OpenClaw实录:我让AI替我打工30天

最近总有人问我：「你那个 AI 助手到底是怎么搞的？每天自动给你推信息摘要，还能帮你写文章、管选题？」朋友圈刷到别人用 Agent 自动化了整个工作流，你连 Agent 是什么都不太确定。这种「别人都在用了，就我还不知道」的焦虑感，有个专门的名字——FOMO（Fear of Missing Out，错失恐惧）。2026 年了，做技术的谁没有点 FOMO？

所以今天这篇文章，我不讲概念、不画大饼，就老老实实记录一下：过去 30 天，我是怎么让一个 AI Agent 一步步接管我的日常工作的。踩了哪些坑、得到了什么结果、有哪些你可以直接复用的经验——全部摊开讲。这也是「AI 实操」系列的第一篇，后续还会有更多真实场景的拆解。

我也一样。作为一个程序员，我的 FOMO 甚至更严重——AI 前沿、系统架构、技术管理，每天几十个信息源涌进来几百条新内容。那个未读数字简直是精神污染，越积越多，越多越焦虑，越焦虑越不想打开。更让人崩溃的是，我明明知道怎么解决：写个脚本自动抓取、做个推送、搞个定时任务——每一步都不难，对吧？但你猜怎么着？我从来没真正做到过。

写了一天脚本，接了 RSS 解析、做了内容筛选，然后想到后面还得搞定时任务、弄推送渠道、处理各种边界 case……算了吧，关掉编辑器，假装这事儿没发生过。这就是自动化悖论：你明明知道怎么做，但做这件事的成本比手动干还高。不管你是程序员想写个脚本，还是运营想搭个自动化流程，又或者只是想让 AI 帮你每天盯着几个信息源——想法都很好，但真正落地的寥寥无几。

直到有一天，我遇到了 OpenClaw——然后我发现，最好的自动化，可能根本不需要你写代码。

OpenClaw 是一个开源的 AI Agent 框架。我知道你可能会想："又一个 AI 工具？跟 ChatGPT 有啥区别？"说实话，这俩的差别就像"打电话问一个专家"和"雇一个全职员工"的区别。ChatGPT 你问一句它答一句，关掉窗口啥都没了；OpenClaw 不一样，它是真的住在你服务器上的：

· 有记忆——你上周跟它说过的事儿，今天它还记得，不用每次从头解释一遍背景

· 能主动干活——你可以给它安排定时任务，它自己执行完了给你发报告，不用你盯着

· 能操作工具——读写文件、跑脚本、调 API，不是只会动嘴皮子

· 随时在线——部署在服务器上 7×24 小时运行，你睡觉它还在干活

说白了，它不是一个你去找它聊天的窗口，而是一个可以替你持续工作的数字同事。

图 1：OpenClaw 与普通 AI 对话工具的核心区别

而且最关键的是——它自带记忆系统和定时任务框架。这意味着什么？意味着那些我以前"写了一半就放弃"的自动化想法，现在只需要用大白话告诉它，剩下的它自己搞定。需要写代码？它自己写。需要调试？它自己调。你只管提需求，它负责从想法到落地的全部过程。

我用 OpenClaw 做的第一件事特别简单：把我 RSS 阅读器里的订阅列表（就一个 OPML 文件）直接丢给它，然后跟它说——"这是我关注的方向：AI 前沿、系统架构、技术管理、个人成长。帮我把这些信息管起来。"

我当时想的是，它最多帮我定时抓取一下、做个汇总推送就不错了。但接下来发生的事让我直接惊了——它不仅接手了我的订阅列表，还自己去搜了一圈，帮我发现了大量我压根没覆盖到的高质量信息源。Netflix 的技术博客、Cloudflare 的工程日志、Stripe 的架构分享、Berkeley AI Lab 的研究动态……它按质量标了推荐等级（强烈推荐/推荐/可选），把我原来的 23 个源直接扩充到了 62 个，整整齐齐分成 9 个分类。甚至还加上了阮一峰的周刊和少数派这些中文源——你说它是不是比我自己还了解我需要什么？

