20260320研读Openclaw资料摘录
20260320研读openclaw资料摘录
DeepSeek什么最强呢：
意图理解、上下文理解、长思维链多步推理
代码生成、报告生成、机器翻译/论文阅读
语音识别、语音转文字、语音合成
OCR识别、图片生成
视觉识别、视频生成
大而全且平庸，不是大家的期望，
大家要的是偏科：
如代码Claude Code
如图片Nano Banana
如视频Seedance
我的 Buddy 是我日常沟通使用的 Agent，然后总管是统一管理其他 Agent 的大哥，当我有写作相关的诉求时，我会给总管下发任务，由它来统一安排其他 Agent 干活。
Skill不是外挂。是给AI塞了一本设计手册。
同一个AI。有没有人教它规矩，活儿完全不是一回事
话不多说。今天手把手教你（提示词也给你）怎么用天工（Skywork）的 skill 做一套麦肯锡风格的高级感 ppt（各种 openclaw 都适用，但是 skywork 上效果很好）。
三步走：开 SkyClaw → 写对 Prompt → 一次出稿。 5 分钟搞定。SkyClaw 是天工（Skywork）做的云端龙虾——你可以理解为，Skywork 给你配了一台带图形界面的云端主机，上面跑着一只 7×24 小时在线的 AI 龙虾。地址：https://skywork.ai/home_agent/skyclaw,Skywork家的Skyclaw，已经帮你把核心 Skills 都装好了。PPT、Design、Excel、Document、Search，全套齐全。写对 Prompt:风格参考McKinsey（麦肯锡）咨询报告，配色使用深蓝+白+浅灰。请先用Deep Research搜索最新的AI行业数据，引用具体数字和来源。每页不超过5个要点，标题28号，正文16号，每页必须有一张配图或图表，留白不少于30%，不高于 50%。
没有Skill，模型是"接到需求→直接吐内容"。有了Skill+好Prompt，模型变成了"接到需求→搜数据→拆解结构→规划设计→逐步生成"。这不是PPT了。这是一份会自己查资料的提案。
SkyClaw 里预装了一整套 Skywork Office Skills。用了一段时间下来，我现在做材料的流程完全变了——Design Skill 出配图，Excel Skill 做图表，Document Skill 写报告正文，最后 PPT Skill 组装成材料。资料都不用自己搜，Search Skill 直接帮你扒。配色自动统一，不用自己调。一条龙。
从面向普通用户的飞书aily，到承载复杂任务的aily专业版，再到能够搭应用、搭智能体的妙搭Agent，以及多维表格的AI搭建能力，飞书这次带来了一整套面向个人和组织落地的Agent产品组合。
在这轮Agent的热潮中，一个核心的思路是：如果AI只能回答问题，它仍然只是工具；只有当AI能够参与任务流程，它才可能成为生产力。
一个很直观的变化是，主流大模型厂商开始越来越重视Token消耗量和由此带来的使用时长、任务深度与用户黏性。
Kimi、智谱等国内厂商相继推出各自的Claw类产品，把OpenClaw代表的“调用工具、持续工作、长链路执行”能力往自家生态里收；海外的Anthropic也在持续强化Claude在复杂任务、多步执行和工作流中的使用场景。
随着OpenClaw热度升高，越来越多开发者会把智能体接入飞书机器人；到3月19日，火山引擎、阶跃星辰、Kimi、扣子、MiniMax、智谱等平台都已完成与飞书OpenClaw官方插件的对接。
OpenClaw的出现让这种情况发生了变化。通过智能体框架，AI不仅能够理解用户的需求，还可以调用工具、触发流程并持续运行任务。从整理资料、生成报告，到自动处理数据、更新文档，这些原本需要人工反复操作的步骤，可以由Agent自动完成。
