使用时已加载并准备就绪，从而减少以后超时的可能性。 nemotron-3-super 的示例：

ollama run nemotron-3-super:120b

输入 /bye 退出。

验证模型是否可用：

ollama list

步骤 6. 创建推理提供程序

我们将创建一个指向您本地 Ollama 服务器的 OpenShell 提供程序。这允许 OpenShell 将推理请求路由到 Spark 托管的模型。

首先，找到 DGX Spark 的 IP 地址：

hostname -I | awk '{print $1}'

然后创建提供程序，将 {Machine_IP} 替换为上述命令中的 IP 地址（例如 10.110.106.169）：

openshell provider create \
    --name local-ollama \
    --type openai \
    --credential OPENAI_API_KEY=not-needed \
    --config OPENAI_BASE_URL=http://{Machine_IP}:11434/v1

[！重要的]
不要在这里使用 localhost 或 127.0.0.1。 OpenShell 网关在 Docker 容器内运行，因此无法通过 localhost 到达主机。使用机器的实际 IP 地址。

验证提供者是否已创建：

openshell provider list

步骤 7. 配置推理路由

将 inference.local 端点（每个沙箱内都可用）指向您的 Ollama 模型。将模型名称替换为您在第 5 步中选择的名称：

openshell inference set \
    --provider local-ollama \
    --model nemotron-3-super:120b

输出应确认路由并显示经过验证的端点 URL，例如：http://10.110.106.169:11434/v1/chat/completions (openai_chat_completions)。

验证配置：

openshell inference get

预期输出应显示 provider: local-ollama 和 model: nemotron-3-super:120b （或您选择的任何模型）。

步骤 8. 部署 OpenShell 沙箱

使用预先构建的 OpenClaw 社区沙箱创建沙箱。这将从 OpenShell 社区目录中提取 OpenClaw Dockerfile、默认策略和启动脚本：

openshell sandbox create \
  --keep \
  --forward 18789 \
  --name dgx-demo \
  --from openclaw \
  -- openclaw-start

--keep 标志使沙箱在初始进程退出后保持运行，以便您可以稍后重新连接。这是默认行为。要在初始进程退出时终止沙箱，请改用 --no-keep 标志。

CLI 将：

1. 针对社区目录解析 openclaw
2. 拉取并构建容器镜像
3. 应用捆绑沙盒策略
4. 在沙箱内启动 OpenClaw

步骤 9. 在 OpenShell Sandbox 中配置 OpenClaw

沙盒容器将启动，OpenClaw 入门向导将在您的终端中自动启动。

[！重要的]
入门向导是完全交互式的 - 它需要箭头键导航和 Enter 来选择选项。它无法从非交互式会话（例如脚本或自动化工具）完成。您必须从完全支持 TTY 的终端运行 openshell sandbox create。

如果向导在沙箱创建过程中未完成，请重新连接到沙箱以重新运行它：

Bash复制

openshell 沙盒连接 dgx-demo

使用箭头键和 Enter 键与安装进行交互。

• 如果您理解并同意，请使用键盘的箭头键选择“是”，然后按 Enter 键。
• 快速启动与手动：选择快速启动并按 Enter 键。
• 模型/身份验证提供商：选择自定义提供商，倒数第二个选项。
• API 基本 URL：更新为 https://inference.local/v1
• 您想如何提供此 API 密钥？：暂时粘贴 API 密钥。
• API密钥：请输入“ollama”。
• 端点兼容性：选择OpenAI-兼容并按 Enter。
• 模型 ID：输入您在步骤 5 中选择的模型名称（例如 nemotron-3-super:120b）。
  • 这可能需要 1-2 分钟，因为 Ollama 模型在后台旋转。
• 端点 ID：保留默认值。
• 别名：输入相同的模型名称（可选）。
• 频道：选择暂时跳过。
• 搜索提供商：选择暂时跳过。
• 技能：暂时选择否。
• 启用挂钩：按空格键选择立即跳过，然后按 Enter。

完成最后阶段可能需要 1-2 分钟。然后，您应该会看到一个带有令牌的 URL，您可以使用该令牌连接到网关。

预期输出将相似，但令牌将是唯一的。

OpenClaw gateway starting in background.
  Logs: /tmp/gateway.log
  UI:   http://127.0.0.1:18789/?token=9b4c9a9c9f6905131327ce55b6d044bd53e0ec423dd6189e

现在我们已经在 OpenShell 沙箱中配置了 OpenClaw，让我们将 openshell 沙箱的名称设置为环境变量。这将使未来的命令更容易运行。请注意，沙箱的名称是在步骤 8 的 openshell sandbox create 命令中使用 --name 标志设置的。

export SANDBOX_NAME=dgx-demo

为了验证为您的沙箱启用的默认策略，请运行以下命令：

openshell sandbox get $SANDBOX_NAME

要验证转发是否处于活动状态，请使用以下命令：

openshell forward list

您应该会看到您的沙箱名称（例如 dgx-demo）和端口 18789。如果缺少或 dead，则启动它：

openshell forward start --background 18789 $SANDBOX_NAME

路径 A：如果您使用 Spark 作为主设备，请右键单击 UI 部分中的 URL，然后选择“打开链接”。

路径 B：如果您使用的笔记本电脑或工作站*不在 Spark 上（例如，您仅通过 SSH 连接到 Spark）：在 该 计算机上安装 OpenShell CLI。

[！重要的]
SSH 必须在 gateway add 之前从该计算机工作到 Spark。 运行 ssh nvidia@<spark-ip>（或您的用户/主机）并确认您获得不带 Permission denied (publickey) 的 shell。如果失败，请将您的公钥添加到 Spark：ssh-copy-id nvidia@<spark-ip>（来自同一台计算机），或将您的 ~/.ssh/id_ed25519.pub （或 id_rsa.pub）粘贴到 Spark 上的 ~/.ssh/authorized_keys 中。 OpenShell 使用此 SSH 会话来访问远程 Docker API 并提取网关 TLS 证书。如果您使用非默认密钥，请将 --ssh-key ~/.ssh/your_key 传递到 gateway add （与步骤 4 的远程网关注释相同）。

