原始标题: I gave OpenClaw one job: go viral (it worked?)

发布日期: 2026-03-09 | 来源频道: @GregIsenberg

📝 深度摘要

1. 讨论背景与核心主题

本视频嘉宾 Oliver Henry 是一位来自英国小镇的独立开发者。他开发了一款名为"Snuggly"的室内装修设计 AI 应用（帮助用户用 AI 生成房间装修效果图）。作为一名全职工作者，Oliver 极度厌恶市场营销，于是他决定将这一难题交给 AI 来解决。他给 OpenClaw 代理（命名为"Larry"）下达了一个任务：自动化完成 TikTok 营销，将流量导流到他的移动应用并实现变现。本期内容将完整揭示他如何从零开始构建这套自动化营销系统，以及在这过程中踩过的坑和最终取得的量化成果。

2. 核心干货概览 (Key Takeaways)

维度 核心内容 / 动态 价值意义 / 影响程度
技术/工具 OpenClaw Agent"Larry" + TikTok API + DALL·E 3 图像生成 + Claude Opus (Anthropic) 实现了内容创作、发布、分析的全流程自动化，单代理可完成多个应用的营销运营
战略/逻辑 AI 员工思维模型：将营销视为"雇佣一个只做一件事的 AI 员工"，而非购买工具 颠覆传统 SaaS 工具思维，转向"AI 员工" paradigm，大幅降低营销人力成本
量化指标 $300-400 月度经常性收入（MR），单个视频最高 400,000 次播放，最终累计接近 $1,000 验证了"零手动触碰"即可实现应用变现的可行性，展示了 AI 驱动增长的天花板

3. 深度逻辑与实操拆解 (Implementation Deep Dive)

底层矛盾与背景

Oliver 面临的核心痛点极其明确：他是一名全职工作者，开发了 Snuggly 这款应用，但极度厌恶传统营销方式（拍摄口播视频、剪辑、发布、复盘）。他需要一种方式，让营销像"设置好然后忘记"的系统一样自动运行。最初他尝试过手动批量生成视频（用脚本组合 Hook + Demo + 文字，每次可生成约 400 个视频变体），但整个流程仍需约 3 小时手动操作，且效果不佳。他意识到需要的是一个能够自主学习、自主迭代的 AI 系统。

核心策略推导

Oliver 的核心策略可以归纳为三个阶段的迭代进化：

第一阶段：人工主导期。 他给 Larry 设定的初始目标是：“自动化我的营销，我不想自己做这件事，去研究我 niche 里的爆款幻灯片是什么样子。” Larry 最初生成的图片质量很差（DALL·E 3 生成的图像有明显的 AI 感，黑边问题严重），用户不买账，第一个"爆款"视频仅有 137,000 播放。这一阶段 Oliver 仍然手动审核每一篇内容，只让 Larry 生成初稿。

第二阶段：数据闭环期。 Oliver 赋予 Larry 访问 TikTok Analytics 的权限。Larry 开始自主分析哪些 hook（开头）、图片风格、CTA（结尾行动号召）表现更好。关键洞察：Larry 发现"房东"（landlord）和"妈妈"（mum/nan）这两类家庭关系 hook 表现最稳定，多次带来 100K-300K 的播放。但与此同时，团队发现一个惨痛教训——CTA（行动号召 slide）写得太模糊（“She’s redecorating now snugly”——没有明确告知用户应用名称和下载方式），导致 300,000 播放却几乎零转化。这一失败迫使 Larry 重新学习：必须在最后一张 slide 明确写出"Snuggly app helped me finally convince her to get the kitchen done"这类直白文案。

第三阶段：自主决策期。 Oliver 决定完全放手让 Larry 自主运营。一个经典案例：Larry 生成了一张"烤箱消失"的图片（AI 图像缺陷），Oliver 当时非常不满，觉得这肯定完蛋了。结果这条视频成为有史以来表现最好的内容（400,000 播放），因为" boomer 群体喜欢在评论区指出 AI 缺陷"——“Where is the hob?” “How are we going to cook?” 这些评论反而增加了互动和算法推荐。Oliver 从此彻底信任 Larry，不再手动审核，只在需要分析为什么某条视频爆了的时候才去查看后台。

