https://blog.gaomeluo.com/ zh-CN 不要问我搞么罗，我都不知道要搞么罗~ Sat, 06 Jun 2026 22:26:04 +0800 Sat, 06 Jun 2026 22:26:04 +0800 https://blog.gaomeluo.com/archives/OpenClaw-agent/ https://blog.gaomeluo.com/archives/OpenClaw-agent/ Sat, 06 Jun 2026 22:26:04 +0800 光山人 **PS：**先提前预告下，这个项目解决不了不赚钱的问题，但能帮助减少冲动交易，解决信息搜集、分析效率低问题。当然，也有同事吐槽，这是个韭菜RL，大家有选择地参考与批判一下就好。 一边上班一边炒股，估计是不少人的常态。 但最近的波动行情里，实在要被盯盘这件事搞疯了。 一方面，开会盯盘挺不礼貌的；另一方面，每次决策背后，需要刷新闻、扒研报、看盘面，一套流程下来，每周至少要耗费十几个小时在搜集信息上，效率实在太低。 而我自己呢，也的确算不上什么交易高手。不盯盘则已，一盯盘就容易冲动交易，一周雷霆出手七八回。经常是，别人贪婪我更贪，别人恐慌我跟跑。  往往一年下来，学费没少交，时间没少花，钱也没少亏。 所以，就想着结合最近爆火的Openclaw，以及公司的Milvus数据库做个产品。 这里我没有让AI帮我做决策，更没有让它碰交易本身（风险太大了），主要就是让AI按照我的要求搜集信息、做市场分析、盯盘、打捞我的历史交易数据，然后推送在飞书。 从而解决信息搜集效率低，盲区大；以及冲动交易多，复盘成本高、开会不好盯盘的痛点。 这个agent整体架构不算复杂，主要三个模块，每月成本共计 20 美元左右： OpenClaw作为决策中枢大脑（10美金） Exa用于联网做高质量的信息检索（10美金） Milvus存历史交易信息用于复盘（我选择云端部署，主要是稳定，不用电脑24小时开机）。 ###前题工作 你需要一台装了OpenClaw的机器，我这里选择的是云服务器，参考教程《[【教程】手把手教你在云服务器上安装openclaw](https://blog.gaomeluo.com/archives/openclaw/ "【教程】手把手教你在云服务器上安装openclaw")》 云服务器对比本地安装的好处这里就不再赘述了。 以下是整体搭建指南。 ###01、信息搜集：如何用Exa监控全球动态 投资的第一步就是搞信息，我之前试过硬刷财经 App，但里面会有大量的不相关信息，淹没了我真正关心的内容；也试过写爬虫，但财经网站反爬机制天天更新，维护成本太高。至于一些专业的数据分析软件，API成本太高了，对普通投资者不适用。 所以最后我用了 Exa，它是专门给 AI Agent 设计的互联网搜索（WebSearch) API，跟普通搜索引擎比，它对AI的适配性高了很多，还引入了额外的语义搜索。  比如我想知道 “英伟达 2026 年 Q4 财报超预期为啥股价跌了”，它直接就能理解，还能每分钟刷新索引，自动过滤那些 SEO 垃圾营销文，搜美股的时候再也不用在一堆没用的内容里扒拉了。 当然，更重要的是，Exa 有免费额度，每月 1000 次搜索，初期试用完全够，后续按使用频率续费就行，成本也低。 以下是我的核心的调用代码，如有需要，改改参数，先装包pip install exa-py，再把 api-key 换成自己的就行： from exa_py import Exa exa = Exa(api_key="your-api-key") # Semantic search — describe what you want in plain language result = exa.search( "Why did NVIDIA stock drop despite strong Q4 2026 earnings", type="neural", # semantic search, not keyword num_results=10, start_published_date="2026-02-25", # only search for latest information contents={ "text": {"max_characters": 3000}, # get full article text "highlights": {"num_sentences": 3}, # key sentences "summary": {"query": "What caused the stock drop?"} # AI summary } ) for r in result.results: print(f"[{r.published_date}] {r.title}") print(f" Summary: {r.summary}") print(f" URL: {r.url}\n") 这里比较值得注意的是 contents 这个参数，它不只能返回链接，还能直接把文章正文抽出来、提取关键句、生成摘要，免去了一篇篇点开看的时间浪费。 另外，在这里分享几个我用的比较多的搜索模式。 第一个是，按类型过滤。比如我只想看彭博、路透这些权威来源的财报分析，不想看营销号的二手信息，加一个 category 就行： # Only financial reports from trusted sources earnings = exa.search( "NVIDIA Q4 2026 earnings analysis", category="financial report", num_results=5, include_domains=["reuters.com", "bloomberg.com", "wsj.com"], contents={"highlights": True} ) 第二个是相似文章检索。