如何在 OpenClaw 上打造首席幕僚

硅谷有群科技企业家，管理实践和技术能力双精，前面有YC 掌门人 Garry Tan 在 GitHub 上分享的 GStack，这几天又有open AI创始人之一的Andrej Karpathy的LLM Knowledge Bases。

不少人都在养龙虾，龙虾能抓新闻、找资料、做研究、写文章、做PPT。今天我们看看天使投资人Ryan Sarver养的龙虾。普通人取他的一个子集应该就够了。

我如何在 OpenClaw 上打造了一个比我雇过的任何人类都更强的 Chief of Staff

我是一名 VC，正处在募资过程中，同时还要参加董事会、帮助被投公司，另外还在做天使投资。过去这些年，我和很优秀的人类行政助理（EA）以及 Chief of Staff 共事过，所以我很清楚，什么才叫真正高杠杆的支持。

当第一批 AI API 出现时，我也曾尝试把这种支持做成一个 AI 产品版本，但没做成。

OpenClaw 发布后，我立刻一头扎了进去，而且直到现在都没停下来。我帮不少朋友搭过这套系统，他们每个人都会问我：你到底做了哪些配置，才把它强化到这个程度？看到 @ryancarson 那篇讲他如何搭建自己的 OpenClaw 助手的文章，再看到大家的反馈，我终于决定把我一直在做的东西写出来。

现在这套系统，已经比我合作过的任何人类 Chief of Staff 都更强。它从不会忘记承诺，不需要我开口就能处理琐事，不需要我提醒就能标出重要事项，而且它每周都在变得更好。更重要的是，它不睡觉，也不会疲惫。当然，现在仍然有些小毛病，但每周都在变少。

如果你对这些感兴趣，告诉我一声。如果感兴趣的人足够多，我会把整套系统打包出来并开源。

什么才是一个优秀的 Chief of Staff？

在讲我具体搭了什么之前，值得先想一想：一个优秀的 Chief of Staff 真正的价值到底是什么？

不是职位描述上的那些条目，而是真正的杠杆点。

我合作过的最优秀的人，通常能做到下面几件事：

• 过滤噪音，只把真正该到我这里的信息送到我面前
• 确保我参加每场会议前都准备充分，会议之后也不会有事情掉在地上
• 始终掌握所有在推进事项的全局，并及时指出哪些事情开始滑坡
• 追踪关系网络，清楚知道每一个关键人物的状态
• 建立起每日、每周的工作节奏，让一切持续向前推进

她的名字叫 Stella。这些事情，她全都在做，下面我会逐一展开讲。

但我的这套系统和其他 OpenClaw 搭法真正不同的地方，主要有两个：

1. 底层的记忆层
2. 让系统每周都能持续变强的持续改进闭环

我想先从这两点讲起，因为它们是让其他所有能力产生复利的基础。

记忆：一切的地基

会话记忆是个谎言。

任何一个把“聊天记录”当成工作上下文的助手，都会在最让你崩溃的时候掉链子。

我搭了两层记忆。

第一层：每日笔记

每天一个 Markdown 文件，路径是 memory/YYYY-MM-DD.md，作为当天发生一切事情的原始日志：

• 参加了哪些会议
• 做了哪些决定
• 新增和完成了哪些任务
• 对话中出现了哪些上下文

有个脚本会在一天中持续从我的各类会话里抓取内容，自动写入这些文件。

第二层：长期记忆

长期记忆存放在 MEMORY.md 里，由 Stella 自己维护整理。这里面包含：

• 关键人物
• 正在推进的项目
• 已吸取的经验教训
• 已做出的重要决策

她会定期把每日笔记中的内容提炼、归纳进长期记忆。这也是她每次启动时首先读取的内容，用来快速校准：此刻真正重要的是什么。

每一次会议处理、每一次邮件分拣、每一个任务追踪，都会不断反哺这张认知地图。

没有这层，你拥有的是一个能力不错但患有失忆症的助手。有了这层，你拥有的东西更像一个已经和你并肩工作数月、且从不忘事的人。

我还越来越看重另一件事：这一切都存在扁平的 Markdown 文件里，而不是数据库里。

这意味着：

• 我可以直接打开任何一份记忆文件
• 自己阅读它
• 如果哪里错了，立刻手动修改
• 清楚知道助手究竟“知道什么”

