夜雨聆风周末，我在@超哥 深圳的酒馆Token Lab，搞了一场OpenClaw黑客松闭门会。
130多人报名，真正既懂出海又深度用过OpenClaw的，筛完就剩20来个。做亚马逊VC的、做独立站品牌的、做TikTok起量的、做建材五金出海的、从阿里出来做营销服务的，全坐在一起。
没有人问怎么安装，没有人问md文件怎么配。
聊的全是：业务怎么拆、Skill怎么写得稳、RPA怎么接、VOC看板怎么跑。
这场闭门会结束后，大家达成了一个共识：龙虾想要真正跑起来，需要顶级LLM做大脑，自动化RPA做手脚，高质量Skills做说明书，而落地最重要的一点——你的业务得先SOP化。
我花了一晚上整理了现场的录音，只挑出4个最硬核的落地真相。
看完你会明白，为什么你养的龙虾只会陪你聊天，而别人的龙虾已经在全自动跑业务了。
01 你的龙虾不是缺教程，缺的是业务SOP
AI只是一百或者1000后面的那个0，而自己的业务是1，没有1，后面加多少个0都没有意义。
很多人拿到OpenClaw，第一反应是"这玩意能帮我干啥？"
反了。
正确的逻辑是：我现在的业务卡点在哪，怎么把它拆成SOP让AI去干。
现场有小组分享做亚马逊选品，他们不是让AI漫无目的地搜，而是把选品拆成了12个极度具体的维度——从广告情况、利润测算，到专利壁垒、用户痛点验证。
甚至限定了AI的数据来源，让AI评估证据等级，最后生成一个四象限的机会矩阵。
有个做了8年亚马逊VC的卖家说得更直白：很多选品软件给你看维度，但你自己公司是什么模式、精品还是铺货、运营能力到什么段位、有没有本地化资源——这些前置条件不先定死，AI跑出来的东西没法用。
这叫业务SOP化。
SOP到底要拆多细？这是我听完闭门会回去后，自己实操落地的"监控竞品自动调价"的SOP指令：
- Step 1（拉取数据）：用API拉取飞书待处理的数据。
- Step 2（网页抓取）：触发爬虫，获取竞品最新售价。
- Step 3（算法决策）：规则卡死——定价永远比竞品低0.5刀，但死守10%利润底线。
- Step 4（人类确认）：强制暂停，把方案推给人类，拿到确认指令才放行。
- Step 5（回写数据）：价格写回飞书，自动更新状态。
你只有把颗粒度拆得这么细，OpenClaw才能给你精准的报告，而不是一堆废话幻觉。
当然这还不够，因为在龙虾执行时，Step2数据爬取一直被网页拦截，十分不稳定。
这也是下面要说的第二个点：怎么结合RPA。
02 机械的活甩给RPA，让龙虾只做逻辑判断
现在最大的误区：把OpenClaw当神，觉得它能接管一切网页操作。
但实际上，让龙虾跑一整套电商工作流，风险极高。
有个养了十几台龙虾的大卖说：他在年前给每个业务线都配了一台，跑了一个星期大家全不用了。记忆错乱、不知道在聊什么、开始骗人。网页环境太复杂，今天能打开明天可能就卡住了，让大模型去执行点击、滑动这种机械动作，不仅容易卡死报错，Token消耗还极其恐怖。
懂行的人怎么做？
用RPA等工作流去跑确定性的流程。
还是拿竞品调价监控这个高频业务场景来拆解：
如果你让OpenClaw去干：它需要打开50个竞品的亚马逊页面，挨个读取最新价格。过程中不仅会触发反爬机制卡死，而且光是读取前端乱七八糟的HTML代码，每天就要消耗恐怖的Token费用。
如果你用RPA + OpenClaw的工业级跑法：
- 第一步，用RPA写一个固定流程，每天早上8点打开这50个链接，抓取竞品最新价格，整理成表格。精准、快速，不耗Token。
- 第二步，RPA抓完数据后，通过Webhook把数据直接推给OpenClaw。
- 第三步，OpenClaw接收数据，分析出竞品A突然降价了15%，然后生成一份报告，自动推送到你的飞书。
