我上一份工作结束得很突然，收到通知那天下午，我还在会议室里跟同事对需求。回家的路上我算了笔账：房贷、社保、日常开销，以我当时的储蓄最多撑几个月。那时候我满脑子只有一个念头——我得在最短时间内找到新的收入来源，但手头这些杂事又不能不处理。然后我开始认真折腾 AI 助手这件事。前后试了差不多两个星期，最后留在生产环境里跑的就是 OpenClaw。它帮我做的事情很朴素：收邮件、整理数据、写初稿、跟进客户、定时汇报。坦白讲，没有它我也能做完这些事，但每天至少要多花四五个小时。而现在，我每天只需要集中工作两个多小时，剩下的时间用来接新的单子、学新的东西，甚至单纯地休息。这篇东西不是教程，更像一份实战记录。我会把自己当初为什么选它、怎么部署、怎么从零搭出三个自动化场景、踩过哪些坑，以及裁员之后这套“每天两小时”的工作方式普通人能不能复制，都讲一遍。如果你也是自由职业者、正在找新方向的人，或者单纯被重复劳动淹没的打工人，这篇应该对你有用。1. 为什么是 OpenClaw：我被裁后选型时的几个硬指标1.1 先说被裁后的处境：时间看着很多，但注意力碎成了渣没被裁过的人可能觉得，失业之后最不缺的就是时间。真轮到自己的时候才发现，不是这么回事。没人给你安排优先级了，所有事都堆在你面前：要修改简历，要投岗位，要处理前公司的交接遗留，要回各种消息，要整理社保公积金，还要买菜做饭。看起来时间一大把，实际上注意力被切成了一小块一小块，每件事都做不深。所以我当时给自己定的原则很简单：把一切能用规则描述清楚的重复劳动交给自动化，把自己有限的注意力留给真正需要判断力的事情。这也是后来我试用了一堆工具之后，唯一愿意留下来长期用的原因。1.2 对比一：OpenClaw 与传统 RPA 的差别到底在哪很多人一听“自动化”就想到 RPA，比如那种在电脑上录脚本、自动点击鼠标的软件。传统 RPA 确实能干很多事，但它本质上是“机械臂”：你告诉它坐标、步骤、规则，它严格执行，一旦界面变了或者流程有点意外，它就傻眼了。OpenClaw 这类大模型驱动的 AI Agent 则是另一个路子。它理解的不是“第几步点哪里”，而是“用户想达成什么目标”。比如我让它“查一下所有未付款发票，整理成清单发给我”，它会自己去邮局或者后台系统找相关内容，自己做筛选汇总，遇到缺了关键信息的还会主动问或者标注出来。这背后依赖的是大模型的语义理解能力，而不是写死的脚本。我用一个很俗的类比：传统 RPA 像一个只会照着菜谱做的厨师，你把菜谱换了他就懵；AI Agent 更像一个知道“客人想吃辣的、最好带汤、上菜快”的厨师，他会自己决定做什么菜。1.3 对比二：为什么不用现成的在线自动化平台市面上的在线自动化平台，比如国外的各类 workflow 工具、国内的很多“数字员工”产品，我不是没考虑过。但仔细算了一笔账之后放弃了。首先是费用。被裁之后每一分钱都要算着花，很多平台按执行次数或按流程数收费，几个场景跑下来一个月就几百上千，比我一天的餐费还多。其次是灵活性不够。平台能做的是平台预设好的那些模块，我想让它读一个特殊格式的报表，或者对接某个冷门接口，就很费劲。第三点也是最重要的，我的很多数据不想放在别人的服务器上，本地部署意味着数据在本地，隐私风险可控得多。这时候 OpenClaw 这种开源、可本地部署的方案对我来说就是最合适的选择：一次性付出学习成本，长期运行几乎零边际费用，而且所有配置文件都是纯文本，想怎么改就怎么改，想备份就备份。1.4 我最终选 OpenClaw 的三个硬指标如果只看官网介绍，可能觉得什么都能干，反而不知道怎么选。我当时给自己定了三个硬指标，任何一个不满足就直接排除：必须能本地部署，数据不出本机。必须能用普通语言配置，而不是写一整套复杂代码。必须能方便地接外部消息渠道和定时任务，让我可以“只提要求，不用盯着”。OpenClaw 三条都符合。它本体是一个开源项目，装好后用 Markdown 或 YAML 写配置，Agent 的描述、工具、触发器都在一个文件里，非常直观。我大概花了一个下午就能让它跑起来，第二天就开始写真正的自动化场景了。后续我所有生产环节用的都是它，没有换过。2. 部署 OpenClaw 的完整过程与初始配置2.1 环境准备：一台旧电脑就够了我不建议为了跑这个专门买新设备。手头上一台用了四五年的旧办公本就够了。我自己的情况是：一台普通的 Windows 笔记本电脑，装完后基本不盖盖子，插着电源放在书桌角落，就当个微型服务器用。功耗很低，风扇声音也小，比我想象中安静很多。安装过程不复杂，核心就是三步：装好运行环境、下载项目、安装依赖。我简化一下自己当时的操作：# 安装基础环境（以 Debian/Ubuntu 系为例） sudo apt update sudo apt install -y git python3 python3-pip # 拉取 OpenClaw 项目 git clone https://github.com/someuser/openclaw.git cd openclaw # 安装依赖 pip3 install -r requirements.txt # 初始化配置文件，会自动生成一个示例配置 python3 openclaw init注意：这里的仓库地址是示意写法，实际安装时以你获取到的项目地址为准。