看到一篇不错的分析，想找更多类似观点的文章，用 find_similar，给它一个URL，它会找到内容相似的其他文章： # "Show me more analysis like this one" similar = exa.find_similar( url="https://fortune.com/2026/02/25/nvidia-nvda-earnings-q4-results", num_results=10, start_published_date="2026-02-20", contents={"text": {"max_characters": 2000}} ) 第三个是深度搜索。碰到复杂问题，比如中东局势对半导体供应链的影响，普通搜索结果太散，用 type="deep" 让它综合多方面信息，还能按你要的结构返回摘要： # Complex question — needs multi-source synthesis deep_result = exa.search( "How will Middle East tensions affect global tech supply chain and semiconductor stocks", type="deep", num_results=8, contents={ "summary": { "query": "Extract: 1) supply chain risk 2) stock impact 3) timeline" } } ) 第四个是实时新闻监控。限定下发布时间，就能只搜当天的美股新闻： # Breaking news only — today' iss date 2026-03-05 breaking = exa.search( "US stock market breaking news today", category="news", num_results=20, start_published_date="2026-03-05", contents={"highlights": {"num_sentences": 2}} ) 我做了十几个搜索模板，覆盖了日常关注的所有方向：美联储政策、科技股财报、中东局势对油价的影响、宏观流动性指标变化……每天早上自动跑一遍，结果就能推到我手机上。 以前可能每天找全这些信息需要耗费一两个小时，现在早上起床看5分钟摘要，就已经能浏览完所有重要信息。 ###02、存储：让Milvus记住我的所有历史操作与偏好 除了光知道外面发生了什么之外，普通投资者最需要的，是避免记吃不记打。 比如什么时候追高为Meta的元宇宙梦想买过单，什么时候卖飞了因为openclaw爆发的苹果。 历史教训很多，但一个礼拜出手七八回之后，就经常忘了自己都怎么亏过钱。所以，我把自己之前做对了什么、做错了什么、有什么偏好和盲区，全部存在了Milvus向量数据库里。 （当然，也有同事说，这是个韭菜RL，但多复盘多总结总归是没错的） 不过这里值得多提一嘴的是，一定要区分长期记忆、短期记忆、狭义知识库。 比如，我的选股偏好，投资理念，这些是长期记忆，需要每次喂给模型；具体操作方式是把以前和Agent的对话、经验总结存下来，让AI知道我是谁、我做过什么、我容易犯什么错。（这里最好直接MD格式存储，透明化的展示到底学了什么、记了什么） 那些亏钱小操作，则应该归属知识库的范畴，在遇到类似的情况的时候，再被检索出来，用来提醒。 产品文档、研报、FAQ 这类参考材料，是客观外部知识，所以也属于狭义知识库概念在需要的时候被唤起。 我自己搭的这套系统，主要做的是前两个，研报、招股书这些，都可以公开检索到，没必要放在数据库中。 具体选型上，我选了Milvus Lite ，可以本地部署，不用搭服务器就能直接跑。然后把自己需要的专属信息，分了三个库存储，建库代码贴在这里了，维度 1536 是和OpenAI的embedding模型匹配的，直接用就行： from pymilvus import MilvusClient, DataType from openai import OpenAI milvus = MilvusClient("./my_investment_brain.db") llm = OpenAI() def embed(text: str) -> list[float]: return llm.embeddings.create( input=text, model="text-embedding-3-small" ).data[0].embedding # Collection 1: past decisions and lessons # Every trade I make, I write a short review afterward milvus.create_collection( "decisions", dimension=1536, auto_id=True ) # Collection 2: my preferences and biases # Things like "I tend to hold tech stocks too long" milvus.create_collection( "preferences", dimension=1536, auto_id=True ) # Collection 3: market patterns I've observed # "When VIX > 30 and Fed is dovish, buy the dip usually works" milvus.create_collection( "patterns", dimension=1536, auto_id=True ) 建库之后，另一个比较棘手的问题是，怎么让AI知道什么该记住，或者什么时候该检索了。 