夜雨聆风不知道怎么做？探索目标、优化任务、重复性任务、复杂任务、安全敏感操作——让 AI 成为你的得力助手！
🎯 8大核心模式详解
1️⃣ Plan 模式
先讨论充分，再执行；先设计再执行；先查错再优化
就是当你有一件事想做的时候，先别让 AI 动手执行，而是先和 AI 讨论，多问自己一些问题，最后再开始执行。
💡 指令案例："我要做一个每日科技情报追踪，我们先不写代码，我们先聊需求，细化需求，你先多问问我，我要提供什么。"
2️⃣ 反问模式
让 AI 质问我，让 AI 质询
在用 AI 实现一个需求前/解决一个问题，我会问他我"缺什么"？角色反转，逆向验证。
💡 指令案例：
• "我要做一个用户登录模块，你现在是产品评审，向我提问，把我没考虑到的场景、需求、风险全部问出来，直到需求完整。" • "我要做用户增长方案，你先站在「反对者」角度，提出 3 个最致命的风险点，再基于这些风险反向设计规避策略，最后给出完整方案。"
3️⃣ 关键环境确认模式 / 自动执行模式
放权多少？
AI 可自主读写文件、运行命令、执行测试，但关键操作需人工确认。我们可以直接设定模式，也可以加上这样的指令：
💡 指令案例：
• "按我们确认的计划执行这个功能开发，关键步骤向我确认后再继续。" • "帮我重构这段代码，涉及文件修改前先给我看变更清单。"
与之不同的就是完全放权模式——Autoaccept/AutoPilot Mode（自动执行模式），文件修改和终端命令无需人工确认，适合信任度高的重复性任务。
4️⃣ 迭代模式
v1 → v2 → … → v10，持续优化
当我在公司开发完一个产品上线后，接下来做的就是迭代版本从 v1 到 v10。AI 来实现需求的过程也是如此。
我们可以用 OpenClaw 来开发一套工作流，但我们要清楚，这套工作流不一定就是最好的，并不是最终版本，是可以迭代的。
💡 迭代方法：
• 输出你的实现方案，思考优劣，考虑怎么优化 • 对比看看其他方案的做法，或是有没有新的技能能让这一切变得更简单 • "我用了几天，发现：重复消息太多、夜间推送太吵、重要情报没标红。你基于这些问题，给出 v2 优化方案，并直接升级工作流。"
5️⃣ AI 自己按需现学模式
为了让我的小龙虾更好的完成需求，实现目标，他一定具备实现这个目标的几个 Skill
💡 指令案例：
• "我要你用 OpenClaw 做一个钉钉机器人推送，但你不一定熟悉钉钉开放平台。为了完成这个任务，你先去学习钉钉机器人的接口规则、权限要求、调用格式，学会后再给我方案。" • "看看这个有没有 skill 能帮你更好的完成任务。"
🤔 为什么相同指令下，两支小龙虾有不一样的表现？
关键在于小龙虾在思考执行前时，会先产生的「思维线」，就像他的思考过程一样。
你把相同的工作交给同事 A 和同事 B，他们会产生截然不同的工作成果，A 会从他思考问题的角度（及思维线）去解决问题，而 B 却没有这种思维线。
怎么样拥有这个思维线？有几种方式：
1. 你在说指令时，就在指令里带上了这个「思维线」 2. 你也不知道用什么思维线，但你也不急于让小龙虾执行，而是用 plan 模式，找到了「思维线」 3. 你已经预制了几条「思维线」（skill）在他里面，当他听到指令时，会过一遍那些思维线
🧠 一些比较重要的思维线
智能技能调用（成长型）
就像每次出门前的"装备检查"，确保 AI 在开口回答之前，已经找到并调用了最适合的技能武装自己，而不是空手上阵。
智能匹配：根据你的问题，自动找到最合适的技能来回答。
确保准确：每次回答前都先调用正确技能，保证答案靠谱，只需要正常提问，它会自动调用最合适的技能来执行。
技能按需学习（成长型）
就像配备了一位专属技能顾问，无论是模糊需求还是明确目标，都能快速从 skills.sh 中锁定最合适的技能并一键部署，让你立刻拥有所需能力。
特别适合"想做某件事但不确定用什么技能"的场景。
• 智能检索：通过关键词、任务目标或领域方向，快速定位技能库中的候选技能 • 能力解读：输出每个候选技能的功能简介与推荐理由，帮你做出最优选择 • 一键安装：选定技能后直接执行安装，无需额外操作即可即调即用 • 场景推荐：不知道用什么技能？描述你的需求，自动匹配最合适的解决方案
💡 对话中包含以下内容，更易触发：
• "我想做 XXX，有什么合适的技能推荐？" • "帮我搜索一下关于 XXX 的技能" • "找到之后直接帮我安装" • "有没有能处理 XXX 任务的技能？"
6️⃣ 工作流模式
将已经执行玩熟的流程，沉淀为一个工作流，比如叫做 “发票整理”，以后你对他说发票整理，他就会执行这件事。
我们可以设定定时任务，让工作流执行。也可以，设定触发条件，比如唤起工作流执行。
7️⃣ 多 Agent 模式
单人 Agent = 一人干所有活。多 Agent = 一个专业团队协作干活。
目前，复杂任务步骤一多、文件一多、逻辑一深，单一 Agent 就会出现一些问题，包括：忘记前面的要求、逻辑乱了、执行跑偏等。
而多 Agent 模式，就是把大任务拆成小任务，每个 Agent 只管一小块，上下文干净、思路清晰、不会乱、流程可控。
Chris 是一位海外独立开发者，他发现大量本地商家（如餐厅、汽修店、小零售）没有自己的网站，却有强烈的线上展示需求。于是他用 OpenClaw，搭建了一套全自动建站销售系统
他创建了 6 个 agent：
1. 线索发现 Agent：自动爬取本地黄页、谷歌地图、社交平台，筛选客户 2. 网站生成 Agent：根据商家行业、风格偏好，用 AI 生成定制化演示网站 3. 邮件营销 Agent：自动撰写个性化推广邮件，批量触达目标商家 4. 客服处理 Agent：自动回复商家咨询，模拟人类销售进行跟进 5. 支付收款 Agent：集成 Stripe/PayPal 支付链接，自动生成订单 6. 运维监控 Agent：7×24 监控系统运行状态，处理网站部署
8️⃣ 边界定义模式
明确告知 AI 禁止操作的范围，减少无效尝试和风险操作。
我作为工作内容的过来人，在交代下属工作时，只会把不要做的交代清楚，在此之上，并不会限制他用什么创新的方法完成工作。
💡 指令案例：
• "优化这个算法，但不要修改核心计算逻辑，只调整循环效率" • "帮我生成 Docker 配置，禁止使用 root 权限，限制内存使用不超过 2GB"
🎁 小结
掌握这八大模式，让你的 AI 协作效率翻倍！
• Plan 模式：先聊再干，避免返工 • 反问模式：让 AI 挑战你，发现盲点 • 关键确认模式：重要操作人工把关 • 迭代模式：持续优化，从 v1 到 v10 • 按需现学模式：让 AI 主动学习新技能 • 工作流模式：沉淀经验，自动化复用 • 多 Agent 模式：团队协作，攻克复杂任务 • 边界定义模式：明确禁区，安全高效