整个安装过程十几分钟内可以完成，最大的时间开销其实是后面写配置和调 prompt。我用的是 Linux 环境，如果你只有 Windows，也可以装个系统自带的 Linux 子系统，或者直接用 Docker 跑，官方文档里都有现成步骤，不需要额外折腾。2.2 初始化一个 Agent：两个关键文件初始化之后，目录里会出现两个核心文件：一个是全局配置，记录运行端口、模型 API 地址这些；另一个是 Agent 定义文件，里面写的就是“这个 Agent 是谁、能做什么、用什么工具”。我重点解释一下 Agent 定义文件，因为后面所有自动化场景都围着它转。它的结构大概长这样：agent: name: "my-assistant" description: "我的个人工作助手，负责处理邮件整理、报表汇总、内容初稿" model: provider: "openai-compatible" api_key_env: "MY_API_KEY" base_url: "http://localhost:11434/v1" model: "qwen2.5:latest" triggers: - type: "cron" schedule: "0 9 * * *" task: "morning_report" - type: "interval" minutes: 30 task: "check_inbox"这个文件我改了三版才定下来。第一次写得乱七八糟，把什么能力都往一个 Agent 里塞，结果它经常在整理邮件的时候突然去回复消息，或者做报表做到一半跑去写周报，上下文一乱就出错。第二次我把任务拆开，做了一个主要 Agent 加几个专用子任务，明显稳定很多。第三次我加了详细的 action 描述，告诉它每个任务的具体输出格式和质量要求，这才达到“可交付”的程度。2.3 给 Agent 起名并“驯化”它：人设与行动偏好很多人忽略这一步，直接让 Agent 干活，结果产出总是差点意思。我自己的经验是：花 20 分钟写好描述，能省下后面无数次的返工。Agent 定义文件里有一段是“系统提示”，相当于给 AI 立规矩。我写的版本大概是这样的：你叫小助，是我的个人工作助手。你做事的原则是：先理解需求，再执行；不确定的地方要标记出来，不要擅自假设。 整理邮件时，按紧急程度排序，每封邮件用不超过三行的摘要概括，并给出建议动作（回复/待定/忽略）。输出用简洁的列表格式。 汇总数据时，先给出核心结论，再附支持数据。不要把所有数字罗列一遍，要有观点。 写初稿时，语气要像真人，口语化一点，不要像官方公告。长度控制在 300 字以内，观点明确，结尾要有行动建议。这段话看起来简单，但它把后面所有场景的输出规范都提前定好了。我后来遇到的大多数质量问题，都源于系统提示写得不够具体。你越清楚自己要什么，AI 就越不容易自由发挥。2.4 配置刚需渠道：IM 接入与定时触发器Agent 搭好之后，我还做了两件很重要的事：接入常用的聊天工具，以及配置定时触发。接入聊天工具的意义在于，我可以随时用手机给它发消息，像跟同事说话一样给它派活。比如“小助，把昨天收到的合同扫描件整理成清单”，它就会去指定目录找文件、提取关键信息、回复我一个表。这种自然语言交互方式，比自己去后台翻日志方便得多。定时触发则解决了“AI 不主动”的问题。我配置了两个定时任务：每天早上九点做一次工作简报，每半小时扫一次收件箱。这些都是靠 Agent 定义文件里的 cron 触发器实现的。写法和 Linux 的 crontab 几乎一样，日程表达用五段式：分、时、日、月、周。下面这段就是早上九点跑的邮件摘要任务：- type: "cron" schedule: "0 9 * * *" task: "digest_inbox"这里要说明一下：定时任务配好了并不意味着马上靠谱，你需要在头几天观察它的运行日志，看它到底有没有按时跑、跑完有没有输出。我后来有一次发现它没干活，查日志才发现是我的电脑睡眠了。解决办法也很简单——在电源设置里把“睡眠”改成“从不”。3. 把“每天 8 小时”压缩成“2 小时”：三个自动化场景实战部署不是目的，用起来才是。我真正感受到“每天只工作 2 小时”这个说法成立，是在我把三个核心场景跑通之后。3.1 场景一：收件箱不再是我的焦虑源我以前的习惯是每天早上打开邮箱，看到几十封未读就头皮发麻。后来我把收件箱的处理完全交给了 OpenClaw。我给它的任务描述写得很详细：每天上午九点，检查所有未读邮件。按以下规则处理： 1. 来自客户或者带“合同”“发票”“付款”关键字的邮件，标记为紧急； 2. 