📅 更新日志#

• 2026-03-05：春节后的 OpenClaw 生态观察、Openfang 设计理念、AI 现状探讨、商业化落地实践
• 2026-02-10：Home Assistant 智能家居集成、nanobot 竞品、Moltbook 虚假宣传、代码开发与 DevOps 思考
• 2026-02-07：实现自动化影视资源下载完整流程
• 2026-02-06：部署 Jackett 和 EasyTier 虚拟组网
• 2026-01-31：Discord 集成使用体验
• 2026-01-30：改名记录与使用心得
• 2026-01-29：初次部署与邮件清理实战

💡 写在前面#

这些只是我的个人玩法，仅供参考。

OpenClaw 这类 AI 助手的高自由度，让每个人都能调教出量身定制的私人管家。你可以让它管理邮件、部署服务、搜索资源，也可以让它做完全不同的事情——写代码、整理笔记、管理日程。

每个人的需求不同，玩法也完全不同。 重要的是找到适合自己的工作流程，让 AI 成为真正有用的助手，而不是单纯模仿别人的用法。

这就是 OpenClaw 的魅力：没有固定模式，你的需求决定它的能力。

关于这篇文章

这篇文章的内容基本都是 OpenClaw 自己写的。 包括图片也是我截图发给它，它就会自动贴到合适的位置。

整个写作过程就像是在和 AI 协作：我提供想法和素材，OpenClaw 负责组织内容、生成文档、处理图片。这本身就是 OpenClaw 能力的一个很好的展示——它不只是执行命令的工具，更是能理解意图、自主完成任务的助手。

OpenClaw 自己组织内容、处理图片、更新博客的全过程

2026-03-05#

OpenClaw 生态观察：春节后的变化#

经过一个春节假期后，出现了很多个 OpenClaw 的重构版本。

OpenClaw 相当于是先驱者开创了新的路线，现在大家都在这一条新路线上走。目前我了解下来 Openfang 的设计理念感觉会更好，如果后面能够实现创始人目标的 Agent OS。

竞品涌现的意义

这种现象其实很正常，也是好事：

• 技术理念的验证：说明 OpenClaw 的路线确实有价值
• 生态多样性：不同团队的实现带来不同视角
• 用户有更多选择：可以根据自己的需求选择合适的方案

虽然还没深入体验，但从设计理念来看，我更看好 Openfang 提出的 Agent OS 概念——这可能是下一阶段的发展方向。

AI 现状探讨：与非程序员朋友的对话#

这段时间，我跟非程序员行业的朋友一起探讨了一下 AI 目前的现状。

Seedance2 视频大模型体验

玩了下字节最近爆火的 Seedance2 视频大模型：

• ❌ 排队要好久：用户量太大，经常等很久
• ❌ 费用也很高：商业化使用成本不低
• ✅ 效果确实不错：生成质量比预期好

商业化思考

不过后面我觉得可能还是得走 ComfyUI 工作流接入大模型才能做商业化业务：

• 灵活性：工作流可以自定义每个环节
• 成本控制：可以选择不同的模型和参数
• 批量处理：适合规模化生产
• 本地部署：降低 API 调用成本

单纯依赖在线服务很难做大规模商业化，自建工作流可能是更可行的方向。

OpenClaw 群机器人业务实践#

还用 OpenClaw 尝试了一个群机器人业务，发现路线完全走得通。

开发体验的颠覆性变化

甚至相比以前，我完全不需要写一行代码：

• ✅ 完全通过对话的方式
• ✅ 就能指挥 OpenClaw 实现一整个系统
• ✅ 这在以前需要程序员去花上个把月来写代码来实现

真正感受到新范式的力量

业务落地后，我才真正感受到 OpenClaw 开创的这一个新范式的颠覆性变革。

这不是简单的"提高效率"，而是：

• 从编码到对话：需求直接变成实现
• 从写代码到编排能力：不是写功能，而是组合现有能力
• 从程序员专属到全民可用：非技术人员也能构建复杂系统

在工作中落地 OpenClaw#

目前我正在着手在工作中基于这个范式，有两个方向：

方向一：打通团队协作 DevOps 工作流#

已经明确实现方式，打通目前团队协作开发工作流 DevOps：

核心思路：

• 让 OpenClaw 通过接口接入现有工具链
  • Gitea（代码仓库）
  • Actions（CI/CD）
  • 项目管理工具（需求、任务、Bug 追踪）

