我用openclaw给自己打造的AI工作流

数字养虾也有一个多月，应用的深度谈不上多少，主要是通过不断地打磨，还真的被我手搓出了一套AI工作流。

这套AI工作流完全是基于我个人的场景和需求，作为一名咨询顾问，我的日常工作其实就是围绕着信息的输入-知识的处理-成果的输出。

在没有用AI之前，我相信大部分知识工作者都会有类似的情况，每天除了从客户那里有大量的输入，还积攒了很多看完的或者没看完的文章，脑子里塞满了信息，但真正要写点什么的时候，发现什么都没留下。那些"收藏等于学会"的幻觉，在截止日期面前碎得一干二净。

有了AI之后，特别是很多装了openclaw之后，可能跟我最开始的情况类似，兴致勃勃地找各种skill，互联网上面那些“必装的x种skill”这类文章估计都看过不少，就像第一次买了智能手机后，下载安装尝试个app。

新鲜感之后，大家发现这些都是零散碎片的应用，能够给自己带来直接的帮助或者成果产出的好像并不多，很多人就觉得这跟用豆包或者DeepSeek有什么区别。

这不是你的问题。这是知识工作者的结构性困境：收集的渠道越来越多，可以应用的能力也越来越多，自己可以产出的东西却越来越少。

正好昨天刷X，看到铁锤人@lxfater分享的一个知识工作者从收集到产出的完整闭环框架。而这正好就是我在不知不觉当中已经这么做的，目前跑得还算通顺，以我自己的应用为例，拿出来给大家分享。

知识工作者的4步死循环

在谈系统之前，先把问题说清楚。

知识工作者的日常，表面上是"想问题、写东西"，本质上是一个循环：收集→消化→产出→发布。听起来好像并不复杂，但真实情况却是：

收集靠焦虑：看到什么都想存，微信收藏夹、笔记软件、电脑硬盘文件夹里的内容越来越多越来越乱，真正要找的时候一个都找不到。

消化靠拖延：存下来的东西躺在微信收藏夹、笔记软件、电脑盘里吃灰，总觉得"以后再看"等于"永远不会看"。

产出靠挤压：等到真要写报告、写文章了，才发现看过的不见得记得，记得的不见得理解，理解的不见得能够很快写出来。虽然有了AI，但是写出来的东西要么没有人味，要么根本不像自己写的。