正文超过 300 字或者包含两个以上问题点的，提取重点后标记为待处理； 3. 剩下的一律归入“稍后阅读”，只保留摘要。 输出格式：一份按紧急程度排序的清单，每条包含发件人、主题、一句话摘要、建议动作。最开始它只是给我生成摘要，我自己看摘要再决定回不回、让谁回。跑了一周之后我摸清了它的判断逻辑，开始让它直接把内容归类到对应文件夹，并生成一封草稿回复，我只要看一眼改两个字就能发出去。现在每天早上花在邮件上的时间基本控制在十分钟以内，这十分钟还主要花在真正需要我拍板的事情上。3.2 场景二：一页纸日报，替代我盯一整天的看板接项目的时候最烦的事情之一就是盯各种看板数据：今天哪里增加了、哪里掉线了、哪个环节异常了。以前我得白天隔一阵刷新一次，晚上还要自己整理成表格报给合作方。OpenClaw 帮我做的事是：每天晚上自动把当天多个平台的数据拉下来，汇总，生成一页纸日报。它的 prompt 我调整了很多次，最终稳定版是这样：每天晚上八点，从以下数据源拉取当日数据： 1. 项目后台的活跃数据； 2. 客服渠道的新会话数和平均响应时间； 3. 交易流水表（如果有）。 输出规则： - 先给出一句话结论，例如“今日整体平稳，客服响应偏慢”； - 再列出与昨日相比的变化点，变化超过 10% 的项目需要标注原因推测； - 最后给出明日需要重点关注的事项，不超过三条。这个日报最大的价值不是省掉了我“看数据”的时间，而是省掉了我“组织语言汇报”的时间。以前光是把数据整理成能发给别人的报告，就得花大半个小时，现在一份现成的早上发过去就行。我只需要在它列出的“重点事项”里做一些判断和补充。3.3 场景三：话术初稿交给 Agent，我只做最后 5% 的编辑被裁之后我在接各种项目，免不了要给新客户写方案、写私信、写报价说明。这些内容说难也不难，但每一份都要从头组织语言，很消耗精力。现在我的做法是：把客户的需求转发给 OpenClaw，让它根据我提前写好的“个人风格说明”和项目信息，生成一版初稿。我的风格说明大概写了十几条，比如“不要在开头说尊敬的客户”“不要用太多形容词”“每段尽量短”“最后一定要有明确的下一步建议”等等。它生成之后，我再花几分钟改一改，替换一些具体细节，把语气调整得更自然，一封基本合格的回复就出来了。这一个场景帮我节省的时间最多。因为我接的项目越多，要写的个性化沟通越多，而且这些沟通往往是“低难度但高频率”的，非常适合做初稿自动化。3.4 这些 prompt 背后的共同套路三个场景跑下来，我自己总结出一个通用的 prompt 套路，分享出来供参考：明确触发时机：不管是用定时任务还是人工指令，都要告诉它“在什么情况下做这件事”。描述输入来源：告诉它数据从哪里来，比如“邮件”“指定文件夹里的 CSV”“后台导出表”。规定输出结构：要求它按什么格式输出，比如“先空结论再列数据”“每条不超过三行”。定义质量下限：明确什么不能做，比如“不要编造数据”“不确定的内容要标出来”。很多人写 prompt 容易写得太空，只说“帮我整理一下邮件”，结果它真的就只给你一个“整理好了”。你想要的是按优先级排好、带建议动作、能直接照着执行的结果，这些都必须写出来。你不写清楚，它就不会主动做。4. 运行一个月后：真实收益、翻车时刻与参数调优记录4.1 一个月实测数据：每天确实省出了四五个小时这不是客套话，我用一个月的时间记录了实际时长。在部署 OpenClaw 之前，我每天的工作相关耗时大概在七到八小时；跑起来之后，尤其是三周以后稳定下来，我每天实际花在工作相关事务上的时间基本在两小时上下。具体的耗时分布大概是这样的：任务自动化前自动化后邮件处理60 分钟10 分钟数据整理与日报45 分钟5 分钟客户沟通初稿90 分钟15 分钟其他事务处理60 分钟30 分钟真正需要判断的核心工作120 分钟60 分钟这个表格只统计了我个人时间的一个侧面，每个人的工作结构不一样，数字肯定有差异。但我想说的是，哪怕你的工作内容和我的完全不同，只要是“规则明确 + 产出重复”的事情，AI 自动化能压缩的时间比例都是相当可观的。4.2 翻车记录：三次跑偏让我差点放弃不能光说好处，我也得把翻车的事讲清楚。开头的三周里，它出现了三次让我印象深刻的失误。第一次是邮件分类问题。当时有个客户发了合同附件，它居然归类到“稍后阅读”了，导致我晚了整整一天才看到。从那以后，我把带“合同”“付款”“签字”这些关键字的邮件全部上调优先级，并且在规则里加了一条“任何拿不准的都默认视为紧急”。第二次是重复触发。我原本配了一个每半小时扫一次收件箱的任务，结果有一天晚上它把我已经处理过的邮件又汇总了一遍，还发了条消息问我“是否需要回复”。我后来加了去重逻辑，让它在同一个会话里识别“该封邮件是否已经处理过”，问题就解决了。第三次是语气问题。它生成的一版回复虽然信息完整，但读起来就是一股“AI 味”，比如用“很高兴为您服务”这种句子。我把风格说明里的“像个正常人说话”写得更具体，甚至举了反例：“不要出现很高兴为您服务之类的官方措辞”。效果立竿见影。