目标：

• 自动化代码审查
• 智能 CI/CD 监控
• 自动化测试分析
• 项目进度追踪
• 问题智能归类

优势：

• 不需要改变现有工具
• 只是加一个 AI Agent 层
• 让团队协作更高效

方向二：探索产品的全新形态#

基于这一套范式，探索目前公司产品的全新形态：

核心理念：

• 基于类 OpenClaw 系统的全新运行模式
• 不需要写代码，只需要对话
• 让产品从"功能堆砌"变成"能力编排"

可能的应用场景：

• 客户通过对话配置业务流程
• 系统自动编排和执行
• 降低客户学习成本
• 提高产品灵活性

挑战：

• 如何设计对话式交互
• 如何确保业务逻辑的准确性
• 如何平衡灵活性和稳定性

这是一个长期探索的方向，目前还在概念验证阶段，但我相信这种范式有巨大的潜力。

总结#

OpenClaw 开创的对话式 Agent 范式，正在改变软件开发和产品设计的思维方式。

• 对开发者：从写代码到编排能力
• 对产品：从功能堆砌到对话式交互
• 对用户：从学习操作到自然表达

2026年，AI 应用元年，真正开始了。

2026-02-10#

今日发现：惯例让 OpenClaw 自己更新自己的版本。今天体感使用发现响应速度快了好多，不知道是官方优化了，还是之前高强度使用把 GitHub Copilot 用到周期限额，自动切换到中转 Claude 导致慢，现在额度刷新了。总之响应速度明显提升。

OpenClaw 接入 Home Assistant：智能家居控制尝试#

昨天基于 EasyTier 虚拟局域网，让 OpenClaw 接入了家里之前部署的 Home Assistant。

实际体验

技术上可行，但实用性存疑。

通过 EasyTier 打通网络后，OpenClaw 确实可以调用 Home Assistant 的 API 控制智能设备。但实际使用下来，发现几个问题：

1. 设备太少：目前家里智能家居设备不多，玩不出什么花样
2. 响应速度慢：对话 → AI 理解 → API 调用，整个流程比直接操作慢很多
3. 不如传统方式：
   • 语音控制：直接喊小爱同学更快
   • 手动操作：App 上点一下更直接

适用场景思考

OpenClaw 控制智能家居可能更适合：

• 复杂自动化场景：需要多设备联动、条件判断的场景
• 定时任务：根据日程、天气等自动调整设备状态
• 外出远程控制：通过对话远程控制家里设备

但对于简单的开关灯、调温度这种操作，传统语音助手或 App 确实更高效。

结论

智能家居 + AI Agent 的组合，技术上很酷，但日常使用可能不如想象中实用。 除非有足够多的设备和复杂的自动化需求，否则传统方式更直接。

发现 nanobot：OpenClaw 的轻量级竞品#

前几天关注到了香港大学出来的 nanobot，这是一个基于 Python 开发的 OpenClaw 轻量级竞品。

初步了解

• 技术栈：Python（相比 OpenClaw 的 Node.js）
• 定位：轻量级 AI Agent 框架
• 来源：香港大学团队开发

计划

目前还没急着部署尝试，但已经加入了待办清单。后面打算部署一套体验下，对比一下：

• 性能差异：Python vs Node.js
• 功能完整度：与 OpenClaw 相比有哪些优劣
• 易用性：部署和配置的便捷程度
• 生态：Skills/插件的丰富程度