发布靠手工：写完了还要手动转格式、制作PPT、画框架图，不停地修改迭代。

这不是工作效率问题，这是工作流设计问题。一个人在这四个环节里来回救火，每个环节都没有形成积累，每次都是从零开始。你不是在工作，你是在重复消耗自己。

我的AI工作流：4步闭环

Vincent（委托任务）

↓

AI团队：博尔赫斯/ 司马迁/ 麦肯锡/ 德鲁克

↓

STEP 1:收集→ STEP 2: 消化→ STEP 3: 产出→ STEP 4: 发布

这不是我一个人的战斗。我有一个AI团队：

博尔赫斯：信息搜索专家

司马迁：会议纪要专家

麦肯锡：诊断分析专家

德鲁克：知识沉淀专家

我只需要做一件事：委托任务，获取结果。

STEP 1：收集，解决信息输入的源头问题

OpenCLI（网页抓取）、博尔赫斯（定向情报）、司马迁（会议纪要）

以前的困境

我们每天都在阅读互联网上的大量内容——公众号、博客、资讯平台、社交媒体。

但有两个问题始终解决不了：

第一，内容无法长期处理。读的时候觉得有道理，收藏之后再也没有打开过。过了一段时间，连当时为什么存都不记得了。

第二，AI无法直接读取互联网。很多高质量的内容在微信公众平台、小红书、简书这类平台，有反爬限制。AI无法绕过这些限制去获取这些信息。

结果就是：人读完了记不住，AI想读又读不到。

现在的解决方案

用OpenCLI解决AI读取互联网的问题。

OpenCLI是一个网页内容抓取工具，可以突破反爬拦截、保持登录状态，直接把公众号、简书、小红书的内容抓取下来交给AI处理。

这样就打通了一个关键链条：

人读到有价值的内容→ OpenCLI抓取→ AI接手后续处理

三种高质量输入源头

除了OpenCLI，我的系统还有两个重要的信息输入渠道：

工具	功能	输入类型
博尔赫斯	定向行业情报搜索	主动获取：财报公告、竞品动态、政策文件
司马迁	会议录音转纪要	被动获取：与客户沟通的所有交流记录

博尔赫斯，负责主动出击，定向追踪高质量信息源。财报公告、行业分析、竞品动态，这些结构化的信息是高质量内容的稳定来源。

司马迁，负责把与客户沟通中的"活信息"沉淀下来。会议录音、文字纪要等都是项目中最有价值的洞察，只是从来没有被系统性地记录下来。现在AI将这些输入信息整理成结构化的会议纪要，提供给其他Agent作为诊断分析和解决方案的信息来源，真正变成可检索、可复用的知识资产。

STEP 2：消化，知识库自己长出来

流程：knowledge-ingest → LLM Wiki模式

knowledge-ingest（读取与摘要）

↓

LLM Wiki模式（知识库自生长）

关键设计：

大多数人的逻辑是：我先收集，我再整理，我再消化。我以前也是这样，因为三步都靠人，最后我也就做到了第一步而已，随着素材越来越多，开始整理需要非常大的勇气和动力。

按照大神Karpathy逻辑是：人设置好规则，AI负责把素材变成知识卡片，知识库自己长出来。

我让Agent参考Karpathy的方案做了一个Skill，本地知识库由Obsidian承载，原始素材进来，AI自动做这几件事：

Ingest流程（文档→ 卡片）

1.新文档存入00_收件箱

2.告知LLM："处理这个文档"

3. LLM读取原始内容

4. LLM与Vincent讨论：

-这篇文章的核心观点是什么？

-和现有哪些卡片关联？

-可能推翻哪些旧观点？

5. LLM生成/更新卡片

6. Vincent审核，确认后生效

7.追加log.md

Query流程（问题→ 洞察）

1. Vincent提出问题/写作主题

2. LLM先读index.md，找到相关卡片

3. LLM阅读相关卡片，综合分析

4. LLM输出洞察、观点、关联发现

5.如果是好洞察→ 存为新卡片（type=insight）

这不是"我维护知识库"，是知识库在AI的驱动下自己生长。

传统的知识管理是你天天浇水、施肥、修剪。AI时代的方式是你建好滴灌系统、选好品种，剩下的交给系统自动运转。你不需要记住每株花长什么样，系统会告诉你什么时候该浇水了。

关键变化：从"我维护知识库"到"知识库自己长"。

STEP 3：产出，用专业的Agent做专业的事

流程：enterprise-research示例

enterprise-research

↓

多Agent协同：博尔赫斯搜资 → 麦肯锡诊断 → 德鲁克写作

↓

solution-iterator + 四层质检

重要说明：STEP 3的核心不是固定用哪些Agent，而是根据任务需要，调用合适的Agent组合。下面用enterprise-research（四步企业研究）作为例子，说明这个机制是怎么工作的。

