No.7

Docker Sandboxes 是 Docker 生态系统中的一个新基础组件，它允许你在隔离的微型虚拟机（micro VMs）中运行 AI Agent 或任何其他工作负载。它提供了强大的隔离性、便捷的开发者体验以及强大的安全边界，其网络代理可配置为拒绝 Agent 连接到任意互联网主机。网络代理还能方便地将诸如 ANTHROPIC_API_KEY 或 OPENAI_API_KEY 之类的 API 密钥注入其中，因此 Agent 根本无法访问这些密钥，也不可能将其泄露。

在上一篇文章中，我展示了 Docker Sandboxes 如何让你将 AI Agent 可能需要的任何工具（例如用于 Java 项目的 JDK 或某些自定义 CLI）安装到与主机隔离的容器中。今天我们将更进一步：我们将通过 Docker Model Runner 在本地模型上运行 OpenClaw——一个开源的 AI 编程 Agent。

没有 API 密钥泄露风险，没有云端成本，完全私密。而且你只需大约两条命令就能搞定。

快速开始

确保你安装了 Docker Desktop，并且启用了 Docker Model Runner（设置 → Docker Model Runner → 启用），然后拉取一个模型：

docker model pull ai/gpt-oss:20B-UD-Q4_K_XL

现在创建并运行沙盒：

docker sandbox create --name openclaw -t olegselajev241/openclaw-dmr:latest shell .

docker sandbox network proxy openclaw --allow-host localhost

docker sandbox run openclaw

在沙盒内部运行：

~/start-openclaw.sh

就这么简单。你现在进入了 OpenClaw 的终端用户界面（TUI），正在与你机器上本地的 gpt-oss 模型对话。模型在你的宿主机上的 Docker Model Runner 中运行，而 OpenClaw 则在沙盒中完全隔离运行：它只能读取和写入你提供给它的工作区文件，并且有一个网络代理来拒绝连接到不需要的主机。

云端模型也能用

沙盒代理会自动从你的宿主机环境中注入 API 密钥。如果你设置了 ANTHROPIC_API_KEY 或 OPENAI_API_KEY，OpenClaw 就可以运行云端模型，只需在 OpenClaw 设置中指定它们即可。代理负责凭证注入，因此你的密钥永远不会在沙盒内部暴露。

这意味着你可以使用免费的本地模型进行实验，然后在同一个沙盒中切换到云端模型进行正式工作。对于云端模型，你甚至不需要允许代理访问宿主机的 localhost，所以无需运行 docker sandbox network proxy openclaw --allow-host localhost。

选择你的模型

启动脚本会自动发现你的 Docker Model Runner 中可用的模型。列出它们：

~/start-openclaw.sh list

使用特定模型：

~/start-openclaw.sh ai/qwen2.5:7B-Q4_K_M

任何你使用 docker model pull 拉取过的模型都可以使用。

工作原理（稍微涉及点技术）

预构建的镜像 (olegselajev241/openclaw-dmr:latest) 基于 shell 沙盒模板，并增加了三个东西：Node.js 22、OpenClaw 和一个微型的网络桥接器。

需要这个桥接器是因为 Docker Model Runner 运行在你的宿主机上，并绑定到 localhost:12434。但是沙盒内部的 localhost 指的是沙盒本身，而不是你的宿主机。沙盒确实有一个 HTTP 代理，位于 host.docker.internal:3128，它可以访问宿主机服务，并且我们允许它通过 docker sandbox network proxy --allow-host localhost 访问 localhost。

问题在于 OpenClaw 是 Node.js 写的，而 Node.js 不遵循 HTTP_PROXY 环境变量。所以我们写了一个大约 20 行的桥接脚本，OpenClaw 连接到 127.0.0.1:54321，该脚本会明确地将请求通过代理转发，以到达宿主机上的 Docker Model Runner：