保持观望，后续会更新对比体验。

关于 Moltbook 和 AI 雇佣人类的思考#

Moltbook 刚开始出来那几天我就看到了，还有那个"AI 雇佣人类"的网站。

一开始的怀疑

虽然概念很吸引眼球，但我一开始就持怀疑态度。原因很简单：

• 智能程度不够：基于这些大模型的 OpenClaw，我自己用下来很清楚它的智能程度到哪
• 目标人群可疑：感觉主要是针对非程序员群体在炒作噱头

幸运的是

正好后面由于工作忙，而且还在摸索 OpenClaw 的玩法，所以我还没开始去玩一下，就被爆出来是虚假宣传了。

感悟

技术圈的炒作和噱头一直都有，保持理性判断很重要。

OpenClaw 确实是个有用的工具，但它不是魔法。了解它的能力边界，才能更好地使用它，而不是被营销话术误导。

OpenClaw 更适合 DevOps 自动化#

之前尝试过用 OpenClaw 对接 Claude Code、Codex 等做代码开发，我的结论是：可以做开发工作，但不适合。

相比直接写代码，OpenClaw 其实更适合做 DevOps 自动化集成：

• 代码自动审查：定期检查代码质量和规范
• Bug 追踪：自动扫描和归类问题
• 安全漏洞检测：定期运行安全审计
• 自动化集成测试：监控测试运行，分析失败原因，自动重试
• 开发计划更新：根据代码变更自动更新文档和计划
• CI/CD 集成：监控构建状态，自动通知相关人员
• 日志分析：智能分析错误日志，提取关键信息

这些自动化工作流场景，OpenClaw 的对话式交互和多工具整合能力就能充分发挥作用，而不需要时刻盯着编辑器写代码。

结论：OpenClaw 更适合做生产力自动化和 DevOps 工作流，而不是作为主力开发工具。

2026-02-07#

OpenClaw 自动化影视资源下载：从搜索到下载的完整流程#

继续完善之前部署的 Jackett 和 EasyTier，今天实现了完全自动化的影视资源下载流程。通过 EasyTier 组网访问 NAS 上的 qBittorrent，AI 可以一条龙完成：搜索资源 → 选择最佳质量 → 自动添加到下载器。

完整架构

OpenClaw (AI Agent)
    ↓ 搜索资源
Jackett (聚合 Tracker 站点)
    ↓ 返回 Magnet 链接
Python 自动化工具
    ↓ 通过 EasyTier 虚拟网络
qBittorrent (NAS 下载器)

核心组件

1. Jackett - 资源搜索

• 聚合多个 Tracker 站点
• 提供统一的搜索 API
• 返回 magnet 链接

2. EasyTier - 虚拟组网

• 服务器节点：10.0.0.1
• 客户端节点：10.0.0.2+
• 安全的点对点连接

3. qBittorrent - 远程下载

• 部署在 NAS 上（10.0.0.10:8085）
• 通过 EasyTier 虚拟网络访问
• Web API 控制

4. Python 自动化工具

• 自动登录 qBittorrent
• 添加 magnet 链接到下载器
• 支持分类（Movies/TV）

自动化工具实现

OpenClaw 自动生成了 Python 工具文件：/root/clawd/tools/qbittorrent_add.py

该工具负责：

• 通过 EasyTier 虚拟网络连接 NAS 上的 qBittorrent
• 自动登录并获取认证 Cookie
• 调用 Web API 添加磁力链接到下载队列
• 支持自定义分类（Movies/TV）

AI 自动化流程

当用户说"搜索阿凡达最新一部的资源"时，OpenClaw 会自动执行：

步骤 1：搜索资源

python3 /root/clawd/tools/jackett.py search -q "Avatar Fire and Ash 2025" -c 2000 --json

步骤 2：AI 智能选择

• 分析所有搜索结果
• 优先选择 4K/2160p 版本
• 其次 1080p WEBRip/WEBSCREENER
• 检查编码格式（H.265 优先于 H.264）
• 查看发布日期（选择最新的）