这些事挺琐碎的，但每解决一件，系统的可靠性就高了一截。自动化的核心不是一开始就完美，而是能不断调优逼近你需要的状态。4.3 调优参数：温度、最大轮次、超时重试跑了一段时间之后，我还对几个关键参数做了调优。这些参数在 OpenClaw 的配置文件里都能改，不影响整体结构，但直接影响稳定性和产出质量。温度（temperature）：如果目标是整理数据、汇总报表，建议设为 0.1 到 0.3 之间，让它更严谨、减少自由发挥；如果目标是写文案、构思话术，可以调到 0.7 左右，让表达更自然。我自己在数据场景统一用 0.2，文字场景用 0.6。最大轮次（max iterations）：这个决定 Agent 在执行一个任务时最多能调用多少次工具。太高了容易失控，反复尝试同一个失败操作；太低了又无法完成复杂任务。我平时设成 10，做复杂的汇总任务时临时开到 15。超时重试：外部 API 偶尔会响应慢，配置里可以设置超时时间和重试次数。我设置为“超时 30 秒，重试两次”，这样偶尔的网络波动不会让整个任务失败。调参数的原则是：没有绝对正确的值，只有适不适合你的场景。建议每次只改一个参数，跑几天看看效果再做下一次调整。4.4 备份与回滚：把自己从事故中救回来这件事必须放在最后但绝对重要：一定要做配置备份。我用了一个最笨也最可靠的方式——把所有配置文件丢进一个本地 Git 仓库。每当我要修改配置，就先提交一次；改完之后如果跑出问题，可以直接回滚到上一个版本。这套操作不费多少时间，但能让你在折腾新功能的时候不怕把现状搞坏。我印象最深的一次，是我为了优化日报逻辑，把整个 Agent 定义文件重写了一遍，结果当天晚上的日报完全没生成。我想回退但发现自己忘了提交，只能翻聊天记录手工恢复，折腾了一小时。那次之后我就养成了“先提交再改动”的习惯，再也没因为这个栽过跟头。你也可以把配置目录放到网盘或别的备份工具里，总之不要让配置只存在一份。5. 裁员后想复制“2 小时工作制”，我建议你按这个步骤来我自己是从一开始就踩坑过来的。如果你看完上面这些也想开展一套自己的自动化方案，我建议按下面这个顺序来，不要一上来就学一堆花活。5.1 第一步：先别想“什么都自动化”，先记一周时间账在动手之前，先用一周时间记录自己的时间。可以不用多精确，大概记一下：今天早上做了哪几类事、各花了多少时间、哪些事情是重复的、哪些事情真正需要你动脑子。一周下来你就会发现，绝大多数人的时间都被几件固定的事情吃掉：回消息、找资料、整理表格、填流程单。这些事都有很强的规律性，这就是最容易自动化的部分。如果你脑海里对这些事的边界还不清楚，后面配置出来的 Agent 也一定跑不好。5.2 第二步：按“规则可描述度 + 犯错成本”给任务打分把一周记录里的任务列出来，给每个任务打两个分：一个是“能不能用规则说清楚”，一个是“做错了造成的后果严不严重”。然后按优先级排序。任务规则可描述度（高/中/低）犯错成本（高/中/低）自动化优先级邮件分类汇总高中高日报数据汇总高高中客服消息转发高低高客户方案思路决策低高不自动化具体建议是：规则描述度高的先做，犯错成本高的要先留人肉复核再做。比如日报汇总这种，虽然犯错后果有点大，但逻辑非常明确，可以先自动化，但保留每天人工过目一遍的习惯。而像“怎么给客户提方案思路”这种事，复制性低、失败代价又高，一开始就不要指望自动化。5.3 第三步：让 AI 先做，你只审核，再逐步放权我的建议是别一上来就全自动。第一步是“AI 生成结果，你只做审核”，跑一段时间没问题了，再让它自动执行。比如邮件整理，我前面大概手动审核了一周，确认它的判断逻辑没问题之后，才让它直接分类和生成草稿。这个“灰阶替换”的过程很关键。它让你在最小风险的前提下，逐步建立对系统的信任。我见过很多人一上来就把全部权限交给 AI，结果出了问题又彻底回到全手工，反而是来回折腾最耽误时间。5.4 第四步：你的核心技能不能自动化最后说点心里话。AI 能帮你省下来的都是执行层面的时间，但它替不了你做判断、想办法、建立信任。真正让你在市场上站得住的，永远是那些它学不来或者暂时学不像的能力：你能不能在信息不全的情况下做出靠谱的决策，能不能跟客户处成长期关系，能不能把一件复杂的事从零到一推进落地。所以我的建议是：把自动化省下来的时间，拿去找新的收入来源，或者打磨一门更深的专业能力，不要全部拿来刷手机。被裁员之后的危机感是真实的，但危机感本身不产生收入。只有当你腾出时间去做有价值的事，这套“每天工作两小时”才真正有意义。我个人操作到现在的真实感受是，OpenClaw 不是一个“神奇的工具”，它更像一个耐心到不会抱怨的实习生：你交代清楚的事情它从来不嫌烦，但你要是自己都说不清，它就给你来一堆花里胡哨的错误答案。我的所有收益都来自不断的调试和明确的表达。写到最后再分享一个特别小的技巧：如果你也让它定时跑任务，记得把所有任务的输出统一存到同一个日志文件里，这样排查问题会方便非常多。折腾这套东西最忌讳的就是——你自己都不知道它昨天干了什么。
