夜雨聆风用 OpenClaw + OpenCLI 搭了一套内容循环系统，从选题到复盘全自动跑起来。每天只做一件事：看选题、选一个、审核内容、点发布，剩下的 AI 全干。
这套系统的核心就一句话：把内容运营拆成"执行"和"决策"，执行交给 AI，人只做决策。
每天下午 4 点，AI 自动扫全网热点，筛出 5-10 个选题推给我。我选一个，AI 去调研、写初稿、推到草稿箱。我审核完发布。发布后 AI 采集数据做复盘，复盘结论存下来影响下一次选题。
一个闭环，越跑越准。
怎么做到的
用两个 OpenClaw Agent 分工。
采集 Agent：廉价模型，只干体力活。每天定时扫热点、检测中英文社区的信息差，把数据存到本地文件。不需要它思考，按指令跑就行。
主 Agent：强模型，干脑力活。读采集数据、筛选题、调研、写文章、推草稿箱、做复盘。它有记忆，有策略文件，每次创作前会读历史规律，每次复盘后会把新结论写回去。
两个 Agent 通过本地文件协作——一个写，一个读。没有 API 对接，没有消息队列，就是一个 workspace 里的文件夹。
OpenCLI 在中间做执行层，负责采集热搜、搜索内容、下载数据、操作平台这些跟外部打交道的事。
数据怎么流转
所有数据都存在本地 workspace 里：
strategy.md 是整个系统的记忆。所有复盘结论都写在这里，每次创作前主 Agent 会读它，每次复盘后会更新它。你也可以随时手动改。
一天的时间线
- • 16:00 —— 采集 Agent 自动扫全网热点，存数据
- • 16:30 —— 主 Agent 读热点 + 策略文件，推 5-10 条选题到我手机
- • 我选一个 —— 说"就写这个"，主 Agent 并行搜多个平台出调研报告
- • 我确认 —— 主 Agent 写初稿，推草稿箱
- • 我审核发布
- • 发布后 —— 主 Agent 采集各平台数据做复盘，结论写入策略文件
热点采集
采集 Agent 按平台逐个采集，成功就存数据，失败就跳过，最后汇总到一个文件。
信息差检测
每天早上扫 Reddit、HN 等英文社区，主 Agent 拿着这些话题去搜中文平台，发现中文平台还没覆盖的话题就标记为机会。
选题筛选
主 Agent 读热点数据 + strategy.md，交叉分析后推送选题建议。分析维度包括：是否匹配账号定位、历史上类似内容表现如何、发布时机是否合适、有没有足够素材可调研。
深度调研
你说"就写这个，先调研一下"，主 Agent 并行搜索多个平台，整理出调研报告。
发布复盘
发布后 AI 自动采集各平台公开数据，分析表现，结论写入 strategy.md，影响下一次选题。
完整运转流程
搭建过程
- 1. 装 OpenClaw + OpenCLI，一行命令，装扩展，跑 doctor 检查环境
- 2. 建目录结构，data/ 放采集数据，content/ 放创作内容，strategy.md 放策略
- 3. 配两个 Agent，采集 Agent 用廉价模型 + cron 定时任务，主 Agent 用强模型 + 完整配置
- 4. 配 cron 定时任务，英文热点采集（09:00）、信息差检测（09:30）、全网热点采集（16:00）、选题筛选推送（16:30）
- 5. 跑一天看效果，看采集质量、选题准不准、调研有没有用
- 6. 根据结果调，改 prompt、改关键词、改策略
最后
OpenClaw + OpenCLI 的组合，核心就一件事：把能自动化的执行环节交给 AI，人只留决策权。