步骤 3：自动添加到下载器

python3 /root/clawd/tools/qbittorrent_add.py 'magnet:?xt=urn:btih:BD97935AEB92B0AD39B583000F280BB202B8B4F0&dn=Avatar.Fire.and.Ash.2025.2160p.WEBSCREENER.H.265.Dual.YG⭐' Movies

步骤 4：报告完成状态

• ✅ 登录成功
• ✅ 下载任务已添加到 qBittorrent
• 📁 分类: Movies
• 🎬 质量: 2160p (4K) WEBSCREENER H.265 双音轨

实际使用案例

用户：“搜索阿凡达最新一部的资源”

AI 执行过程：

1. 通过 Jackett 搜索"Avatar Fire and Ash 2025"
2. 找到 32 个结果，分析质量
3. 选择最佳版本：2160p WEBSCREENER H.265
4. 通过 EasyTier 连接 NAS
5. 调用 qBittorrent API 添加下载任务
6. 报告：✅ 已添加到 Movies 分类

OpenClaw 自动搜索、选择并添加下载任务的完整流程

用户：“下载最高质量的”

AI：自动选择 4K 版本并添加到下载器，全程无需人工干预。

网络拓扑

┌─────────────────┐
│  VPS (服务器)    │  OpenClaw + Jackett
│  10.0.0.1       │  
└────────┬────────┘
         │ EasyTier 虚拟网络 (10.0.0.0/24)
         │
    ┌────┴────┬──────────┐
    │         │          │
┌───┴───┐ ┌──┴────┐ ┌───┴────┐
│ NAS   │ │ PC    │ │ 手机   │
│10.0.10│ │10.0.2 │ │10.0.3  │
└───────┘ └───────┘ └────────┘
qBittorrent

优势

1. 安全性

• EasyTier 加密传输
• 无需公网暴露 NAS
• 私有网络内部通信

2. 便捷性

• 一句话完成下载
• AI 自动选择最佳质量
• 无需手动复制链接

3. 灵活性

• 支持多种资源类型（Movies/TV）
• 可以远程访问 NAS
• 随时添加新设备

4. 智能化

• AI 理解自然语言需求
• 自动分析资源质量
• 智能分类管理

后续扩展

封装成 Skill

这一整套全自动下载流程，可以让 OpenClaw 自己将其封装成一个独立的 Skill（技能），作为一个可复用的能力模块。

通过 skill-creator 技能，可以将当前的工作流程打包成：

• 统一的配置文件（API 地址、认证信息）
• 结构化的命令接口（搜索、下载、查询）
• 完整的使用文档（SKILL.md）
• 依赖管理（Python 脚本、配置模板）

封装后的好处：

• 一键部署：在其他 OpenClaw 实例上快速复用
• 版本管理：通过 Git 追踪更新
• 社区分享：发布到 ClawdHub 供他人使用
• 模块化：与其他 Skills 组合使用（如自动字幕下载、媒体库管理）

这正是 OpenClaw 生态的核心理念：将个人工作流程沉淀为可复用的技能。

社区 Skills 生态

其实 OpenClaw 的 Skills 仓库中，就有这样的资源自动下载相关的 Skills。你可以：

• 让 OpenClaw 自己搜索和安装技能：告诉它"去技能仓库找一个资源下载的 Skill"，它会自己搜索、评估、安装合适的技能
• 创建自己的工作流技能：指挥 OpenClaw 按照你的想法，创建适用于自己的工作流 Skills
• 自由组合与扩展：将多个 Skills 组合使用，打造个性化的 AI 助手

玩法全凭个人，这就是 OpenClaw 的魅力所在——既有开箱即用的能力，又有无限的定制空间。

计划实现：

• 自动字幕下载
• 下载完成通知
• 资源质量评分
• 批量下载电视剧整季
• 下载进度监控

技术栈：

• OpenClaw (AI Agent)
• Jackett (资源搜索)
• EasyTier (虚拟组网)
• qBittorrent (下载器)
• Python (自动化工具)