我上一份工作结束得很突然，收到通知那天下午，我还在会议室里跟同事对需求。回家的路上我算了笔账：房贷、社保、日常开销，以我当时的储蓄最多撑几个月。那时候我满脑子只有一个念头——我得在最短时间内找到新的收入来源，但手头这些杂事又不能不处理。然后我开始认真折腾 AI 助手这件事。前后试了差不多两个星期，最后留在生产环境里跑的就是 OpenClaw。它帮我做的事情很朴素：收邮件、整理数据、写初稿、跟进客户、定时汇报。坦白讲，没有它我也能做完这些事，但每天至少要多花四五个小时。而现在，我每天只需要集中工作两个多小时，剩下的时间用来接新的单子、学新的东西，甚至单纯地休息。这篇东西不是教程，更像一份实战记录。我会把自己当初为什么选它、怎么部署、怎么从零搭出三个自动化场景、踩过哪些坑，以及裁员之后这套“每天两小时”的工作方式普通人能不能复制，都讲一遍。如果你也是自由职业者、正在找新方向的人，或者单纯被重复劳动淹没的打工人，这篇应该对你有用。1. 为什么是 OpenClaw：我被裁后选型时的几个硬指标1.1 先说被裁后的处境：时间看着很多，但注意力碎成了渣没被裁过的人可能觉得，失业之后最不缺的就是时间。真轮到自己的时候才发现，不是这么回事。没人给你安排优先级了，所有事都堆在你面前：要修改简历，要投岗位，要处理前公司的交接遗留，要回各种消息，要整理社保公积金，还要买菜做饭。看起来时间一大把，实际上注意力被切成了一小块一小块，每件事都做不深。所以我当时给自己定的原则很简单：把一切能用规则描述清楚的重复劳动交给自动化，把自己有限的注意力留给真正需要判断力的事情。这也是后来我试用了一堆工具之后，唯一愿意留下来长期用的原因。1.2 对比一：OpenClaw 与传统 RPA 的差别到底在哪很多人一听“自动化”就想到 RPA，比如那种在电脑上录脚本、自动点击鼠标的软件。传统 RPA 确实能干很多事，但它本质上是“机械臂”：你告诉它坐标、步骤、规则，它严格执行，一旦界面变了或者流程有点意外，它就傻眼了。OpenClaw 这类大模型驱动的 AI Agent 则是另一个路子。它理解的不是“第几步点哪里”，而是“用户想达成什么目标”。比如我让它“查一下所有未付款发票，整理成清单发给我”，它会自己去邮局或者后台系统找相关内容，自己做筛选汇总，遇到缺了关键信息的还会主动问或者标注出来。这背后依赖的是大模型的语义理解能力，而不是写死的脚本。我用一个很俗的类比：传统 RPA 像一个只会照着菜谱做的厨师，你把菜谱换了他就懵；AI Agent 更像一个知道“客人想吃辣的、最好带汤、上菜快”的厨师，他会自己决定做什么菜。1.3 对比二：为什么不用现成的在线自动化平台市面上的在线自动化平台，比如国外的各类 workflow 工具、国内的很多“数字员工”产品，我不是没考虑过。但仔细算了一笔账之后放弃了。首先是费用。被裁之后每一分钱都要算着花，很多平台按执行次数或按流程数收费，几个场景跑下来一个月就几百上千，比我一天的餐费还多。其次是灵活性不够。平台能做的是平台预设好的那些模块，我想让它读一个特殊格式的报表，或者对接某个冷门接口，就很费劲。第三点也是最重要的，我的很多数据不想放在别人的服务器上，本地部署意味着数据在本地，隐私风险可控得多。这时候 OpenClaw 这种开源、可本地部署的方案对我来说就是最合适的选择：一次性付出学习成本，长期运行几乎零边际费用，而且所有配置文件都是纯文本，想怎么改就怎么改，想备份就备份。1.4 我最终选 OpenClaw 的三个硬指标如果只看官网介绍，可能觉得什么都能干，反而不知道怎么选。我当时给自己定了三个硬指标，任何一个不满足就直接排除：必须能本地部署，数据不出本机。必须能用普通语言配置，而不是写一整套复杂代码。必须能方便地接外部消息渠道和定时任务，让我可以“只提要求，不用盯着”。OpenClaw 三条都符合。它本体是一个开源项目，装好后用 Markdown 或 YAML 写配置，Agent 的描述、工具、触发器都在一个文件里，非常直观。我大概花了一个下午就能让它跑起来，第二天就开始写真正的自动化场景了。后续我所有生产环节用的都是它，没有换过。2. 部署 OpenClaw 的完整过程与初始配置2.1 环境准备：一台旧电脑就够了我不建议为了跑这个专门买新设备。手头上一台用了四五年的旧办公本就够了。我自己的情况是：一台普通的 Windows 笔记本电脑，装完后基本不盖盖子，插着电源放在书桌角落，就当个微型服务器用。功耗很低，风扇声音也小，比我想象中安静很多。安装过程不复杂，核心就是三步：装好运行环境、下载项目、安装依赖。我简化一下自己当时的操作：# 安装基础环境（以 Debian/Ubuntu 系为例） sudo apt update sudo apt install -y git python3 python3-pip # 拉取 OpenClaw 项目 git clone https://github.com/someuser/openclaw.git cd openclaw # 安装依赖 pip3 install -r requirements.txt # 初始化配置文件，会自动生成一个示例配置 python3 openclaw init注意：这里的仓库地址是示意写法，实际安装时以你获取到的项目地址为准。