OpenClaw → 桥接器 (localhost:54321) → 代理 (host.docker.internal:3128) → Model Runner (宿主机 localhost:12434)

start-openclaw.sh 脚本启动桥接器，启动 OpenClaw 的网关（清除了代理环境变量以便直接命中桥接器），并运行 TUI。

自己动手构建

想自定义镜像或者只是想看看它是如何工作的？这是完整的构建过程。

1. 创建基础沙盒并安装 OpenClaw

docker sandbox create --name my-openclaw shell .

docker sandbox network proxy my-openclaw --allow-host localhost

docker sandbox run my-openclaw

现在让我们在沙盒中安装 OpenClaw：

# 安装 Node 22 (OpenClaw 需要它)
npm install -g n && n 22
hash -r

# 安装 OpenClaw
npm install -g openclaw@latest

# 运行初始设置
openclaw setup

2. 创建 Model Runner 桥接器

这是关键所在——一个微型的 Node.js 服务器，它将请求通过沙盒代理转发到你宿主机上的 Docker Model Runner：

cat > ~/model-runner-bridge.js << 'EOF'
const http = require("http");
const { URL } = require("url");

const PROXY = new URL(process.env.HTTP_PROXY || "http://host.docker.internal:3128");
const TARGET = "localhost:12434";

http.createServer((req, res) => {
  const proxyReq = http.request({
    hostname: PROXY.hostname,
    port: PROXY.port,
    path: "http://" + TARGET + req.url,
    method: req.method,
    headers: { ...req.headers, host: TARGET }
  }, proxyRes => {
    res.writeHead(proxyRes.statusCode, proxyRes.headers);
    proxyRes.pipe(res);
  });

  proxyReq.on("error", e => { res.writeHead(502); res.end(e.message); });
  req.pipe(proxyReq);
}).listen(54321, "127.0.0.1");
EOF

3. 配置 OpenClaw 使用 Docker Model Runner

现在将 Docker Model Runner 提供商合并到 OpenClaw 的配置中：

python3 -c "
import json
p = '$HOME/.openclaw/openclaw.json'
with open(p) as f: cfg = json.load(f)

cfg['models'] = cfg.get('models', {})
cfg['models']['mode'] = 'merge'
cfg['models']['providers'] = cfg['models'].get('providers', {})
cfg['models']['providers']['docker-model-runner'] = {
  'baseUrl': 'http://127.0.0.1:54321/engines/llama.cpp/v1',
  'apiKey': 'not-needed',
  'api': 'openai-completions',
  'models': [{
    'id': 'ai/qwen2.5:7B-Q4_K_M',
    'name': 'Qwen 2.5 7B (Docker Model Runner)',
    'reasoning': False, 'input': ['text'],
    'cost': {'input': 0, 'output': 0, 'cacheRead': 0, 'cacheWrite': 0},
    'contextWindow': 32768, 'maxTokens': 8192
  }]
}

cfg['agents'] = cfg.get('agents', {})
cfg['agents']['defaults'] = cfg['agents'].get('defaults', {})
cfg['agents']['defaults']['model'] = {'primary': 'docker-model-runner/ai/qwen2.5:7B-Q4_K_M'}
cfg['gateway'] = {'mode': 'local'}

with open(p, 'w') as f: json.dump(cfg, f, indent=2)
"

4. 保存并分享

退出沙盒并将其保存为可复用的镜像：

docker sandbox save my-openclaw my-openclaw-image:latest

将它推送到镜像仓库，以便任何人都可以使用：

docker tag my-openclaw-image:latest yourname/my-openclaw:latest docker push yourname/my-openclaw:latest

任何拥有 Docker Desktop（包含现代沙盒功能）的人都可以通过以下命令启动相同的环境：

docker sandbox create --name openclaw -t yourname/my-openclaw:latest shell .

下一步

Docker Sandboxes 使在隔离的、可重复的环境中运行任何 AI 编程 Agent 变得容易。通过 Docker Model Runner，你获得了一个完全本地化的 AI 编程设置：没有云端依赖，没有 API 成本，并且完全保护隐私。

在 Docker Sandboxes 中安全运行 OpenClaw

AI 核心摘要