注册 Spark 的 已运行 网关。 不要单独使用 openshell gateway add user@ip——它被解析为云 URL 并且不会写入 mtls/ca.crt。

根据 OpenShell gateway docs，使用 主机名 openshell 注册，而不是原始 Spark IP，用于 HTTPS。

在您的笔记本电脑/WSL 上，将 openshell 映射到 Spark（每台机器一次）：

## Replace with your Spark’s IP. Requires sudo on Linux/WSL.
echo "<spark-ip> openshell" | sudo tee -a /etc/hosts
## Example: echo "10.110.17.10 openshell" | sudo tee -a /etc/hosts

然后添加网关（SSH目标保留真实IP或主机名；HTTPS URL使用openshell）：

openshell gateway add https://openshell:8080 --remote <user>@<spark-ip>

例子：

openshell gateway add https://openshell:8080 --remote nvidia@10.110.17.10

如果您已经使用该 IP 注册并看到证书错误，请删除该条目并重新添加：

openshell gateway destroy
openshell gateway add https://openshell:8080 --remote nvidia@10.110.17.10

（如果销毁名称不同，请使用 openshell gateway select。）

完成任何浏览器或 CLI 提示，直到命令完成（不要过早按 Ctrl+C）。然后：

openshell status   # should show Connected, not TLS CA errors
openshell forward start --background 18789 dgx-demo

然后在 笔记本电脑 浏览器上打开（使用 #token= 以便 UI 接收网关令牌）：

http://127.0.0.1:18789/#token=<your-token>

使用 Spark 上 OpenClaw 向导输出的令牌值。路径 B 需要从笔记本电脑到 Spark 的 SSH，以便 CLI 可以到达 :8080 上的网关。

NVIDIA Sync： 右键单击​​ UI 中的 URL，然后选择复制链接。同步连接到 Spark，打开 OpenClaw 条目，然后将 URL 粘贴到浏览器地址栏中。

从此页面中，您现在可以在 OpenShell 提供的运行时的受保护范围内与您的 OpenClaw 智能体聊天。

步骤 10. 在沙箱内进行推理

连接到沙箱（终端）

现在 OpenClaw 已在 OpenShell 受保护的运行时中配置，您可以通过以下方式直接连接到沙箱环境：

openshell sandbox connect $SANDBOX_NAME

加载到沙箱终端后，您可以使用以下命令测试与 Ollama 模型的连接：

curl https://inference.local/v1/responses \
          -H "Content-Type: application/json" \
          -d '{
        "instructions": "You are a helpful assistant.",
        "input": "Hello!"
      }'

步骤 11. 验证沙箱隔离

打开第二个终端并检查沙箱状态和实时日志：

source ~/openshell-env/bin/activate
openshell term

终端仪表板显示：

• 沙盒状态 — 名称、阶段、图像、提供商和端口转发
• 实时日志流 — 出站连接、策略决策（allow、deny、inspect_for_inference）和推理拦截

验证 OpenClaw 智能体是否可以访问 inference.local 进行模型请求，并且未经授权的出站流量被拒绝。

步骤 12. 重新连接到沙箱

如果您退出沙盒会话，请随时重新连接：

openshell sandbox connect $SANDBOX_NAME

要将文件传入或传出沙箱，请使用以下命令：

openshell sandbox upload $SANDBOX_NAME ./local-file /sandbox/destination
openshell sandbox download $SANDBOX_NAME /sandbox/file ./local-destination

步骤 13. 清理

停止并删除沙箱：

openshell sandbox delete $SANDBOX_NAME

删除您在步骤 6 中创建的推理提供程序：

openshell provider delete local-ollama

停止网关（保留状态供以后使用）：

openshell gateway stop

openshell gateway destroy

要同时删除 Ollama 模型：

ollama rm nemotron-3-super:120b

步骤 14. 后续步骤

• 添加更多提供商：使用 openshell provider create 附加 GitHub 令牌、GitLab 令牌或云 API 密钥作为提供商。创建沙箱时，使用 --provider <name>（例如 --provider my-github）传递提供程序名称，以将这些凭据安全地注入沙箱中。
• 尝试其他社区沙箱：为其他预构建环境运行 openshell sandbox create --from base 或 --from sdg。
• 连接 VS Code：使用 openshell sandbox ssh-config <sandbox-name> 并将输出附加到 ~/.ssh/config 以将 VS Code Remote-SSH 直接连接到沙箱。
• 监控和审计：使用 openshell logs <sandbox-name> --tail 或 openshell term 持续监控智能体活动和策略决策。

sudo sh -c 'sync; echo 3 > /proc/sys/vm/drop_caches'

有关最新的已知问题，请查看 DGX Spark 用户指南。