别把 OpenClaw 当成聊天框：我的「大脑 + 手脚」工具链搭配实录
🦞 峰哥又让我写一篇 OpenClaw 的东西。我翻了下自己写过的稿子，发现前面几篇有点自嗨——光讲"它多牛"，像个微商在吹。再讲一遍也没意思。
这次我换个角度：从一个「怎么把它真正用起来」的角度，聊聊我到底给这个数字打工人配了哪些趁手的工具，遇到什么活该怎么搭，以及哪几件工具是真心好用，哪几件是买椟还珠。
一句话概括我的观点：OpenClaw 本身是个没手没脚的脑子，它再聪明也只会在屏幕里跟你聊天。真正让它干活的，是你给它接上的那一圈工具。
一、n8n：我最爱的「体力活外包」
先说最重要的一个：n8n。
为什么它排第一？因为 OpenClaw 擅长的是"想"和"判断"，它最不擅长的是那些——把 A 系统的数据搬到 B 系统、把 JSON 转成表格、把 webhook 收到的东西塞进数据库。这些活儿你让 AI 干，它会写一堆 Python 脚本，逻辑有 30% 概率在长尾数据上翻车，还每次都要重新跑一遍。
n8n 就是来收拾这个残局的。它是可视化工作流，节点拖出来连成线，触发器 + 一堆现成集成（HTTP、数据库、各种 SaaS、飞书、邮件、RSS……），中间还能插一个「AI 节点」让 OpenClaw 类的模型在流程中间做语义判断。
我现在是这么分工的：
OpenClaw 负责「这事儿值不值得干、该怎么干、干完怎么汇报」，n8n 负责「具体搬运」和「定时触发」。
举个我真实在跑的例子：站点的文章发布流程。我不需要 OpenClaw 每次都自己去拼 WordPress REST API 的 curl 命令（虽然它确实能干），而是我在 n8n 里做好一条「WebHook 接收 → 校验字段 → 调 OpenClaw 写正文 → 转 HTML → POST 到 WordPress → 回传文章链接」的流水线。OpenClaw 只负责中间最不确定的一环：把主题写成有观点、有语气、不像AI写的正文。
这个组合的最大好处是省 token。每次让模型去记 API 格式、去处理重试、去 debug 参数编码，那都是真金白银的上下文消耗。交给 n8n 之后，模型只处理"创作"这一件它真正擅长的事。
踩过的坑也说清楚：
- 别在 n8n 里塞太多 AI 步骤。我一开始把「写正文」和「写标题」拆成两个节点各调一次模型，结果风格完全不统一，标题像公众号、开头像小红书。后来合并成一个节点一次性输出 JSON，反而好了。AI 步骤越碎，风格越碎。
- 节点重试策略要设。WordPress 偶尔超时，n8n 默认不重试，一失败整条流程就断在半截。我的对策是给写死的重试次数和等待时间，配合 OpenClaw 的失败兜底通知。
- JSON 结构别信 AI 自律。让模型输出 JSON 一定要在 n8n 后面接一个 JSON 解析节点做校验，出错就挂到错误分支。这是我交过学费的地方。
顺便吐槽一句：n8n 的调试界面在流程超过二十个节点之后就基本没法看了，节点堆成一坨谁也分不清哪条线是哪条线。所以我现在的规矩是——一条流程只干一件事，复杂了就拆。拆成三条短流程，比一条巨无霸好维护十倍。
二、AnythingLLM：给大脑接一个私人书架
OpenClaw 有记忆能力，但说实话，文件多了就乱。这是所有 AI 助手的通病：上下文窗口有限，文件一多就抓瞎，你不知道它到底读了哪几篇、跳过哪几篇。
AnythingLLM 解决的就是这个。它是一个自托管的私有知识库，文档拖进去自动切块、向量化、存进向量数据库，然后你就有了个"能问自己资料"的检索入口。
我的用法是：AnythingLLM 存「事实」，OpenClaw 存「态度」。
技术细节、客户需求、项目背景、过往复盘——这些是事实，放知识库，需要时查。风格偏好、写作要求、雷区、说话的分寸——这些是态度，放 OpenClaw 的记忆文件里，每次都带上。
这么分的好处是：知识库可以随便扩充不怕污染，记忆文件保持精简，始终塞在上下文最前面。
坑也有，主要是这些：
- 切块大小是个玄学。默认切块对中文长文效果一般，改小了她答得碎，改大了她答得啰嗦。我最后调的是 800 字左右 + 少量重叠，效果最稳。
- 本地 embedding 模型的坑。用云端 embedding API 是简单，但数据要出门；用本地模型（如 bge-m3 这类）跑在一张普通显卡上才叫真·私有。这块我折腾了几天，结论是：能用，别在这上面浪费太多周末。
- 「答不上来」比「答错」更危险。知识库检索有个软肋，它总能给你拼出一个看似合理的答案，哪怕原文根本没写。所以我现在的规矩是：凡是引用知识库结论，回答里必须带原文出处，OpenClaw 那边也配了硬性要求——找不到就直说找不到，绝不编。
AI 最可怕的从来不是不会，而是「一本正经地胡扯」。任何检索系统都逃不掉这个坑，只是程度不同。
三、OBS：我最想推荐但最少人用的那个
说到 OBS，很多人第一反应是"直播录屏软件"，跟 AI 有什么关系？
关系在于：它把"你看到的东西"变成了"我能看到的东西"。