Agent要发挥执行的能力，进入生产流程，至少得接住三样东西：上下文、工作流和数据结构。
上下文，是需要AI理解团队的文档、历史沟通、项目背景以及组织信息，否则它很难判断任务的真实需求；工作流，要求Agent进入工作流程，如审批、数据处理、项目管理等多个环节；结构化数据，需要AI对表格、数据库和知识库等稳定的数据结构，来存储和读取信息，进一步完成复杂任务。
OpenClaw相对于其他Agent不同的点在于，其他Agent的交互复杂，体验和使用门槛极高，而OpenClaw把这些能力封装成了一种非常简单的交互方式——对话。
用户不再需要理解复杂的技术逻辑，也不需要编写脚本或配置系统，只需要像和同事聊天一样提出需求，智能体就可以在后台完成一系列操作。
无论是模型厂商、创业者还是普通开发者，很多人最后都会把智能体接到飞书里。
这并非偶然。对Agent来说，聊天窗口比比皆是，但一整套已经长出来的协作土壤却并不多——上下文、数据结构、权限系统和开放接口，而这些恰好是飞书过去几年一直在做的事。这些动作不断降低了企业把Agent放进真实协作系统的门槛。
当上下文、数据结构和权限体系都具备之后，Agent就可以真正进入协作环境，而开放生态则让这种能力进一步延伸。飞书的开放平台提供了丰富的API和机器人能力，开发者可以很方便地把外部工具或系统接入进来。当OpenClaw这样的智能体框架出现时，开发者只需要通过机器人接口，就可以把Agent连接到飞书，让它直接参与团队协作。
飞书还在持续降低Agent部署的门槛。比如其近期的关键动作之一，是把Agent接入组织系统这件事逐步标准化。OpenClaw官方插件上线后，完成授权的智能体就可以直接调用飞书里的消息、文档、多维表格、日历和任务等模块。
我问张鹏，智谱最近这三个月的节奏是什么感觉。他笑了一下，说：「除了上市，其他的都是日常工作状态。」
我把他说的时间线梳理了一下：1月8日，智谱上市；1月到3月，平均每半个月就有一次重大发布——和华为联合发布模型、GLM-5上线并开源、发布技术报告、推出澳龙、开源AutoGLM手机运行项目……3月16日，GLM-5-Turbo新模型发布。
张鹏把OpenClaw的框架称为「脚手架」。这个比喻很准确——它不是一个封闭的完美的产品，而是一个搭好的底座，你可以在上面随意插入插件、添加技能（Skills），构建出属于自己的定制化工作流。
对开发者来说，这意味着极大的自由度；对普通用户来说，则意味着别人做好的技能，你可以直接拿来用。这种开放性，让整个生态快速繁荣起来。
OpenClaw把AI接进了这些渠道，让你不需要打开任何新界面、不需要学任何新操作，就能在平时聊天的地方，直接调动AI干活。这一步，把使用门槛降到了几乎为零。
三个原因合在一起，就是一个清晰的逻辑：能力到了，框架开放，渠道打通——缺一不可。
澳龙能做到的事，比很多人想象的要具体。直播里他的小伙伴演示了几个场景，我觉得非常有代入感：
一个场景是生成PPT。以前这件事要找实习生花三天时间做，现在澳龙半小时就能直接输出HTML格式的完整PPT。三天变半小时，这是整个工作流被重写了。
另一个场景是欧洲签证申请。签证表格是出了名的繁琐，需要手动填写大量个人信息。澳龙可以直接读取你的资料，自动把PDF表格填完，你只需要最后确认签名就行。
还有一个场景是内容创作。澳龙可以自动抓取小红书的热点数据，整理成Excel表格，帮你做竞品分析或选题参考。这个功能，原来是内容团队运营同学每天手动完成的日常工作。
他让龙虾基于两个月的交流记录，给自己做一次性格分析。AI自动生成了包含MBTI、大五人格的完整报告，每一条结论后面都附上了对应的聊天记录作为证据。他说，准确度高得有点出乎意料。