在这个链路里：RPA是执行端，解决稳定性的问题；OpenClaw是调度端，解决分析和决策的问题。
图自 @明鉴
现场做AI自动化的@明鉴 老师说了一个很关键的判断：
Coze和n8n根本代替不了RPA，因为有些需要自动化的动作你需要去控制本地客户端、控制本地文件，浏览器环境里做不了。
但OpenClaw也代替不了RPA，因为它不稳定。未来一定是把RPA、Coze、n8n这些和OpenClaw整合在一起——n8n、Coze和RPA作为Skill，给OpenClaw去调度。
我在线下大会的观点
现场他还演示了一个案例：在OpenClaw里输入一条指令"抓取小红书"，龙虾自动调用八爪鱼的RPA流程去执行抓取，数据直接回流到多维表格。整个过程龙虾没有去碰任何网页，只是下了一道命令。
把机械操作还给机器，把逻辑判断交给大模型。
工业级玩法不是让龙虾去点网页，而是让龙虾决定什么时候该点、点完怎么用结果。
03 除了用上顶配模型，用五步法写出高质量Skill
OpenClaw到底好不好用，全看你喂给它什么Skill。
Skill就是AI时代的SOP载体。
但现场的共识是：让龙虾自己手搓的Skill，质量往往很差。
有个做了7年亚马逊、计算机出身的卖家分享了他写Skill的方法论，我觉得是全场最实用的：
第一，写Skill一定用最好的模型写。他所有的Skill都是用Claude Code加Opus 4.6来写，不用龙虾自己写。理由很直接：好的广告投手是用钱烧出来的，好的Skill一定是用Token喂出来的。
第二，先用Plan模式跟大模型过业务需求，Plan过完了再让它动手写代码。这样反而省Token。
第三，写完之后放到Cursor或Cline里执行测试，能监控到整个执行过程——它在哪一步卡住了、调用了什么数据、抓了多少条，全看得到。你用龙虾跑，执行过程是黑盒，根本没法调优。
第四，Skill输出必须强制带数据源。不只要报告，还要原始数据表格。你得能校验它到底是真跑了还是瞎编的。
那具体一个Skill的结构长什么样？
现场展示了一张图，把写Skill的底层逻辑讲得很透。一个能直接落地的Skill，必须包含五个维度：
图自 @Ena
定场景 + 立目标 + 理规则 + 给示例 + 划边界。
拿亚马逊竞品调价监控来打个样：
- WHEN（触发条件）：什么时候用？——收到RPA抓取50个竞品最新价格表格时触发。
- WHAT（具体成果）：解决什么问题？——输出带利润核算的《竞品调价执行方案》。
- HOW（步骤逻辑）：具体怎么执行？——1.对比找出降价竞品；2.按"比竞品低0.5刀"算出建议价；3.严格校验底线成本。
- REFERENCE（正反样例）：执行标准是什么？——【正例】竞品降至19.9，建议调至19.4，保底毛利12%→通过。【反例】建议调价跌破10%利润红线→直接驳回，维持原价。
- LIMITS（明确限制）：绝对不能碰的红线是什么？——严禁系统擅自改价，需要人类确认才能执行。
这里面最容易被忽略的是最后一步——划边界。现场有人分享过用龙虾自动发邮件，结果龙虾乱发的惨案。你不把红线写死在Skill里，它真的会自己做主。
逻辑拆得越碎、边界卡得越死，跑出来的东西就越稳。
这块的落地我还单独写了一篇文章：用龙虾模型把跨境电商的业务SOP转成OpenClaw的Skill
04 用OpenClaw跑海外VOC舆情监控
闭门会上第四组做的项目是VOC舆情看板。
先说他们要解决的业务痛点：做品牌出海的公司，通常要配专人盯亚马逊、Reddit、TikTok、Instagram这几个平台，监控自己品牌和竞品的舆情。人工去开一堆网页、手动下载数据、自己提炼关键信息——这活又苦又慢，而且很难做到实时。
他们的目标是把这整个环节自动化掉。