我还可以把整套东西备份到 git，任何内容都能瞬间恢复。我的世界模型和助手的理解之间，没有隔着一层黑箱抽象。这让我更信任它，也让我在它出错时能更快修正。

这些记忆层是如何真正发挥作用的？

我现在在推进一轮募资，涉及 100 多个 LP 联系人，分布在多个国家。Stella 会追踪整个募资管线，保存每个 LP、每个联系人的上下文，并且知道每段关系处在什么位置。

对于第一次会面，我给她设了规则：

• 研究对方基金
• 查他们或其合伙人最近发布的内容
• 在会前简报中告诉我她发现了什么
• 这些内容与我们的投资 thesis 如何映射
• 为这次会议生成定制化的交流要点

对于持续推进中的关系，她则清楚知道：

• 他们在募资流程的哪个阶段
• 上次会面讨论了什么
• 双方做了哪些承诺
• 当前最关键的问题是什么

你当然不能把像募资这样关键的事情彻底自动化，但如果底层有了这样的结构，我就可以把时间花在真正重要的对话上，而不是耗在管理流程本身。

Kaizen：系统会自己变强

这也许是我最喜欢的部分，也是让这套系统和我合作过的任何助手——无论人类还是 AI——都显得真正不同的地方。

每周五，一个定时任务会自动去做研究。Stella 会扫描 OpenClaw 社区，查看有没有新的模式，研究其他搭建者在做什么，并把发现保存到 memory/kaizen-research-YYYY-MM-DD.md。

到了周日早上，我们会一起复盘。她会：

• 总结本周研究结果
• 提炼最值得尝试的新点子
• 和我一起讨论哪些东西真正值得改

但这不只是外部研究。她也会从我们每天的互动中学习。

比如：

• 如果我反复纠正某件事
• 某个功能带来的摩擦大于价值
• 某个过滤器太吵
• 某个简报格式效果不好

这些都会被记录进记忆，最终以“建议优化项”的形式浮现出来。

这是人类 Chief of Staff 在规模上做不到的事情。人当然也能在与你共事中学习，但他们不可能同时每周扫描数百个构建者的实践，再把这些经验与你自己的系统做交叉比对。

