原始标题: OpenClaw Use Cases that are actually helpful

发布日期: 2026-02-11 | 来源频道: @matthew_berman

📝 深度摘要

1. 对话背景与核心主题

本视频由资深AI科技博主Matthew Berman展示他在过去数周内构建的OpenClaw自动化工作流系统。作为全球最进阶的OpenClaw用户之一，Matthew将这台MacBook Air作为7×24小时运行的个人AI中枢，通过Telegram、Slack等多渠道交互，整合了包括Gmail、YouTube API、X/Twitter、HubSpot、Fathom会议记录等数十个数据源，构建了一套完整的个人AI助手生态系统。其核心目标是实现“让AI替我思考、替我执行、替我记忆”，将AI从单纯的聊天工具升级为真正的数字分身。

2. 核心干货概览 (Technical Takeaways & Stack)

3. 技术深度拆解与实战 SOP (Technical Deep Dive / SOP)

3.1 基础设施架构

Matthew将OpenClaw部署在一台全新的MacBook Air上，通过clamshell模式（合盖运行）实现24小时在线。为确保远程可访问，他配置了TeamViewer（远程桌面）和Tailscale（安全SSH隧道），并通过Cursor SSH远程开发。他将代码分别存放在不同Git仓库中——一个用于核心CRM项目，一个用于OpenClaw本身——每小时自动同步并备份至GitHub，数据库则定时备份到Google Drive。

关键配置参数：

• Session过期时间设为1年（而非默认的每日重置），确保多话题Telegram群组的上下文连贯性
• 所有外部服务仅授权给Matthew本人，Slack仅在两个特定频道可用

3.2 个人CRM工作流

这是最核心的自动化系统之一。每日定时触发（cron job）的 ingestion pipeline 执行以下步骤：

1. 数据采集：通过Google Workspace API下载Gmail和日历完整数据
2. 去重与合并：自动识别发件人/参与者，去除Newsletter和冷 outreach 邮件，保留高价值联系人
3. AI分类：使用极低成本且快速的Gemini 2.5 Flash模型对联系人进行角色和上下文分类
4. 语义索引：对每封邮件进行向量嵌入，构建对话时间线
5. 输出：通过Telegram推送更新提醒，支持自然语言查询（如“上次和Grapile联系人聊了什么？”）

会议准备工作流：每天早晨自动读取日历，过滤仅显示有外部人员参与的会议，生成包含“上次对话内容”、“对方想聊什么”、“对方身份背景”的会议 prep 简报。

3.3 知识库与视频创意管道

知识库 SOP：

• 用户通过Telegram发送文件或URL → OpenClaw自动识别类型 → 提取信息 → 标准化分块 → 存入向量数据库 → 同时推送摘要到Slack与团队共享
• 查询时：自然语言问题 → 向量匹配 → 返回带来源的答案

视频创意管道 SOP（约30秒完成）：

• 触发源：Telegram丢链接 或 Slack中@OpenClaw标记
• 解析视频主题意图 → X/Twitter搜索 + 网页搜索 → 查询知识库关联文章 → 生成多个视频创意pitch → 检查是否与已有创意重复 → 构建视频大纲（含Hook、Outline、来源链接） → 创建ASA任务 → 发送确认到触发渠道

3.4 Twitter/X 研究自动化（三层级降级策略）

为解决Twitter API成本问题，Matthew构建了智能降级链：

• Tier 1（免费）：Fxtwitter API —— 仅支持单条推文查询，无搜索功能
• Tier 2（低成本）：TwitterAPI.io —— $0.0015/千条推文，支持搜索、用户资料、线程上下文
• Tier 3（昂贵）：官方X API v2 —— $0.005/条推文，按量计费，功能最全
• Fallback：XAI Grok API via OpenClaw的XARCH工具