最终呈现的效果是一个完整的舆情看板，拿安克（Anker）做的案例——最上面是今日舆情洞察总结，哪些需要紧急关注、哪些是中等优先级、哪些是正面舆情。下面是品牌被提及的次数和趋势变化，正面、消极、中立的占比，各平台的分布情况，用户高频关键词的词云，以及各平台最新帖子的滚动展示。
运营同事不用再开一堆网页来回切了，盯这一个看板就够了。
现场问了一句"如果真有这样的看板，愿意付费的举手"，一片手举起来。
但最有价值的不是这个前端页面——前端用Web Coding随便搭——而是后端数据怎么抓。这才是真正的坑。
他们在不同平台踩了完全不同的坑，最后跑通的方案是这样的：
- 亚马逊：用OpenClaw原生的浏览器功能直接打开页面爬取，这个相对简单，数据能抓下来。
- X（Twitter）：用了一个叫Agent Reach的Skill，需要先登录拿到Cookies里的关键数据，然后Agent Reach就能自动去获取帖子内容。
- Reddit：这是最难的。试了好几个方案都失败了，最后跑通的是用一个叫Browser Win的插件——它在本地建一个MCP，AI通过MCP来操作你本地电脑上的浏览器窗口。好处是只需要登录一次，后续就能持续访问。
- TikTok：用原生浏览器功能和Browser Win都能获取到文字内容的帖子数据。
每个平台跑通之后，把每个平台的爬取逻辑各写成一个独立的Skill。比如X平台爬取就封装成一个专用Skill，自动调用Agent Reach；Reddit就自动调用Browser Win。后续执行的时候，龙虾只需要判断该调哪个Skill就行了。
然后利用OpenClaw的心跳机制，设定固定的时间间隔（比如每5分钟），自动去各平台抓一次最新的帖子数据，回来做情感分析和关键词提取，更新到看板上。
关于跨境电商抓数据的Skill可以看这篇文章：给OpenClaw开天眼！解决了10个跨境电商网站爬虫难题
这里有个很重要的细节：分享的人很诚实地说，如果真要把这套VOC看板做到生产级别，他可能会用Web Coding自己写爬虫，因为用Skill去爬的时候第二次就可能出问题，稳定性还不够。
但OpenClaw的价值在于：它提供了一套把所有平台生态连接起来的思路和调度能力——在它之前，没有人想过有这么一个东西，可以把电脑的操作权限完全交出去，让一个AI来统一调度亚马逊、Reddit、TikTok、Instagram的数据采集和分析。
先用龙虾把链路跑通，验证业务逻辑没问题，再把不稳定的环节逐步替换成更可靠的方案。
这才是正确的落地节奏。
05 宁愿养一个虾，也不愿带一个实习生
这句话是现场一个做了7年亚马逊的卖家说的，说完全场都笑了，但没人反驳。
带过团队的人都懂这个痛——你花三个月教一个实习生怎么选品、怎么看广告数据、怎么写Listing，刚能上手干活了，人走了。
但你花三个月打磨一个Skill呢？
这个Skill不会离职。你迭代过的每一版SOP、踩过的每一个坑、优化过的每一条规则，全写在里面。换一台龙虾，装上就能跑。换一个新人来，让他学着用这个Skill，上手速度比从零教快十倍。
更关键的是，Skill是可以复用和组合的。
你写了一个选品分析的Skill，加上一个竞品广告监控的Skill，再加一个VOC情感分析的Skill——三个Skill串起来，就是一个完整的产品决策链条。
你带出来的不是一个人，是一套可以反复运行的业务系统。
现场有人说他现在已经有20多个Skill了，覆盖广告、选品、竞品分析、内容生成各个环节。每个Skill都是从实际业务里一轮一轮磨出来的，就跟带实习生一样——第一版跑出来一定有问题，你看看哪里不对，告诉它改，再跑，再改。区别是实习生改了可能还会犯，Skill改了就是改了。
补充阅读