整个安装过程十几分钟内可以完成，最大的时间开销其实是后面写配置和调 prompt。我用的是 Linux 环境，如果你只有 Windows，也可以装个系统自带的 Linux 子系统，或者直接用 Docker 跑，官方文档里都有现成步骤，不需要额外折腾。2.2 初始化一个 Agent：两个关键文件初始化之后，目录里会出现两个核心文件：一个是全局配置，记录运行端口、模型 API 地址这些；另一个是 Agent 定义文件，里面写的就是“这个 Agent 是谁、能做什么、用什么工具”。我重点解释一下 Agent 定义文件，因为后面所有自动化场景都围着它转。它的结构大概长这样：agent: name: "my-assistant" description: "我的个人工作助手，负责处理邮件整理、报表汇总、内容初稿" model: provider: "openai-compatible" api_key_env: "MY_API_KEY" base_url: "http://localhost:11434/v1" model: "qwen2.5:latest" triggers: - type: "cron" schedule: "0 9 * * *" task: "morning_report" - type: "interval" minutes: 30 task: "check_inbox"这个文件我改了三版才定下来。第一次写得乱七八糟，把什么能力都往一个 Agent 里塞，结果它经常在整理邮件的时候突然去回复消息，或者做报表做到一半跑去写周报，上下文一乱就出错。第二次我把任务拆开，做了一个主要 Agent 加几个专用子任务，明显稳定很多。第三次我加了详细的 action 描述，告诉它每个任务的具体输出格式和质量要求，这才达到“可交付”的程度。2.3 给 Agent 起名并“驯化”它：人设与行动偏好很多人忽略这一步，直接让 Agent 干活，结果产出总是差点意思。我自己的经验是：花 20 分钟写好描述，能省下后面无数次的返工。Agent 定义文件里有一段是“系统提示”，相当于给 AI 立规矩。我写的版本大概是这样的：你叫小助，是我的个人工作助手。你做事的原则是：先理解需求，再执行；不确定的地方要标记出来，不要擅自假设。 整理邮件时，按紧急程度排序，每封邮件用不超过三行的摘要概括，并给出建议动作（回复/待定/忽略）。输出用简洁的列表格式。 汇总数据时，先给出核心结论，再附支持数据。不要把所有数字罗列一遍，要有观点。 写初稿时，语气要像真人，口语化一点，不要像官方公告。长度控制在 300 字以内，观点明确，结尾要有行动建议。这段话看起来简单，但它把后面所有场景的输出规范都提前定好了。我后来遇到的大多数质量问题，都源于系统提示写得不够具体。你越清楚自己要什么，AI 就越不容易自由发挥。2.4 配置刚需渠道：IM 接入与定时触发器Agent 搭好之后，我还做了两件很重要的事：接入常用的聊天工具，以及配置定时触发。接入聊天工具的意义在于，我可以随时用手机给它发消息，像跟同事说话一样给它派活。比如“小助，把昨天收到的合同扫描件整理成清单”，它就会去指定目录找文件、提取关键信息、回复我一个表。这种自然语言交互方式，比自己去后台翻日志方便得多。定时触发则解决了“AI 不主动”的问题。我配置了两个定时任务：每天早上九点做一次工作简报，每半小时扫一次收件箱。这些都是靠 Agent 定义文件里的 cron 触发器实现的。写法和 Linux 的 crontab 几乎一样，日程表达用五段式：分、时、日、月、周。下面这段就是早上九点跑的邮件摘要任务：- type: "cron" schedule: "0 9 * * *" task: "digest_inbox"这里要说明一下：定时任务配好了并不意味着马上靠谱，你需要在头几天观察它的运行日志，看它到底有没有按时跑、跑完有没有输出。我后来有一次发现它没干活，查日志才发现是我的电脑睡眠了。解决办法也很简单——在电源设置里把“睡眠”改成“从不”。3. 把“每天 8 小时”压缩成“2 小时”：三个自动化场景实战部署不是目的，用起来才是。我真正感受到“每天只工作 2 小时”这个说法成立，是在我把三个核心场景跑通之后。3.1 场景一：收件箱不再是我的焦虑源我以前的习惯是每天早上打开邮箱，看到几十封未读就头皮发麻。后来我把收件箱的处理完全交给了 OpenClaw。我给它的任务描述写得很详细：每天上午九点，检查所有未读邮件。按以下规则处理： 1. 来自客户或者带“合同”“发票”“付款”关键字的邮件，标记为紧急； 2. 