执行 SOP / 操作步骤

  1. 创建代理并设定单一目标
    给 OpenClaw 代理（如"Larry"）一个明确的任务：“自动化 TikTok 营销，将流量导流到我的应用”。不要设定多任务，专注一件事件。

  2. 授权必要工具权限

    • TikTok 帖子发布权限
    • TikTok Analytics 数据读取权限
    • 浏览器访问（用于研究竞品内容）
    • 通讯工具（如 WhatsApp，用于接收帖子ready通知）

  3. 内容创作工作流

    • Hook（开头）：使用能引发好奇心的家庭关系话题（如 landlord, mum, nan）
    • 图片生成：选择与 App 输出结果风格一致的图像模型，避免过于明显的 AI 感
    • CTA（结尾）：必须直白告知应用名称和价值主张，禁止模糊暗示

  4. 发布策略

    • 建议使用"发布为草稿→手机端手动添加音乐→发布"的流程
    • 原因：TikTok 对 API 直发内容限流，识别为 bot 发布会导致曝光大幅下降
    • 手动添加音乐可以利用平台算法红利

  5. 数据闭环迭代

    • 每周让代理读取 TikTok Analytics，识别表现最好的 hook 和 CTA 变体
    • 将应用内转化数据（如下载率、付费率）也输入给代理，让它同时优化"流量→变现"全链路
    • 代理会自动建立"记忆文件"（memory files），记录成功/失败模式

  6. 规模化复制

    • 一个代理可以同时服务多个 App（每个 App 分配一个独立 TikTok 账号）
    • 利用 sub-agent 机制并行处理不同任务

细节支撑

  • 第一个爆款：137,000 播放，使用了"房东"相关 hook
  • 最大爆款：400,000 播放，源于一次"AI 缺陷"意外（烤箱消失）
  • 转化率低谷：300,000 播放但几乎零下载，问题出在 CTA “She’s redecorating now snugly” 未提及应用名称
  • 修复后数据：改进 CTA 后，单日新增用户数创历史新高
  • 运营数据：目前月度 MRR 约 $300-400，累计总收入近 $1,000（零手动触碰）
  • 模型选择：使用 Claude Opus（Anthropic）的 Banks 计划（$90/月），因为 $200/月的 Pro 计划对于他的使用强度来说不划算
  • 工具栈：OpenClaw + Claude Opus + DALL·E 3 + TikTok API + WhatsApp（通知）

4. 核心执行资产 (Tactical Assets)

Prompt / 指令集还原

初始任务设定 Prompt：

“Larry, your goal is to automate my marketing. I do not want to do it. I don’t like doing it. Go find out in my niche what creates a high converting slideshow.”

进阶迭代指令：

“Larry, go look at the TikTok analytics. Find out what the winners were. Find out what’s wrong with our CTA. Then feed that back to create the next batch of content.”

完全放手指令：

“Larry, just generate content based on what you’ve learned. Post it as a draft. I’ll add the sound and post from my phone.”

工具链配置

  • AI 代理框架：OpenClaw（开源本地运行）
  • 大语言模型：Claude Opus (Anthropic) - Banks Plan ($90/月)
  • 图像生成：DALL·E 3（初期），后切换至与 App 输出风格更匹配的其他模型
  • 社交平台：TikTok（发帖 + Analytics API）
  • 通讯通知：WhatsApp（接收帖子ready通知）
  • 记忆系统：通过"memory files"让代理保留跨会话的学习成果
  • 技能市场：Larry Brain (larbrain.com) - 提供免费 Larry Marketing Skill 和 80+ 其他 OpenClaw Skills

5. 专家洞察与风险边界 (Insights & Boundaries)