而这种组合，意味着这套系统会按固定节奏、可度量地持续变好，而不是靠我偶尔想起来才去折腾一下。

Kaizen 闭环还会驱动系统本身持续重构。我已经经历过很多轮这样的循环：

1. 先做一个功能
2. 跑几周
3. 看它在真实工作流里到底是否合适
4. 然后清理它、简化它，或者干脆砍掉它

第一版功能几乎总是：

• 过于复杂
• 过于嘈杂
• 或者解决错了问题

一个你真正信任的小系统，永远比一个你总想绕过去的大系统更有价值。

Kaizen 让这种重构从“想到哪改到哪”，变成一套有纪律的流程。

会议准备与会后跟进

这是最好的人类 EA 最花时间的地方，也是 Stella 真正体现价值的地方。

在每一场外部会议开始前 60 分钟，我会通过 WhatsApp 收到一份简报。里面会自动拉取：

• 参会者过往会议记录
• 最近的邮件往来线程
• 当前未关闭的行动项

如果是募资过程中的 LP 会议，简报里还会包含：

• 当前所处的募资管线阶段
• 对方看过的是哪个版本的 deck
• 上次会议他们提出了哪些问题
• 我承诺过要发给他们什么材料

说实话，有了这个之后，我走进每一场会议时的准备程度，都比我当年配全职 EA 时还高。

会议结束之后，Stella 会通过 Granola API（其实任何带 API 的会议笔记工具都可以）处理会议内容。她会：

• 抓取会议笔记
• 去重，避免重复处理
• 提取行动项

我的任务会被同步到 Todoist，并自动带上正确的项目归属和截止日期。

而别人做出的承诺，则会被记录到按人划分的 Markdown 文件里，每个团队成员一份。这样我可以一眼看出：

• 谁欠了什么
• 谁该收到什么
• 哪件事拖了多久没动静

如果我三周前让某人做了一件事，而今天依然没有更新，系统会知道，因为它就写在这个人的文件里。

会议前的准备和会议后的跟进，都会回流进记忆系统。于是下一次我再和这个人见面时，整个循环会在更丰富的上下文之上重新开始。

任务与优先级管理

一个优秀的 Chief of Staff 不只是替你维护待办清单。他们维护的是全局推进图，并且能判断：今天什么最重要，什么可以等。

Stella 会把完整任务图谱保存在结构化 Markdown 中，其中包含全部上下文和历史记录。这是唯一事实源。

近期重要事项会同步到 Todoist，这样我可以快速扫一眼近期待办。我认为这种分工非常重要，它也揭示了 Agent 和专用工具之间应该如何协作：

• 聊天界面适合某些工作模式
• 但一个专注、清晰的任务应用，在执行任务时依然非常有价值

Stella 会让两边保持同步，这种组合比单用任何一边都更强。

每天晚上，她会进行一次任务巡检：

• 哪些今天到期
• 哪些已经逾期
• 哪些任务被拖得太久
• 本周有哪些任务即将到来

如果某件事已经连续五天被顺延，她会指出这个模式。如果周二有一场高风险会议，但准备工作还没完成，她也会直接提醒。如果没什么值得关注的，她就保持安静。

利益相关方与关系上下文

一个优秀的 Chief of Staff，脑子里通常都带着一套 CRM。

他们知道：

• 谁重要
• 每个人当前处在什么状态
• 上次聊了什么
• 什么地方比较敏感

Stella 在这件事上的规模，是人类做不到的。她会为我合作的每个人、每家公司、每个项目维护持续、结构化的上下文，包括：

• 关系历史
• 最近一次触达时间
• 尚未完成的承诺
• 对方真正关心什么
• 当前关系处在哪个阶段

每一场会议、每一封邮件、每一个任务，都会不断反哺这张图。

本质上，这只是“记忆系统应用到关系管理上”，但它值得单独拿出来讲，因为这是随时间推移复利最明显的一块。

信息过滤

Stella 会定期对我的个人和工作 Gmail 账户进行邮件与日历分拣，把真正需要行动的事、真正值得知道的事挑出来，其余的直接过滤掉。

但过滤只是开始。她还会：

• 自动抓取报销收据并归档到季度追踪
• 从订票确认邮件中生成出行行程，并标出缺口
• 为募资流程中的后续跟进任务起草邮件

比如，当某个任务写着“跟进某人某个话题”时，她会自动调出上一次邮件线程，按我的口吻起草一封跟进邮件，然后排队等我审核。

运营节奏

Stella 会在每天 早上 9 点 发来 morning brief，在 晚上 6 点 发来 evening wrap，都是通过 WhatsApp 发送。

Morning brief 会包括：

• 今日最高优先级事项
• 已逾期任务
• 今天的日程安排
• 在我打开电脑前就需要注意的事情

Evening wrap 会包括：

• 今天发生了什么
• 哪些事情卡住了
• 明天需要提前准备什么

如果没什么值得说的，我就什么也不会收到。

这正是让它感觉像是在和一个 Chief of Staff 共事，而不是在使用一个工具的地方：它会主动替我组织一天的节奏，而不是等我发指令。

研究与情报

她还会生成一份每周精选摘要，来源于我关注的 X 账号和订阅的 newsletters。内容会按不同层级分类，比如：

• AI 研究者
• VC
• 创始人
• 运营者

然后再按互动度打分，并按相关性做筛选。

这把原本 45 分钟的刷信息流，压缩成几分钟的高价值阅读。

判断力 vs 可预测性

让上面这一切可靠运行的一条核心设计原则是：

LLM 负责判断，脚本负责其他一切。

所有确定性的工作，例如：

• 读文件
• 调 API
• 发消息
• 比较时间戳

都交给 Python。

LLM 这一层则负责：

• 综合归纳
• 优先级判断
• 文稿起草
• 以及那些真正需要推理、而非计算的问题

如果你把确定性工作交给 LLM 来做，系统就会以不可预测的方式频繁出错，最终你会失去信任。一旦把这一层分工理顺，它就会从“一个能玩的东西”，变成“一个你真正能依赖的系统”。

这会走向哪里

我拥有的并不是“因为我问得更好，所以得到了更好的助手”。

我之所以得到迄今为止最好的助手，是因为我给了系统一个更好的操作模型。

我已经回不去了。而且我只能想象，一年之后它会进化到什么程度。

如果你也想搭建类似的东西，或者你已经做了类似的系统，我很想听听你的经验。如果兴趣足够大，我会把它打包整理出来并分享。