还有一个变化，是关于知识沉淀的。打个比方，以前是老师傅手把手教新徒弟，效率低，还限于一对一；现在是老师傅先教AI，AI再同时教一两百个新徒弟。员工的经验沉淀进AI，人走了，AI还在，知识不会跟着人一起带走。
比如你可以直接说：「我是一个内容创作者，每天需要整理资料、写稿子、管理选题，你觉得你能帮我做什么？」这一步的目的，是帮你摸清它的能力边界，也是让AI了解你的需求。
不要把AI当权威，要敢于挑战它。
它给你提了三个方案，你觉得都不对，可以直接说「这几个方案我都觉得不行，我想做的是这样……」然后把你自己的思路说出来，让它帮你完善。满意了，就要求它记住这个做法，变成一个固定技能
成员之间可以分工，每个人负责打磨自己最熟悉的场景，做好之后把这个技能共享给所有人用。甚至，你还可以把多只龙虾拉进同一个群里，让它们之间互相交流和学习，实现技能的快速复制扩散。
“Agentic AI（代理式人工智能）的核心逻辑并非等待模型变得无限聪明，而是通过'Agent（智能体）工作流'将人类处理复杂任务的心理过程进行编码。”
决定AI能为你创造多大价值的，从来不是它有多聪明，而是你有没有给它一套靠谱的“做事流程”。
吴恩达的洞见，直接推翻了这个认知：AI的核心进化方向，从来不是“变得无限聪明”，而是学会“像人类一样拆解任务、完成工作”。
Agent（智能体）工作流的出现，带来了一场“隐性知识的显性化革命”——那些原本只能靠悟性、靠时间沉淀的专家经验，现在可以被拆解成一套可复制、可标准化、可交给AI执行的流程。
你就给智能体发一句指令：帮我扫一下全网《飞驰人生》相关的热点，找出值得做的选题，出一套爆款方案。
就这一句话，它直接自动调用热点扫描技能，全网抓取所有相关的社媒内容，分析互动数据、拆解评论区的真实用户需求，连脚本都自动写、自动跑，全程不用你操一点心。
等它跑完，直接给你出一份完整的爆款报告，连标题公式、用户核心需求、内容结构都给你捋得明明白白，你直接照着写脚本就行，根本不用4个人刷那么多内容。
这就是吴恩达这套洞见最底层的哲学意义：AI真正的革命，是让人类的智慧、经验、方法、能力，第一次有了被无限复制、无限放大的可能。
经济学里，有一个颠扑不破的规律：所有能真正改变世界的技术革命，都完成了“生产的工业化”，把稀缺的、高成本的生产方式，变成了普惠的、低成本的、可规模化的生产方式。
给你算一笔真实的账，一眼看懂Agent（智能体）工作流的颠覆力。
某头部消费品牌抖音内容团队，原1位总监带5名策划，月最高产出220条爆款脚本，月人力成本15万，单条成本差不多700元。
团队把内容总监的爆款创作全流程，拆解成“爆款抓取、选题优化、脚本撰写、分镜输出、合规校验”5步工作流后，月产出660条可用脚本，产能是原来的3倍；每个月token成本不到2000元，单条成本3元。
更重要的是，这套模式产能几乎无上限：原模式产能翻3倍，成本同步翻3倍；而Agent（智能体）工作流产能翻3倍，成本几乎没增加。
这就是Agent（智能体）工作流带来的“工作流经济学”：
成本结构彻底改变：从原来的“持续的人力成本”，变成了“前期一次性的流程设计成本+极低的长期运行成本”
价值创造路径彻底改变：从原来的“一次性解决一个问题”，变成了“建立一套可持续的、可无限复制的问题解决能力”；
商业的竞争逻辑彻底改变：原来的竞争，是比谁的团队更厉害、谁的人更多；未来的竞争，是比谁用了更多的AI工作流。
在英伟达创始人黄仁勋有个最新预判：未来的企业，都会把自己的业务流程、供应链管理、客户服务、产品研发，全部做成Agent（智能体）工作流，整个企业的运转，都会围绕AI工作流展开。