这里我写了个简单的 “记忆提取器”，每次跟 AI 聊完天自动运行，不管是我说 “这轮 AI 行情像 2000 年互联网泡沫”，还是复盘某次交易的错误，系统都会自动把这些有价值的洞察，决策记录、个人偏好、市场规律、经验教训提取出来，分门别类存进Milvus，还会自动查重，避免存重复（相似度超过0.92）的内容，核心代码如下，挂在对话结束后就行，不用改太多： import json def extract_and_store_memories(conversation: list[dict]) -> int: """ After each chat session, extract personal insights and store them in Milvus automatically. """ # Ask LLM to extract structured memories from conversation extraction_prompt = """ Analyze this conversation and extract any personal investment insights. Look for: 1. DECISIONS: specific buy/sell actions and reasoning 2. PREFERENCES: risk tolerance, sector biases, holding patterns 3. PATTERNS: market observations, correlations the user noticed 4. LESSONS: things the user learned or mistakes they reflected on Return a JSON array. Each item has: - "type": one of "decision", "preference", "pattern", "lesson" - "content": the insight in 2-3 sentences - "confidence": how explicitly the user stated this (high/medium/low) Only extract what the user clearly expressed. Do not infer or guess. If nothing relevant, return an empty array. """ response = llm.chat.completions.create( model="gpt-4o", messages=[ {"role": "system", "content": extraction_prompt}, *conversation ], response_format={"type": "json_object"} ) memories = json.loads(response.choices[0].message.content) stored = 0 for mem in memories.get("items", []): if mem["confidence"] == "low": continue # skip uncertain inferences collection = { "decision": "decisions", "lesson": "decisions", "preference": "preferences", "pattern": "patterns" }.get(mem["type"], "decisions") # Check for duplicates — don't store the same insight twice existing = milvus.search( collection, data=[embed(mem["content"])], limit=1, output_fields=["text"] ) if existing[0] and existing[0][0]["distance"] > 0.92: continue # too similar to existing memory, skip milvus.insert(collection, [{ "vector": embed(mem["content"]), "text": mem["content"], "type": mem["type"], "source": "chat_extraction", "date": "2026-03-05" }]) stored += 1 return stored 这样做的好处是，我和AI聊天的时候根本不用刻意记笔记。聊完了，系统就会自动把有价值的东西存下来。时间一长，它对我的了解会越来越深。 到了下次想要冲动交易的时候，我就先做一下检索，写个检索函数，把当前市场场景输进去，就能调出对应的历史经验（至于是要强化自己的经验，还是把历史操作作为反面案例反思，大家根据自己实力量力而行）。 def recall_my_experience(situation: str) -> dict: """ Given a current market situation, retrieve my relevant past experiences, preferences, and observed patterns. """ query_vec = embed(situation) # Search all three collections in parallel past_decisions = milvus.search( "decisions", data=[query_vec], limit=3, output_fields=["text", "date", "tag"] ) my_preferences = milvus.search( "preferences", data=[query_vec], limit=2, output_fields=["text", "type"] ) my_patterns = milvus.search( "patterns", data=[query_vec], limit=2, output_fields=["text"] ) return { "past_decisions": [h["entity"] for h in past_decisions[0]], "preferences": [h["entity"] for h in my_preferences[0]], "patterns": [h["entity"] for h in my_patterns[0]] } # When Agent analyzes current tech selloff: context = recall_my_experience( "tech stocks dropping 3-4% due to Middle East tensions, March 2026" ) # context now contains: # - My 2024-10 lesson about not panic-selling during ME crisis # - My preference: "I tend to overweight geopolitical risk" # - My pattern: "tech selloffs from geopolitics recover in 1-3 weeks" ###03、分析：把我的分析逻辑写成Openclaw的Skill 信息有了，记忆有了，最后还缺一个东西：分析逻辑。 如果只是把新闻和记忆丢给AI说帮我分析一下，大概率它会给你一篇四平八稳的通用分析，什么角度都提一嘴，什么结论都不敢下。这种东西对决策没用。 所以，我需要的是它按照我的标准来分析。哪些指标我看重，哪些情况我认为是危险信号，什么时候该保守什么时候该激进。这些规则每个人不一样，得自己定义。 OpenClaw的Skills机制刚好干这个事。你可以在Agent的工作目录下放一个markdown文件，把遇到什么情况该怎么做写清楚。Agent收到相关消息的时候会自动调用它。 这是我写的财报后操作判断 Skill，大家可以根据自己的实际需求自行修改： --- name: post-earnings-eval description: > Evaluate whether to buy, hold, or sell after an earnings report. Trigger when discussing any stock's post-earnings price action, or when a watchlist stock reports earnings. --- ## Post-Earnings Evaluation Framework When analyzing a stock after earnings release: ### Step 1: Get the facts Use Exa to search for: - Actual vs expected: revenue, EPS, forward guidance - Analyst reactions from top-tier sources - Options market implied move vs actual move ### Step 2: Check my history Use Milvus recall to find: - Have I traded this stock after earnings before? - What did I get right or wrong last time? - Do I have a known bias about this sector? ### Step 3: Apply my rules - If revenue beat > 5% AND guidance raised → lean BUY - If stock drops > 5% on a beat → likely sentiment/macro driven - Check: is the drop about THIS company or the whole market? - Check my history: did I overreact to similar drops before? - If P/E > 2x sector average after beat → caution, priced for perfection ### Step 4: Output format Signal: BUY / HOLD / SELL / WAIT Confidence: High / Medium / Low Reasoning: 3 bullets max Past mistake reminder: what I got wrong in similar situations IMPORTANT: Always surface my past mistakes. I have a tendency to let fear override data. If my Milvus history shows I regretted selling after a dip, say so explicitly. 写完之后，把这段内容丢到 OpenClaw 工作目录的 skills/ 文件夹下就行。以后每次我跟 Agent 聊到某只股票的财报表现，它就会自动按这个框架来分析。 最后那行是关键，「我有被恐惧驱动的倾向，如果历史记录显示我曾后悔过在下跌时卖出，请明确告诉我」。一个给自己量身定做的纠偏机制。 类似的skill还有很多，我会针对情绪面、宏观面、资金面全都写一个简单的分析skill，然后把Binance 的K线、推特的kol言论也做一个搜集总结。 此外，我还把自己喜欢的投资大师的风格，写成了skill，模拟类似的情况，他们会怎么决策，作为我自己的决策参考之一。