前7篇讲了OpenClaw能干什么、怎么用。
今天聊一个不一样的话题——怎么让这个工具越来越懂你。 同样的AI，有人用着顺手，有人用着隔阂，差别就在"调教"这两个字上。

🤷 为什么同样的AI，有人好用有人不好用？

先讲个我的亲身经历。

刚开始用那两天，我跟小文的对话是这样的：

👤 我（早期）

「帮我写个方案。」

🤖 小文

「好的，请问是什么方案？给谁看的？大概内容方向是什么？有什么具体要求吗？」

然后我要一个个回答它的追问，一来一回好几轮，感觉比我自己写还累。

后来我悟了——不是它不好用，是我没说清楚。

现在我学会了。同样一件事情，我换了个说法：

👤 我（现在）

「帮我写个合作方案，客户是做农产品电商的，重点突出供应链优势。语气不要太官方，口语化一点。先列个大纲给我看看。」

🤖 小文

直接出了一份带大纲的方案初稿，基本不用改就能用。

差别在哪？我提前给了它"上下文"。

🎯 方法一：多说背景，少问"行不行"

很多人用AI的误区是把它当搜索引擎——问一句它答一句，答完发现不是自己想要的，再问下一句。

更好的方式是：一次性把上下文喂给它。

📝 方法二：告诉它你是谁

OpenClaw有一个"身份设定"的功能。你告诉它你是谁、你怎么称呼、你的偏好是什么，它以后会一直按这个来。

我跟小文的设定就是：

▸ 叫我"涛哥"
▸ 回答直接一点，不要"很高兴为您服务"这种废话
▸ 不清楚的先去查记录，别让我重复说
▸ 有意见可以直接说

设定完之后，效果立竿见影。它的回复风格变了，从"客服模式"变成了"搭档模式"。

你告诉AI越多关于你自己的事
它就能给你越精准的答案

🔁 方法三：反馈是最好的调教

小文给我写了东西，我不满意的时候，以前会说"不行，重写"——但它不知道哪里不行，重写的还是不对。

现在我学会了给具体反馈：

❌ 「不行，重写」
✅ 「第二段太啰嗦了，删掉一半。语气再接地气一点，别太官方。」

❌ 「这个不对」
✅ 「数据不对，应该是按季度统计而不是按月，你重新算一下。」

给具体反馈的另一个好处是——它会记住你的偏好。你告诉它三次"不要太长"，以后它自动就不写长了。

🧩 方法四：不满意就追问，别认了

很多人得到AI第一次的回答就接受了——不管它好不好。但AI的第一版答案通常只是最安全的答案，不是最好的。

我的习惯是至少追问两三轮：

▸ 「再具体一点」
▸ 「换个角度看看这个问题」
▸ 「如果预算只有一半，方案怎么调整」
▸ 「这个结论有什么反例吗」
▸ 「写得再口语化一点」

每次追问，答案都会上一个台阶。AI的第一版回答是60分，追问两轮能到85分。

📌 方法五：给它定规矩

OpenClaw可以接收"规则"。就是你告诉它某些事应该怎么做，它就会一直这么做。

我给它定了几条规则：

📋规则一：每天早上帮我整理当天的待办优先级

📋规则二：写东西之前先列大纲，等我确认再展开

📋规则三：主动记下每次我纠正它的地方

这些小规则叠加起来的效果很明显——它逐渐从一个"通用AI"变成了"我的AI"。

💭 写在最后

调教AI这件事，说穿了就一句话：你怎么对同事说话，你就怎么对它说话。

你会跟同事说"写个方案"然后指望他完美猜中你的想法吗？不会吧。你会告诉他背景、要求、风格、截止时间。

对AI也一样。你把信息给它越多，它给你的质量就越高。它的智商是固定的，但它的"懂你程度"取决于你告诉它的有多少。

所以今天文章的建议可以总结成五个字——多说，别嫌烦。

🔮 下篇预告

到今天已经聊了很多"好用的地方"。但世界上没有完美的工具，OpenClaw也有它的问题和局限。
下一篇我来一次 「避坑指南」——用了这么久，我踩过哪些坑、哪些人其实不适合、哪些事它真的做不好。

觉得有用就关注吧👇

小文AI实战笔记 · 不吹牛，讲人话，真干活