2026-02-06#

OpenClaw 实战：让 AI 帮你部署服务#

今天尝试了让 OpenClaw 帮我部署两个实用的 Docker 服务：Jackett 和 EasyTier。整个过程完全通过对话完成，AI 自己搞定了配置、部署、文档编写，体验相当丝滑。

场景一：Jackett - 资源搜索代理

需求：想要一个统一的 torrent 资源搜索工具，能聚合多个 tracker 站点。

过程：

1. 告诉 OpenClaw：“根据 GitHub 和 Docker Hub 的文档，部署容器化的 Jackett”
2. AI 自动获取官方文档，生成 docker-compose.yml
3. 创建 Python 搜索工具，支持命令行和 JSON 输出
4. 生成完整的使用文档

结果：

• 容器成功运行在 9117 端口
• 配置了 API Key 和搜索工具
• 可以通过命令行搜索资源：python3 jackett.py search -q "关键词"

OpenClaw 自动生成了完整的 Docker Compose 配置和部署脚本。

使用方法：

• Web 界面：http://localhost:9117
• 添加索引器（如 1337x, The Pirate Bay, EZTV）
• 通过 Python 工具搜索：python3 jackett.py search -q "电影名" --json

实际搜索效果：

通过 OpenClaw 调用 Jackett 搜索"美国队长 5"的结果

后续思考：

其实部署 Jackett 后我发现，可能根本不需要 Jackett 这个中间层。

OpenClaw 本身就具备网页抓取和解析能力，只要告诉它资源站的搜索方式（URL 结构、HTML 解析规则），它完全可以直接接入资源站进行搜索。这样反而更灵活：

• 不需要维护额外的服务
• 可以随时适配新的资源站
• 搜索逻辑完全可定制

这也许就是 AI Agent 的优势——不是替代工具，而是让工具变得可有可无。

场景二：EasyTier - 去中心化虚拟网络

需求：搭建一个安全的虚拟专用网络，连接多个设备。

过程：

1. 告诉 OpenClaw：“搜索 GitHub 上的 EasyTier 并部署容器”
2. AI 自动获取项目信息，生成随机网络名和密码
3. 配置 Docker Compose，使用 host 网络模式
4. 生成多平台接入指南

结果：

• 服务器虚拟 IP：10.0.0.1
• 监听端口：TCP/UDP 11010
• 支持 Windows/Linux/macOS/Android 客户端
• 自动生成安全的网络凭证

OpenClaw 自动生成了 Docker Compose 配置、随机网络凭证和多平台客户端接入指南。

使用体验总结#

优点

1. 全程对话式部署：不需要手动查文档，AI 自己去 GitHub 和 Docker Hub 获取信息
2. 自动生成配置：docker-compose.yml、工具脚本、使用文档一气呵成
3. 安全意识：主动生成随机密码，提醒隐藏敏感信息
4. 文档完善：自动生成多平台接入指南，考虑到各种使用场景