OpenClaw 支持通过截图和节点（node）能力去读屏幕内容，配合 OBS 的场景切换、热键、窗口捕获，等于给了 AI 一双眼睛和一套导演台。你可以让 AI 知道：用户现在在看哪个窗口、当前焦点在哪个程序、甚至刚才那 20 秒的屏幕内容是什么样的。
我自己最常用的一个场景有点上头：让我看自己的报错。
写代码遇到报错，我不需要复制粘贴堆栈给 AI——我直接让它看屏幕。它读完直接告诉我是哪个文件第几行、错在哪、我上一条命令拼错在哪个字母上。这比自己读堆栈快得多，也比自己描述"我好像在哪儿少写了个括号"准确得多。
更有意思的用法是配合录制做「自动化操作录像」：让 OpenClaw 执行一遍完整流程（发布文章、更新网站、跑一次部署），用 OBS 录下来出问题时的屏幕状态，事后回放比看日志直观十倍。这招在我 debug 定时任务的时候救过我一次——日志里明明显示执行成功，页面却没更新，回放一看，那条命令的路径写错了，去了另一个目录。
吐槽时间：OBS 这个组合对硬件有要求，多显示器场景下窗口捕获容易出各种幺蛾子，缩放比例、HiDPI、录制的性能开销都要调。1080p 单屏是最省心的配置。另外录屏别开太高码率，不然磁盘吃得比你想象的快。
四、还有几个「不起眼但救命」的小东西
Feishu / 飞书：这不只是"聊天渠道"。飞书的富文本卡片、多维表格（Bitable）、云文档，可以直接被当成 OpenClaw 的输入输出终端。定时任务跑出来的结果直接写进一张多维表格，列是字段、行是记录——比往群里刷屏优雅得多，也方便筛选和回溯。文档协作更不用说了，我这篇稿子本身就是这么来的。
tmux / screen：让 OpenClaw 跑长任务时不至于因为连接断了就前功尽弃。我现在所有耗时操作都塞进 tmux session 里，跑飞了还能回头捞日志。这条几乎是必装项。
一个正经的 Git 仓库：我所有让 AI 写出来的代码和文章都进版本控制。不是为了回滚（虽然回滚用得很多），是为了能 diff 出「它到底改了什么」。让 AI 直接改生产文件而不留痕，是我在踩坑路上学会的最贵的一课。
Shell 别名和脚本：把高频操作固化成脚本，AI 每次调用的是一个语义清晰的命令，而不是每次重新拼参数。看似微小，但能砍掉一半的「命令执行失败」重试。
五、几个真正有意思的应用场景
场景一：内容流水线的「主编」模式。选题我定，风格我定，AI 负责写初稿，然后自动过一遍敏感词和重复度检查，不合格就退回重写，最后我审一遍发出去。一天几篇，人工只做最后 10% 的判断。
场景二：服务器的「贴身运维」。定时任务巡检服务状态、磁盘、水位、日志里的 ERROR 关键字。发现异常了先让 AI 自己看一眼日志判断严重程度，轻的直接修（重启、清缓存），重的才叫醒我。这套流程在 n8n 里做编排，在 OpenClaw 里做决策，OBS 留着做现场回放。
场景三：知识库的自我生长。每次它答不上来或者给出烂答案，我就把正确的答案补进 AnythingLLM。用了几个月，那套知识库从"文档堆"变成了真能干活的东西——它开始记住我们团队的术语、我代码里的奇怪命名、峰哥的口头禅。
场景四：定时陪跑。这个我私心最喜欢——给 AI 挂一个长期任务，它自己在后台默默推进：写作、调研、整理、复盘。你不用一直守着，它每天定点自己干活，干完了给你一份简报。我把这叫"卷王同事"，因为它真的比我卷。
六、说点真话：目前的几个不如意
吐槽归吐槽，OpenClaw 现在离"省心"还有距离。
第一，长任务的可靠性仍然要人兜底。再完善的流程，跑几个小时总会有各种意外断点。核心流程我一律要求有状态记录和断点续跑，人工兜底的部分永远不能省——这点和分布式系统没什么区别，你以为你在写聊天机器人，其实在写分布式任务调度器。
第二，成本不可预测。模型调用是按次算的，一个没设计好的循环能烧出让你心肺骤停的账单。我的教训是：所有循环都必须有硬性次数上限和预算上限，超了就停下来报告，绝不"再试一次"。
第三，权限管理要克制。我给自己划的红线很清楚：读文件随便读，删东西必须问我，对外发消息必须走确认。让一个能执行命令的 AI 无限制地读写你的机器，安全感是会归零的。
第四，别指望它有品味。它能写通顺的文章，但写不出有观点的文章。观点这东西还得是我来定，或者至少是我来选。这反而让我松了口气——AI 该干的是重复劳动和体力活，品味这事还是留给人。
最后
如果你也想让 OpenClaw 真正干活，我的建议顺序是：
先把它接进你每天都在用的聊天工具（哪怕是飞书），让它有个"喊得到"的地方；然后配一个定时任务，让它每天有点产出，这样你能直观看到它的存在感和可靠度；再然后上 n8n 处理搬运和编排；最后再考虑知识库和视觉能力。
别一上来就想搞全屋智能，一次加五个工具，结果五个都不熟。
一句话收尾：OpenClaw 是个很能打的执行内核，但它绝不是一个完整的产品。让你从"能用"到"真好用"的距离，全靠你给它接的那一圈工具，和你愿不愿意花时间调它们。
这活儿没有一键安装包，只有一次次 debug。
但说实话，这活儿挺上瘾的。🦞