反直觉/非共识结论

  1. “AI 做得比你想象的要好——即使它看起来很糟糕”：一条 Oliver 极度不看好、包含明显 AI 缺陷（烤箱消失）的视频，反而成为 400,000 播放的爆款。评论区用户指出缺陷的行为反而提升了互动率。这推翻了很多营销人"内容必须完美"的前提假设。

  2. “不要建立 Mission Control——一个代理就够了”：Oliver 不认同一开始就搭建复杂的"任务控制面板"或 multi-agent 系统。他认为 OpenClaw 设计理念就是"单一主代理 + 按需派生子代理"，这样可以让主代理保留完整的上下文记忆。

  3. “模型选择不重要——98% 的用户分不清 4.6 和 4o 的差别”：Oliver 认为人们过度优化模型选择，关键在于如何用 skill 和 context 去"训练"你的代理，而非纠结于用哪个模型。

  4. “完全放手让 AI 干，比你一直监督它效果更好”：在第三个阶段，Oliver 完全不审核内容让 Larry 自主运营，结果系统迎来了最佳表现期。

局限性与避坑指南

  1. TikTok API 直发会被降权：务必使用"草稿→手机端手动发布"的曲线方式，否则算法会判定为 bot 内容，曝光量骤降。

  2. CTA 必须直白，不能模糊：视频最后一张 slide 必须明确包含：应用名称 + 核心功能 + 下载引导。Oliver 的第一个 300K 播放视频失败就是因为 CTA 只写了"She’s redecorating now snugly"，用户根本不知道要下载什么。

  3. AI 图像的"AI 感"是致命伤：DALL·E 3 早期的图像有明显的 AI 特征（黑边、物体变形），用户对此非常敏感。需要找到与 App 实际输出风格更匹配的图像模型。

  4. 需要时间让系统"学习"：不要期望第一周就爆款。Oliver 的第一条视频也只有 700 播放。系统需要几周甚至更长时间通过数据分析迭代出最佳 hook/CTA 组合。

  5. 高流失率问题：目前虽然下载量可观，但订阅流失率（churn）仍然很高——这是 App 产品层面需要优化的课题，不是营销系统能解决的。

  6. 本地运行的安全考量：OpenClaw 运行在本地机器上，连接家中所有设备。一旦安全漏洞出现，存储在代理中的敏感数据（账户密码、API keys）可能面临风险。

6. 金句 (Golden Quotes)

  • “我给 Larry 一个任务：自动化我的营销。我不想做这件事，我讨厌做营销。”
  • “不要把 Skill 看作是一个黑箱。你拥有它，你可以修改它的一切。”
  • “你不需要一个 Mission Control，一个代理就够了。让它有完整的上下文记忆，它会自己学会。”
  • “人们过度优化模型选择。98% 的用户根本分不清 4.6 和最新版本的差别。关键是你如何用 skill 和 context 去训练它。”
  • “我把那条最差的视频（烤箱消失了）扔给 Larry，我觉得肯定完蛋了。结果它成了我们表现最好的内容——400,000 播放。”
  • “Boomers 在评论区指出 AI 缺陷反而帮我们增加了互动。他们以为自己 在吐槽，但实际上在帮我们病毒式传播。”
  • “我现在基本上不检查内容了。我只进去看为什么那条视频爆了，然后把洞察喂给 Larry。”
  • “OpenClaw 就像 PC 刚进入家庭的年代——只有少数 power users 在用，但它终将被所有人发现它的强大。”

7. 延伸资源

  • 免费 Larry Marketing Skill：larbrain.com（搜索 “Larry Marketing Skill”）
  • Oliver 的产品：Snuggly App（iOS/Android 室内装修 AI 生成工具）
  • 模型套餐参考：Claude Opus Banks Plan = $90/月，Pro Plan = $200/月（按需选择）
  • 核心学习路径：从 Larry Brain 开始 → 安装一个具体 Skill → 给代理设定单一目标 → 授权必要权限 → 放手让它迭代

📺 视频原片

视频ID: OV5eK91YY68