整个过程，我没写一行代码，甚至没多打几个字。好的工具不会让你觉得"我在配置一个系统"，而是让你觉得"我在跟一个靠谱的人交代事情"。

RSS 源搞定后，我随口跟它说了一句："每半小时帮我抓一遍新文章，做个中文摘要推过来。"就这么一句话，它自己写了 Python 抓取脚本（用 feedparser），搭了一套已读管理系统（基于文章指纹去重，自动清理 30 天前的旧数据），然后按文章价值分成三档推送给我：

图 2：RSS 信息流处理全流程

推过来的内容大概长这样：

全中文，不用翻译，开会前扫一眼就知道今天技术圈发生了什么。高价值的内容给你 100 多字的详细摘要，中等价值的浓缩成一两句核心信息，一般的就一句话带过。这种信息密度，手动做的话你得花一两个小时翻几十个网站——现在 3 分钟搞定。

说实话，第一版摘要做得不太行——信息密度太低，"读了又好像没读"，那种感觉你懂吧？我就跟它说："摘要太水了，重要的文章要多给点细节，不重要的别占那么大篇幅。"然后它就自己把摘要结构从简单的列表升级成了三层架构：今日看点（同一事件的多源报道自动合并）→ 分类速读（带具体数据和核心论点）→ 快速扫描。

中间还修了一些我都没注意到的 bug：有些 RSS 源的文章链接藏在 externalURL 字段而不是 url 里，导致点进去是错的页面；还有部分英文文章忘了翻译就直接推过来了。这些问题我只说了一句"这里好像不对"，它就自己去查数据库结构、改抓取脚本、跑测试验证。Debug 这件事，从"我来排查"变成了"我来反馈"。

现在我彻底没有 RSS 阅读焦虑了。每天花 3 分钟扫一遍推送，就知道我关注的所有领域发生了什么。遇到想深读的文章，丢给另一个专门的阅读 Agent，帮我拆解要点、关联到我当前的工作上下文。所有对话历史都留着，想搜之前读过的某篇文章直接搜就行。最重要的是——信息流入、阅读、讨论全在同一个地方，不用在五六个 App 之间来回跳。

真正解决信息过载的方式不是"少看"，而是让信息主动找到你，以你消化得了的密度。（关于 RSS 信息流的具体配置方法和 prompt 调优技巧，后续会单独写一篇详细教程。）

说起来你可能不信，以前写一篇公众号文章有多折腾——先是想到一个选题，赶紧记在手机备忘录里（还经常忘记记），然后翻收藏夹找素材、搜文章、整理笔记，接着写初稿、跑数据、做配图、反反复复改三四遍，最后发出去看看数据……但看完数据然后呢？也没有系统性的复盘，下一篇又是从零开始的循环。一篇文章花大半天，产出效率低得令人发指。

现在 OpenClaw 帮我接管了大部分运营工作，真正让我从体力劳动中解放出来：

选题管理——以前灵感来了就慌忙记在各种地方，最后哪儿也找不到。现在我有想法就随口跟它说一句，它自动帮我归档分类、评估可行性。过几天问它"最近有啥能写的"，它能立马列出来，还会根据历史数据表现给你建议哪个选题更有爆款潜力。再也不用维护什么选题 Excel 表格了。

方向把控——这个是真让我服气了。它帮我分析了所有已发文章的数据，直接发现了一个关键规律：实操性强、标题具体的 AI 工具类文章，数据远好于纯认知/思维类内容。就这一个洞察，直接改变了我后续的选题策略。你看，这种数据挖掘我自己也能做，但我就是一直没做——不是不会，是没有一个"人"推着你做。

内容生产——配图不用自己 P 了，审稿把关也交给它。它甚至帮我写了你正在读的这篇文章的初稿（没错，这很 meta）。我现在的角色从"从头到尾自己干"变成了"把关方向、打磨文字"——说白了，运营从灵感驱动变成了数据+体系驱动，从体力活变成了脑力活。（关于 AI 辅助写公众号的完整工作流，包括怎么让 AI 写出"有人味"的文章，下一篇会详细拆解。）