正文超过 300 字或者包含两个以上问题点的，提取重点后标记为待处理； 3. 剩下的一律归入“稍后阅读”，只保留摘要。 输出格式：一份按紧急程度排序的清单，每条包含发件人、主题、一句话摘要、建议动作。最开始它只是给我生成摘要，我自己看摘要再决定回不回、让谁回。跑了一周之后我摸清了它的判断逻辑，开始让它直接把内容归类到对应文件夹，并生成一封草稿回复，我只要看一眼改两个字就能发出去。现在每天早上花在邮件上的时间基本控制在十分钟以内，这十分钟还主要花在真正需要我拍板的事情上。3.2 场景二：一页纸日报，替代我盯一整天的看板接项目的时候最烦的事情之一就是盯各种看板数据：今天哪里增加了、哪里掉线了、哪个环节异常了。以前我得白天隔一阵刷新一次，晚上还要自己整理成表格报给合作方。OpenClaw 帮我做的事是：每天晚上自动把当天多个平台的数据拉下来，汇总，生成一页纸日报。它的 prompt 我调整了很多次，最终稳定版是这样：每天晚上八点，从以下数据源拉取当日数据： 1. 项目后台的活跃数据； 2. 客服渠道的新会话数和平均响应时间； 3. 交易流水表（如果有）。 输出规则： - 先给出一句话结论，例如“今日整体平稳，客服响应偏慢”； - 再列出与昨日相比的变化点，变化超过 10% 的项目需要标注原因推测； - 最后给出明日需要重点关注的事项，不超过三条。这个日报最大的价值不是省掉了我“看数据”的时间，而是省掉了我“组织语言汇报”的时间。以前光是把数据整理成能发给别人的报告，就得花大半个小时，现在一份现成的早上发过去就行。我只需要在它列出的“重点事项”里做一些判断和补充。3.3 场景三：话术初稿交给 Agent，我只做最后 5% 的编辑被裁之后我在接各种项目，免不了要给新客户写方案、写私信、写报价说明。这些内容说难也不难，但每一份都要从头组织语言，很消耗精力。现在我的做法是：把客户的需求转发给 OpenClaw，让它根据我提前写好的“个人风格说明”和项目信息，生成一版初稿。我的风格说明大概写了十几条，比如“不要在开头说尊敬的客户”“不要用太多形容词”“每段尽量短”“最后一定要有明确的下一步建议”等等。它生成之后，我再花几分钟改一改，替换一些具体细节，把语气调整得更自然，一封基本合格的回复就出来了。这一个场景帮我节省的时间最多。因为我接的项目越多，要写的个性化沟通越多，而且这些沟通往往是“低难度但高频率”的，非常适合做初稿自动化。3.4 这些 prompt 背后的共同套路三个场景跑下来，我自己总结出一个通用的 prompt 套路，分享出来供参考：明确触发时机：不管是用定时任务还是人工指令，都要告诉它“在什么情况下做这件事”。描述输入来源：告诉它数据从哪里来，比如“邮件”“指定文件夹里的 CSV”“后台导出表”。规定输出结构：要求它按什么格式输出，比如“先空结论再列数据”“每条不超过三行”。定义质量下限：明确什么不能做，比如“不要编造数据”“不确定的内容要标出来”。很多人写 prompt 容易写得太空，只说“帮我整理一下邮件”，结果它真的就只给你一个“整理好了”。你想要的是按优先级排好、带建议动作、能直接照着执行的结果，这些都必须写出来。你不写清楚，它就不会主动做。4. 运行一个月后：真实收益、翻车时刻与参数调优记录4.1 一个月实测数据：每天确实省出了四五个小时这不是客套话，我用一个月的时间记录了实际时长。在部署 OpenClaw 之前，我每天的工作相关耗时大概在七到八小时；跑起来之后，尤其是三周以后稳定下来，我每天实际花在工作相关事务上的时间基本在两小时上下。具体的耗时分布大概是这样的：任务自动化前自动化后邮件处理60 分钟10 分钟数据整理与日报45 分钟5 分钟客户沟通初稿90 分钟15 分钟其他事务处理60 分钟30 分钟真正需要判断的核心工作120 分钟60 分钟这个表格只统计了我个人时间的一个侧面，每个人的工作结构不一样，数字肯定有差异。但我想说的是，哪怕你的工作内容和我的完全不同，只要是“规则明确 + 产出重复”的事情，AI 自动化能压缩的时间比例都是相当可观的。4.2 翻车记录：三次跑偏让我差点放弃不能光说好处，我也得把翻车的事讲清楚。开头的三周里，它出现了三次让我印象深刻的失误。第一次是邮件分类问题。当时有个客户发了合同附件，它居然归类到“稍后阅读”了，导致我晚了整整一天才看到。从那以后，我把带“合同”“付款”“签字”这些关键字的邮件全部上调优先级，并且在规则里加了一条“任何拿不准的都默认视为紧急”。第二次是重复触发。我原本配了一个每半小时扫一次收件箱的任务，结果有一天晚上它把我已经处理过的邮件又汇总了一遍，还发了条消息问我“是否需要回复”。我后来加了去重逻辑，让它在同一个会话里识别“该封邮件是否已经处理过”，问题就解决了。第三次是语气问题。它生成的一版回复虽然信息完整，但读起来就是一股“AI 味”，比如用“很高兴为您服务”这种句子。我把风格说明里的“像个正常人说话”写得更具体，甚至举了反例：“不要出现很高兴为您服务之类的官方措辞”。效果立竿见影。