钉钉最新推出的“悟空AI”，核心就是做“人人都能搭建的Agent（智能体）工作流”。
Agentic AI（代理式AI）的本质，是通过可编码的工作流，把人类的智慧、经验、方法论沉淀下来，让普通人也能复刻专家的能力，让专家的能力能放大百倍千倍。
当你的AI Agent开始处理复杂任务时，单纯的"记得多"已经不够了，"理得清"才是关键，知识图谱(Knowledge Graph)可以帮助AI理解实体之间的关系，实现更智能的问答。
如何用 OpenClaw 把自己从公众号的繁琐运营中解放出来，后面还会分享如何用OpenClaw创作短视频，大家点个关注蹲好了。
从找选题、写正文，到配图排版，最后推送到草稿箱，整个流程现在全自动化了。你每天要做的，就是去草稿箱里扫一眼然后点击“发布”。
请创建一个定时任务，每天早上8点给我推送5个适合公众号写的AI选题。并且写入到飞书多维表格。地址是：xxx。
要求附带标题方向、切入角度和参考资料链接，还有推送时间。请帮我找5个今天适合公众号写的AI方向选题。
要求:
1.适合普通读者阅读
2.更偏实操和机会判断
3.每个选题都给我:
标题方向
推荐切入角度
相关素材链接
最初拿它干啥？小红书自动化
从研究、选题、标题方案、生图配图、自动发布、数据跟踪、反思报告，然后再回到研究……形成一个闭环。
在软件 APP 时代，我们遇到问题会查百度、问大牛，现在还可以问豆包。但如果你遇到 OpenClaw 的问题，你可以直接问它，它除了告诉你方法，还能直接帮你解决了。
这是本质区别。
我想到一个特别妙的办法：把我自己以前写的方案喂给它，这样我就多了一个相同知识体系的、可以深度讨论问题的伙伴。
作为 AI Agent，重要的是帮你干活。如果你只是装来沟通交流的，那还不如用豆包。
AI让人实现了技术平权，像我这种不会写代码的，也在 OpenClaw 的主导下，开发出了一个小型 Agent MacApp。 但 AI 不是拉平人与人之间的差距，反而是拉大差距。它让一些有更强认知、更有创意力的人跳出来。
这一论断，绝非技术圈层的自说自话，而是揭示了AI产业的底层逻辑：模元（token）是AI时代的核心经济标尺，兼具着信息单位、算力单位、货币单位三重属性，是AI思考的最小单元，也是算力消耗核算基准和智能服务价值度量。于此之上，全球AI产业的运行规则正在被重塑。
这一译法具备三大不可替代的优势：一是对大众友好，对中文世界的非专业受众而言，“模元”没有英文token的距离感，无需专业背景就能感知这是AI世界的基础计量单位；二是对产业实用，对产业界而言，“模元消耗量”“模元效率”“模元成本”“模元预算”等概念，能直接对应AI产业核心指标，让“模元工厂经济学”走出专业圈层，被更多人理解；三是对未来兼容，对未来发展而言，模元不局限于当下的文本推理，更适配智能体、多模态融合、物理世界AI等全场景，具备穿越技术周期的延展性。
消费级 AI Agent 助理框架的终局，可能是这样的：好的 AI 代理应该是表面极度简单，但底层足够复杂。它需要提供类似 Manus 或更强的通用 Agent 能力，同时把各种 SaaS 功能集成好，不需要用户自己折腾 Skill 怎么接。 所以，在这个意义上，OpenClaw 最大的价值是提供了一个集成度很高的 AI Agent 人类助理框架，但是具体的工程化做的一般，需要不断迭代。
AI 已经从聊天机器人走到了以 OpenClaw 为代表的个人助手，现在又想成为组织里独当一面的员工。
在体验完 Junior 之后，我有几个非常强烈的感受：1、AI 之间的协作已经在发生。2、AI agent 正在从云端逐步进入现实。3、衡量 AI Agent 能力的指标也在变化。agent 的效果要用户的真实体验，和真实的「用 AI 持续工作的时间」。