实际工作场景：我说哪里不对，它分析原因、给方案、直接改。整个过程就像跟一个搭档在飞书里对稿。

图 3：从单机到云端的架构演进

最早 OpenClaw 跑在我的 MacBook 上。坐在书桌前用着挺好，但很快两个致命问题就来了——第一，周末出门想到一个点子想跟它聊聊？不好意思，电脑没带。在外面看到一篇好文章想让它帮我分析？也不行。第二，更离谱的是，笔记本一合上盖子，所有定时任务全部停摆。RSS 摘要没了，提醒没了，那个"24 小时在线的数字同事"瞬间变成了"只在工位上班的临时工"。我当时就知道，这事儿不能这么干下去了。

解决方案很粗暴：买一台云服务器，把 OpenClaw 部署上去。迁移过程中最大的挑战是脱离本地依赖——原来的 RSS 抓取依赖 Mac 上 NetNewsWire 的本地 SQLite 数据库，现在服务器上没这个软件了怎么办？你猜怎么着，我跟 OpenClaw 说了一句"现在没有 NetNewsWire 了，你得自己抓"，它就自己用 feedparser 重写了抓取脚本、迁移了订阅列表、搭建了新的已读管理机制。整个过程它自己搞定，我就在旁边看着，偶尔回答几个确认性的问题。让 AI 帮你做迁移，可能是它最被低估的能力。

服务器搞定后，下一个问题是：怎么跟它沟通？最早用的是网页终端，后来试过 Discord，最终定了飞书。选飞书不是因为什么技术信仰，纯粹是因为它最实用：

· 随时可用——手机上打开飞书就能跟 Agent 对话，不用开电脑连 SSH

· 消息管理——飞书有标记、收藏、搜索，比在终端里翻历史记录方便一万倍

· 多 Agent 路由——我有好几个 Agent（RSS 助手、阅读助理、公众号搭档等），每个绑一个飞书群，互不打扰

· 历史存档——所有聊天记录自动存在服务器上，随时可搜

现在我的状态是什么？我有一群 AI 同事在飞书里 7×24 小时待命。RSS 助手每半小时给我推信息摘要，阅读助理帮我深度拆解文章，公众号搭档帮我管选题和审稿。不管我在地铁上、在咖啡馆里、还是躺在床上——打开飞书就能找它们聊。工具应该适应你的生活节奏，而不是反过来。

图 4：用 OpenClaw 前后的工作方式对比

用了几周下来，最大的感受不是"省了多少时间"——虽然确实省了很多。更深层的变化是：整个工作流变了。

第一，AI Agent 不是万能的，但它恰好擅长你最不擅长的事。那些重复的、有规则的、需要日复一日坚持执行的任务——说白了就是人类最容易偷懒放弃的事——恰好是 Agent 最擅长的。它不会忘记抓取、不会嫌烦、不会"今天心情不好就不做了"。你把这些事交给它，自己去做真正需要创造力的部分，这才是人机协作该有的样子。

第二，最好的自动化，是你不用写代码的自动化。作为程序员，我以前总觉得"自己写个脚本"是最高效的解决方案。但 OpenClaw 让我意识到——写代码本身只是 10% 的成本，后面还有部署、监控、异常处理、版本迭代这些"脚本之外的事"。当 Agent 能帮你处理这一切的时候，你才真正从重复劳动中解放出来。

第三，工具的终极形态是"你感觉不到它的存在"。现在我每天早上打开飞书，信息摘要已经躺在那里了；想到一个选题，随口一说就被记住了；要写文章，素材和大纲早就准备好了。整个过程毫无摩擦，就像有个靠谱的同事一直在默默帮你干活。而这，可能才是 AI Agent 最有魅力的地方。

这篇文章只是一个开头。接下来我会持续分享更多 AI Agent 的实操经验：

· RSS 信息流配置详解——怎么调出最适合你的摘要格式和推送节奏

· AI 写公众号的完整工作流——从选题到发布，怎么让 AI 写出"有人味"的文章

· 多 Agent 协作实录——我是怎么让 5 个 Agent 分工合作的

· 零基础部署教程——不写代码，从零搭建你自己的 AI 数字同事

关注「小郎碎碎念」，后续每一篇都是可以直接复用的实操干货，不讲概念不画大饼。