夜雨聆风核心讨论话题
1. Claude vs 国内AI工具
- 一致结论：用过正版Claude后不想用国内的，国内模型在理解能力、连贯性上差距明显
2. 小龙虾（OpenClaw）使用体验
- 腾讯云免费版可以用来训练Skill，不用花钱
- 核心问题：上下文超长后变"笨"，容易产生幻觉
- 建议：先在免费平台（QQ等）训练和调试Skill，跑通后再迁移到付费平台
- Skill封装逻辑：固定业务流程 → 封装成Skill → 新情况再更新Skill → 逐渐变聪明
3. 云服务器数据同步方案
问题：OpenClaw跑在云服务器上，本地不知道它在干嘛，两台电脑之间数据不同步。
三种解决方案：
方案A：百度网盘
- 本地设置百度网盘自动同步
- OpenClaw只需会操作百度网盘API
- 两台电脑自动同步，不需要技术背景
方案B：飞书云文档
- OpenClaw跑完后直接写入飞书云文档
- 本地打开飞书应用直接读取，实时同步
- 飞书新出了"飞书西腰AI"可以配合使用
方案C：Git同步
- OpenClaw完成任务后
git push到仓库 - 本地执行
git pull拉取结果 - 一条命令，适合有一定技术基础的人
4. Skill封装方法论（现场详细讲解）
核心思路：Skill = 可复用的业务模块，可以像代码组件一样迁移
Skill的四层结构：
- 入口层：定义这个Skill的触发条件，别人怎么找到它
- 服务层：业务流程怎么走，步骤是什么
- 资料层：类似词典，存放细则。例如"报销不超500元"、"只用A品牌供应商"等规则——平时不显示，但查询到相关流程时自动调用
示例：法律Skill
- 服务层：处理劳动纠纷的流程
- 资料层：劳动法条款、刑法条款、司法解释
- 好处：问劳动法问题只读劳动法，不会乱查其他法规
Skill封装的标准流程：
- 和AI反复对话，把业务流程调试跑通
- 说："把这个流程从头到尾帮我封装成Skill"
- 封装完成后，用新Skill重新跑一遍，验证是否正确
- 跑通 → 形成记忆 → Skill稳定下来
- 遇到新情况（如新规则、新边界），更新Skill的资料层
Skill迁移的本质：
- Skill是可以复制的，和物理资产不同
- 一个Skill在A平台调好，迁移到B平台，还需要少量调试（上下文重建），但比从头来快很多
- GitHub上下载的通用Skill也是这样产生的——别人调好上传，你拿来用，但需要根据自己业务改造（否则会出现"公司名字都写错了"的问题）
多Agent协作的困惑（现场答疑）：
- 问：和多个Agent沟通，不知道在跟哪个聊？
- 答：不需要管，有"管理中枢"（相当于项目经理/团队Leader）负责分配任务
- 当你的指令涉及某个能力，管理中枢会自动调用对应Skill
- 关键是把每个Skill调好，管理中枢会自动路由
关于AI记忆的风险：
- OpenClaw记忆积累越多，token消耗指数级增长
- 目前这块还没优化好
- 腾讯/阿里的记忆系统声称能提升65%记忆效果，但未经实测，建议信一半
- Claude Code的记忆分层：系统级、用户级、对话级，相对结构化
4. 网络稳定性
5. 图像生成（服装电商场景）
- 国内模型（即梦等）色调偏差大，难以满足高色调要求
- 工作流可固定人脸/身材，减少走样
- 方案：用香蕉出图 → 用ESRGAN类模型提升清晰度
- 需要英文语料训练的模型才能流畅输出英文语音
- 国产模型用Cosyvoice效果相对好
6. 数据爬虫现状
- 小红书接口不稳定，频繁登录违规
- 公众号数据可爬但规则限制多
7. 云服务器上的小龙虾
- 问题：不知道它在做什么，每天花很多时间排查通道问题
- 解决方案：
- 用百度网盘/飞书云文档同步数据
- 用Git同步：AI跑完后push，本地pull拉