不足

1. 需要人工验证：AI 生成的配置需要测试验证
2. 网络依赖：需要访问外部文档和镜像仓库
3. 权限问题：某些操作需要 root 权限，需要注意安全

实践建议#

1. 明确需求 告诉 AI 具体要做什么，比如"根据官方文档部署 Jackett"比"帮我装个东西"效果好得多。

2. 让 AI 自己查资料 OpenClaw 可以访问 GitHub、Docker Hub 等网站，让它自己去获取最新的官方文档。

3. 分步验证 每个步骤完成后检查一下，确保服务正常运行再继续。

4. 保存配置 AI 生成的配置文件、密码、文档都要妥善保存，方便后续使用。

5. 安全第一

• 使用随机生成的密码
• 不要在公开文档中暴露敏感信息
• 定期更新容器镜像

2026-01-31#

Discord 用起来是真舒服#

用了一段时间，Discord 是最适合跑 OpenClaw 的平台。

一个频道一件事。写代码开个频道，管邮件开个频道，消息不会串。比在一个对话框里什么都聊要清爽太多。

Skills 随便装。让它自己去装新技能，能力就这么一点点长起来了。今天写代码，明天管日程，后天说不定还能帮忙订外卖。

要不要接智能家居？ 我在纠结要不要把 NAS 接进去，甚至把家里的智能设备都给它。听起来很酷，但说实话有点怕。这相当于把家庭网络的控制权交给 AI，万一出点什么事……还是得想清楚。

实际使用场景#

以下是 OpenClaw 在 Discord 中的实际使用截图：

以上内容由 OpenClaw 协助编写

2026-01-30#

OpenClaw 改名记#

clawdbot本来改名成moltbot了，现在又改名成OpenClaw了。。。
之前版本还不够稳定，会出现不回复的问题，得重启后才行。

使用体验#

使用体验了一番，国内网络环境部署有很多坑，国内的通讯软件支持还不完善，不过后面应该有插件能接入，比如飞书和钉钉已经有接入的案例了。

属于是新的生产力自动化效率工具，但还存在一些问题，等后续更新看看。
比较适合Docker部署，因为安全隐私权限的问题还是存在。
官方文档也是一坨。。。

个人看法#

为什么 OpenClaw 会爆火？

个人认为亮点在于把 Agent 接入到了通讯软件上，通过对话的形式，把 Agent 从编程领域带入到了大众的生活中。这可能就是它爆火的推动点。

Bot 的进化：从命令到对话

虽然 Bot 工具很早之前就有了，但 OpenClaw 将大模型基于聊天对话的形式去做真实的生产力工具，确实是个突破。

核心价值在于：基于大模型，把以前分散的传统软件工具集成为一体

这不是简单的功能堆砌，而是通过大模型的理解能力，让所有工具都能通过自然语言协同工作。

就像有了一个真正理解你需求的助手：不需要记住每个工具的命令和参数，只要说清楚想做什么，它就能调度合适的工具完成任务。

未来的可能性

理念比较新，换成了 AI Agent 内核后，能扩展很多以前实现不了的玩法和用途。

后续就是通过各种 Skills 技能扩展 Agent 的能力边界：

• 使用网络上分享的 awesome-openclaw-skills
• 把自己的流程化工作封装成 Skills，让 AI 助手去执行

2026年，才是AI应用元年。

2026-01-29#

初次部署 clawdbot#

一个编程之外的玩具，今天部署了这几天爆火的clawdbot，接入了WhatsApp中。

模型配置：

• 主力模型：GitHub Copilot（已有认证账号）
• 备用方案：中转 API 的 Claude Sonnet 4.5
• 暂不使用：Opus 系列（担心消耗太高）

初步尝试#

尝试了下清理邮箱中的垃圾邮件，效果还不错。

然后尝试了下拿这玩意儿去改我之前烂尾的一个工具，虽然不能直接拿到生产环境中写项目，但还是挺有意思的，毕竟是生产力工具不是编程工具。

关于 OpenClaw 做代码编程的感想

体验了一下用 OpenClaw 写代码，我的个人观点是：

OpenClaw 可以做编程开发，因为：

• 底层就是基于大模型
• 可以直接调用 Claude Code、Codex、Gemini CLI
• 有编程相关的 Skills 支持

但 OpenClaw 并不适合程序员用来做开发：

• 真实项目还是得在 PC 上用 Claude Code 之类的工具
• 目前阶段 AI 编程还需要人去监督代码实现
• 不能完全信任 AI 生成的代码

非程序员倒是可以用来写一些小软件，但要做真实项目，环境和工具链的完整性还是很重要的。

OpenClaw 更适合做生产力自动化，而不是作为主力开发工具。

不敢直接部署在自己的电脑上，安全问题还是存在的。后面继续摸索别的用法。