系统自动按顺序尝试，优先用最便宜的方案。

3.5 商业元分析（AI委员会工作流）

灵感来自Coinbase CEO Brian Armstrong。Matthew构建了一个“多代理AI委员会”系统：

输入信号：YouTube metrics、CRM健康度、Cron任务可靠性、社交媒体增长、Slack全部消息、邮件、Fathom会议转录、HubSpot销售管道

处理流程：

1. 信号压缩：从所有信号中提取置信度最高的Top 200条
2. 初稿生成：使用类似“如何改进业务？”的提示词生成初步分析
3. 多代理评审：4个专业化AI代理（增长策略师、收入守护者、怀疑论运营者、团队动态架构师）交叉评审、辩论
4. 共识调解：Opus 4.6作为委员会主持者调和分歧
5. 输出：每日凌晨生成一份结构化商业洞察报告，按优先级排序

3.6 其他自动化场景

• Humanizer技能：Clawhub上的技能，检测并重写所有AI输出，去除"AI味"（如M-dash、过度礼貌等）
• 图像/视频生成：接入Nano Banana和VO的API，通过Telegram发送指令即可生成，支持多轮迭代修改
• To-Doist任务管理：从会议转录中自动提取待办事项 → 交叉引用CRM中的联系人/公司上下文 → 用户审批后写入To-Doist
• 成本监控：每笔AI/API调用自动记录到日志库，支持查询“本周花了多少钱”、“哪个工作流最烧钱”、“30天趋势”等

4. 核心干货运用 (Prompts & Configuration)

4.1 多模型调度Prompt策略

Matthew会根据任务复杂度选择模型：

• Gemini 2.5 Flash：大规模数据分类、去重、轻量级处理（成本优先）
• Opus 4.6：复杂推理、多代理协调、关键决策（质量优先）
• Grok：Twitter搜索fallback

他特别指出，Opus 4.6对提示词极其敏感，每个词的权重都很高，不需要用大写或加粗来强调，但仍需精确措辞。

4.2 Workspace.md最佳实践

他创建了workspace.md作为入口文件，维护所有Markdown文件的TOC（目录索引），并设置每日cron任务让OpenClaw自动：

1. 从OpenClaw官网下载最新最佳实践
2. 交叉检查所有本地Markdown文件
3. 对照Anthropic官方Opus 4.6提示词指南
4. 自动修正任何偏离最佳实践的配置

4.3 数据库架构

采用SQLite + Vector Column混合模式：

• 传统SQL用于精确查询（联系人ID、时间范围过滤）
• 向量列用于语义搜索（自然语言查询知识库）
• 所有数据本地存储，定期备份Google Drive

5. 极客洞察与避坑指南 (Geek Insights & Boundary)

5.1 反直觉技术结论

• 免费Twitter API居然存在：Fxtwitter API完全免费，但仅限单条推文查询，无法做搜索，这限制了其使用场景
• Cursor比Telegram更适合开发：尽管可以直接在Telegram中让OpenClaw写代码，Matthew发现Cursor的IDE界面更利于文件创建和修改的可视化追踪
• Session不必每天重置：默认的每日4点重置session设计适合单一大对话场景，但对于多话题分组（Telegram群组），设置1年过期更能保持上下文连贯

5.2 适用边界与风险

• API成本风险：虽然单次调用便宜，但大规模自动化（如每小时Twitter扫描）可能快速累积，Matthew通过三级降级策略规避
• 数据隐私：Gmail和日历全量下载存储在本地数据库，虽然便利但需注意访问权限保护
• 模型依赖：Opus 4.6对提示词格式的变化很敏感，换模型可能需要重新调试

5.3 实战陷阱

• Markdown文件 Drift：随着技能和指令的增加，不同文件中可能产生矛盾或重复的定义，需要定期用自动化脚本交叉校验
• Fathom内置摘要不好用：Matthew放弃Fathom自带的会议总结功能，改为将转录结果喂给Gemini 2.5 Flash进行自定义提取
• 不要把鸡蛋放一个篮子：他将代码和数据库分开备份——代码GitHub，数据库Google Drive，确保单点故障可恢复

6. 金句 (Golden Quotes)

• “我把所有数据都喂给AI，让它帮我发现业务盲点，这就像拥有了一个24小时不睡觉的首席战略官。”
• “让工作流模块化、可复用——只要告诉它做什么，它就会自己组装起来。”
• “你不需要在提示词里大吼大叫，Opus 4.6会认真听你说的每一个词。”
• “一个月150美元的成本，相对于它帮我节省的时间和洞察来说，简直是白送。”

📺 视频原片

视频ID: Q7r–i9lLck