用enterprise-research调用多个Agent

enterprise-research是一个完整的企业研究流程，但它本质上是一个多Agent协同框架。

当我想研究一家公司时，这个流程会自动调度多个Agent协同工作：

第一步：信息搜集，博尔赫斯负责搜集企业的公开信息，包括年报、公告、新闻报道、行业分析、创始人访谈。搜集之前先搜索现有的知识库，找到可复用的信息。

第二步：财报诊断，麦肯锡负责对年报进行深度分析。四问穿透：

·增长质量：收入是真增长还是应收账款？

·业务结构：哪些业务在赚钱，哪些在失血？

·风险暴露：资产负债表里藏着什么雷？

·管理层叙事：他们说的是真相还是预期？

第三步：战略诊断，麦肯锡在财报诊断和企业公开信息与新闻的基础上，进一步诊断企业的战略位置。竞争格局、护城河评估、战略选择空间，形成对一个企业真实状况的判断。

第四步：故事叙事，德鲁克把前面汇总的所有信息写成一篇文章，不是信息的堆砌，是一个有观点、有框架、有判断的完整商业叙事。

这就是多Agent协同的真正价值：每个Agent做它最擅长的事，然后结果自动流转到下一个环节。

用solution-iterator保证输出质量

多Agent协同产出的内容，需要经过质量检验才能交付。

我用的是solution-iterator（方案迭代评审），核心是一个5轮深度评审机制：

评审维度	问题
战术层	这个方案在执行层面可行吗？
利益层	各方的利益诉求被照顾到了吗？
执行层	实施路径清晰吗？资源够吗？
风险层	主要风险点在哪里？有应对预案吗？

每一轮评审，保留好结果，丢弃坏结果。最终交付的，是经过多轮筛选的高质量产出。

四层质检内化到写作过程

除了solution-iterator，我在写作环节还加了四层质检门禁（4D自检）：

维度	含义
Direction	方向：这篇文章要回答的核心问题是什么？
Depth	深度：论证是否充分，有足够的支撑？
Distinctiveness	独特性：有没有我自己的判断和洞察？
Delivery	表达：逻辑是否清晰，语言是否流畅？

关键设计：质检不是后处理，是写作时做好质检。

不是写完再改，是写的时候就做对。

STEP 4：发布，一次产出，多格式分发

流程：PPTX · Html → 飞书Wiki/云盘

PPTX · Html（多格式输出）

↓

飞书Wiki/云盘（多端同步）

我的日常工作产出的成果，经常需要以PPT的方式呈现，但是AI生成PPT要么丑，要么非常丑。我后来发现用PPT汇报属于上个时代的时代，就像未来操作使用软件的主要是Agent而不是人类，PPT这种汇报方式我认为也会被Html这种所见即所得的呈现方式取代。

我把pptx-generator、design-md、architecture-diagram整合到了一起，手搓了一个可以同时生成PPTX和Html的Skill，同时具备视觉风格与图表内容的能力。

·需要传统的汇报？提供PPTX版本，支持图表以及附带演讲注释

·需要有交互效果的演示沟通？提供带有架构图的Html版本，可直接在浏览器打开与演示

·需要直接发给客户？一键转换生成PDF版本，带专业排版

飞书同步Skill负责把内容同步到飞书Wiki，我在pc端和手机端都可以随时看到产出的成果。

结果就是，产出内容的时间没有变，但我交付出去的东西变多了。

内容本身的价值被放大了，而不是被格式转换消耗掉了。

这套系统的设计理念：两个关键转变

聊完四步，我想重点说两个我在这套系统里反复验证的设计理念。这些是比具体工具更重要的东西。

不是堆工具，是分工

很多人问我：你用多少个AI工具？我说：我用很多。但这不是重点。

重点是：每个工具有它明确的职责边界，它只做它该做的事。

不同的agent负责不同的场景，调用不同的Skill在不同场景下完成我安排的任务，但是你得下单明确的分工安排与任务要求。

不是自己维护，是让AI帮你长

第二个转变是从"我维护"到"它自己长"。

传统的知识管理逻辑是：我负责收集、我负责整理、我负责维护。三件事都是人在干。

AI时代的逻辑应该是：我负责建框架、定规则、提需求；AI负责执行、积累、优化。

知识库不是一个静态的仓库，是一个动态生长的系统。你每天喂给它新的素材，它每天变得更懂你。

你不是知识库的管理员，你是知识库的甲方。

你的工作流应该长什么样

说了这么多我的系统，最后想聊一个更根本的问题：你需不需要一套工作流？

如果你每天处理的信息量不大，你的产出也不需要高频迭代，那花时间建这套系统可能确实是过度设计。

但如果你和我一样，是一个知识工作者，每天要处理大量的输入、要产出结构化的内容、要对不同的人做不同形式的汇报，那工作流不是可选项，是效率的基本保障。

你需要的不是整一堆的工具却不知道如何干活，你需要的是设计系统并让系统来干活。

你不需要学会所有的AI工具，你需要的是想清楚你真正的问题是什么，然后设计一个让AI替你解决问题的系统。

剩下的，就交给系统去长吧。