这些事挺琐碎的，但每解决一件，系统的可靠性就高了一截。自动化的核心不是一开始就完美，而是能不断调优逼近你需要的状态。4.3 调优参数：温度、最大轮次、超时重试跑了一段时间之后，我还对几个关键参数做了调优。这些参数在 OpenClaw 的配置文件里都能改，不影响整体结构，但直接影响稳定性和产出质量。温度（temperature）：如果目标是整理数据、汇总报表，建议设为 0.1 到 0.3 之间，让它更严谨、减少自由发挥；如果目标是写文案、构思话术，可以调到 0.7 左右，让表达更自然。我自己在数据场景统一用 0.2，文字场景用 0.6。最大轮次（max iterations）：这个决定 Agent 在执行一个任务时最多能调用多少次工具。太高了容易失控，反复尝试同一个失败操作；太低了又无法完成复杂任务。我平时设成 10，做复杂的汇总任务时临时开到 15。超时重试：外部 API 偶尔会响应慢，配置里可以设置超时时间和重试次数。我设置为“超时 30 秒，重试两次”，这样偶尔的网络波动不会让整个任务失败。调参数的原则是：没有绝对正确的值，只有适不适合你的场景。建议每次只改一个参数，跑几天看看效果再做下一次调整。4.4 备份与回滚：把自己从事故中救回来这件事必须放在最后但绝对重要：一定要做配置备份。我用了一个最笨也最可靠的方式——把所有配置文件丢进一个本地 Git 仓库。每当我要修改配置，就先提交一次；改完之后如果跑出问题，可以直接回滚到上一个版本。这套操作不费多少时间，但能让你在折腾新功能的时候不怕把现状搞坏。我印象最深的一次，是我为了优化日报逻辑，把整个 Agent 定义文件重写了一遍，结果当天晚上的日报完全没生成。我想回退但发现自己忘了提交，只能翻聊天记录手工恢复，折腾了一小时。那次之后我就养成了“先提交再改动”的习惯，再也没因为这个栽过跟头。你也可以把配置目录放到网盘或别的备份工具里，总之不要让配置只存在一份。5. 裁员后想复制“2 小时工作制”，我建议你按这个步骤来我自己是从一开始就踩坑过来的。如果你看完上面这些也想开展一套自己的自动化方案，我建议按下面这个顺序来，不要一上来就学一堆花活。5.1 第一步：先别想“什么都自动化”，先记一周时间账在动手之前，先用一周时间记录自己的时间。可以不用多精确，大概记一下：今天早上做了哪几类事、各花了多少时间、哪些事情是重复的、哪些事情真正需要你动脑子。一周下来你就会发现，绝大多数人的时间都被几件固定的事情吃掉：回消息、找资料、整理表格、填流程单。这些事都有很强的规律性，这就是最容易自动化的部分。如果你脑海里对这些事的边界还不清楚，后面配置出来的 Agent 也一定跑不好。5.2 第二步：按“规则可描述度 + 犯错成本”给任务打分把一周记录里的任务列出来，给每个任务打两个分：一个是“能不能用规则说清楚”，一个是“做错了造成的后果严不严重”。然后按优先级排序。任务规则可描述度（高/中/低）犯错成本（高/中/低）自动化优先级邮件分类汇总高中高日报数据汇总高高中客服消息转发高低高客户方案思路决策低高不自动化具体建议是：规则描述度高的先做，犯错成本高的要先留人肉复核再做。比如日报汇总这种，虽然犯错后果有点大，但逻辑非常明确，可以先自动化，但保留每天人工过目一遍的习惯。而像“怎么给客户提方案思路”这种事，复制性低、失败代价又高，一开始就不要指望自动化。5.3 第三步：让 AI 先做，你只审核，再逐步放权我的建议是别一上来就全自动。第一步是“AI 生成结果，你只做审核”，跑一段时间没问题了，再让它自动执行。比如邮件整理，我前面大概手动审核了一周，确认它的判断逻辑没问题之后，才让它直接分类和生成草稿。这个“灰阶替换”的过程很关键。它让你在最小风险的前提下，逐步建立对系统的信任。我见过很多人一上来就把全部权限交给 AI，结果出了问题又彻底回到全手工，反而是来回折腾最耽误时间。5.4 第四步：你的核心技能不能自动化最后说点心里话。AI 能帮你省下来的都是执行层面的时间，但它替不了你做判断、想办法、建立信任。真正让你在市场上站得住的，永远是那些它学不来或者暂时学不像的能力：你能不能在信息不全的情况下做出靠谱的决策，能不能跟客户处成长期关系，能不能把一件复杂的事从零到一推进落地。所以我的建议是：把自动化省下来的时间，拿去找新的收入来源，或者打磨一门更深的专业能力，不要全部拿来刷手机。被裁员之后的危机感是真实的，但危机感本身不产生收入。只有当你腾出时间去做有价值的事，这套“每天工作两小时”才真正有意义。我个人操作到现在的真实感受是，OpenClaw 不是一个“神奇的工具”，它更像一个耐心到不会抱怨的实习生：你交代清楚的事情它从来不嫌烦，但你要是自己都说不清，它就给你来一堆花里胡哨的错误答案。我的所有收益都来自不断的调试和明确的表达。写到最后再分享一个特别小的技巧：如果你也让它定时跑任务，记得把所有任务的输出统一存到同一个日志文件里，这样排查问题会方便非常多。折腾这套东西最忌讳的就是——你自己都不知道它昨天干了什么。