目前市场上已经有很多公开的巴菲特模拟skills、桥水风格模拟skill是，大家可以直接按需写入。 此外，需要注意一点，我们比较关注RSI、MACD这些指标，千万别交给AI去算，直接无脑调用，或者自己写函数，大模型在这方面经常会出现bug。 当然，做完以上这些还不够，如果所有操作都得我手动触发，那跟自己刷新闻也没啥区别。 所以，这里我重点使用了OpenClaw 的Heartbeat 机制。Gateway 会每隔 N 分钟（默认30分钟）会自动触发一次，然后Agent会 根据你写的HEARTBEAT.md来决定什么时候该做什么，最后把结果直接推到手机上。 同样的，这里你也不用写定时任务代码，只需要写一个 markdown 文件： # HEARTBEAT.md — runs every 30 minutes automatically ## Morning brief (6:30-7:30 AM only) - Use Exa to search overnight US market news, Asian markets, oil prices - Search Milvus for my current positions and relevant past experiences - Generate a personalized morning brief (under 500 words) - Flag anything related to my past mistakes or current holdings - End with 1-3 action items - Send the brief to my phone ## Price alerts (during US market hours 9:30 AM - 4:00 PM ET) - Check price changes for: NVDA, TSM, MSFT, AAPL, GOOGL - If any stock moved more than 3% since last check: - Search Milvus for: why I hold this stock, my exit criteria - Generate alert with context and recommendation - Send alert to my phone ## End of day summary (after 4:30 PM ET on weekdays) - Summarize today's market action for my watchlist - Compare actual moves with my morning expectations - Note any new patterns worth remembering ###04、整体效果展示 目前整个系统流程跑起来是这样的： 每日固定早报，每天早上7点左右自动执行。用 Exa 搜隔夜全球市场动态，从 Milvus 里捞出我的持仓情况和相关历史经验，喂给大模型生成一份定制化的简报，推送到手机上，告诉我隔夜发生了什么、跟我的持仓有没有关系。然后我趁着刷牙和开车时间，整体听一遍。 盘中警报，美股交易时间每30分钟巡检一次。如果关注的股票波动超过3%，立刻推一条消息，附带你当初为什么买的、现在是不是到了你设定的止损止盈点。 周度周报复盘。作为一个价值投资者，为了避免被市场情绪干扰，有时候我会刻意不盯盘，然后让Agent 生成周报，周末花半小时看一下就好。   之前每周完成以上动作，需要至少花十几个小时，现在能压缩到两小时左右，完全不影响上班。而且整体的信息覆盖变得更全面、质量更高。 配合上历史操作复盘，我整体的冲动交易的次数少了很多，摩擦成本随之大大降低。 ###05、尾声 回想一下，要是一年前要搭同样的东西，得自己写一堆胶水代码，定时任务、消息推送、记忆管理全得从零来。 现在用 OpenClaw ，只要给它一套规则、一个记忆库、一个时间表，它就能自己去跑，跑完了把结果推给你，整个过程，被极大地简化了。 不过搭这个框架，我也还是花了两个周末，时间主要是用来梳理自己的判断标准，写skill了。 所以，本质上，这不算一个可以帮你赚钱的工具，只是把过去需要费大功夫做的信息搜集、历史数据回顾，变得更简单、更自动化了。 但换个思路，如果把这个框架换一套 Skill 和数据源，就可以从盯盘agent，编程盯论文、盯竞品、盯舆情、盯供应链的agent。 ]]> 0 https://blog.gaomeluo.com/archives/OpenClaw-agent/#comments https://blog.gaomeluo.com/feed/archives/OpenClaw-agent/ https://blog.gaomeluo.com/archives/Codex-10Skills/ https://blog.gaomeluo.com/archives/Codex-10Skills/ Sat, 06 Jun 2026 21:41:00 +0800 光山人 写作、润色、去 AI 味、配图、封面、小红书卡片，一次给你配齐。  先收藏，再慢慢装，这 10 个一个比一个实用！ ###1、Humanizer-zh 中文创作者必备的“去 AI 味”技能。 能识别空话、套话、三段式、过度排比、AI 腔，把文章改得更像真人写的。 #####Github 链接： https://github.com/op7418/Humanizer-zh ###2、dbskill 内容创作者的“选题诊断器”。 适合做内容诊断、商业表达、hook、小红书标题、爆款拆解，尤其适合中文自媒体和知识型创作者。 #####Github 链接： https://github.com/dontbesilent2025/dbskill ###3、content-research-writer 从选题、资料、提纲、引用到初稿，一条写作工作流直接跑通。 适合写公众号、Newsletter、X 长文、博客和深度文章。 #####Github 链接： https://github.com/ComposioHQ/awesome-codex-skills/tree/master/content-research-writer ###4、NotebookLM Claude Code Skill 资料型写作者很适合。 基于你的资料库写作，能减少胡编乱造，适合做深度文章、行业研究、课程稿和长文整理。 #####Github 链接： https://github.com/PleasePrompto/notebooklm-skill ###5、khazix-skills 适合公众号长文和万字研究报告。 里面的写作流比较重，适合做 AI 热点分析、长文拆解、深度观点输出。 #####Github 链接： https://github.com/KKKKhazix/khazix-skills ###6、ian-xiaohei-illustrations 中文文章正文配图神器。 不是随便生成一张图，而是把文章里的观点、流程、情绪、隐喻画成“小黑”风格插图。 #####Github 链接： https://github.com/helloianneo/ian-xiaohei-illustrations ###7、guizang-social-card-skill 写完文章后，用它做小红书图文和公众号封面。 很适合把一篇长文拆成多张卡片，做成能直接发布的视觉内容。 #####Github 链接： https://github.com/op7418/guizang-social-card-skill ###8、baoyu-skills 中文内容创作者的视觉工具箱。 封面图、信息图、结构图、图解都能做，适合文章包装和观点可视化。 #####Github 链接： https://github.com/JimLiu/baoyu-skills ###9、guizang-ppt-skill 适合把文章观点做成 PPT、演讲图、公众号头图、小红书封面。 如果你经常把文字内容二次分发成演示稿或分享图，这个很有用。 #####Github 链接： https://github.com/op7418/guizang-ppt-skill ###10、html-anything 把 Markdown、文案、文章变成好看的 HTML 页面、海报、卡片和 PNG。 适合做杂志风文章、小红书卡片、知识卡片和分享图。 #####Github 链接： https://github.com/nexu-io/html-anything 这里面有一个问题，就是上述几个Skills的网址你打不开，不妨看一下这篇文章**《[魔戒VPN——节点多、速度快、稳定，推荐！！！](https://inurl.top/archives/mojie/ "魔戒VPN——节点多、速度快、稳定，推荐！！！")》** 如果你是中文内容创作者，强烈建议先装这 5 个： 1. Humanizer-zh 2. dbskill 3. content-research-writer 4. ian-xiaohei-illustrations 5. guizang-social-card-skill 前 3 个提升文字质量，后 2 个解决文章配图和分发包装。 别再只让 AI 帮你“写一篇文章”了。 真正提效的是：让 AI 按你的创作流程干活。 ####如果是需要做视频的话，可以参考这篇文章《[装完 Codex 不知道干什么？ 当然是做视频搞钱！](https://blog.gaomeluo.com/archives/Codex-shipin/ "装完 Codex 不知道干什么？ 当然是做视频搞钱！")》 ]]> 0 https://blog.gaomeluo.com/archives/Codex-10Skills/#comments https://blog.gaomeluo.com/feed/archives/Codex-10Skills/ https://blog.gaomeluo.com/archives/Codex-shipin/ https://blog.gaomeluo.com/archives/Codex-shipin/ Sat, 06 Jun 2026 21:32:00 +0800 光山人 给 Codex 装上这 6 个 GitHub Skills，直接让它参与整条视频制作流程。 先收藏，按自己的视频类型安装。 ###1、HyperFrames：一句话生成动效视频 告诉 Codex 视频主题，它可以使用 HTML、CSS 和动画制作产品介绍、动态海报、知识视频和 PPT 风格视频，最后渲染为 MP4。 很适合把文章、推文、产品介绍快速改成视频。 #####GitHub： https://github.com/heygen-com/hyperframes ###2、video-use：让 Codex 帮你剪视频 把拍摄素材交给 Agent，它可以协助删除停顿、错误片段和口头禅，继续处理字幕、音频、调色与画面动效。 经常制作口播、教程和采访视频的人，可以重点看它。 #####GitHub： https://github.com/browser-use/video-use ###3、Remotion Skills：用代码批量制作视频 Remotion 官方提供的 Agent Skills。 可以让 Codex 使用 React 编写视频，统一控制画面、字幕、动画和时间轴。 特别适合批量制作排行榜、数据周报、产品更新和固定栏目视频。 #####GitHub： https://github.com/remotion-dev/skills ###4、Generative Media Skills：AI 视频生成工具箱 覆盖图片、视频和音频生成，可以调用 AI 模型制作产品广告、UGC 视频、音乐视频和社交媒体短片。 想尝试大量 AI 生视频玩法，可以从这个仓库开始。 部分功能需要配置 MuAPI，并会产生生成费用。 #####GitHub： https://github.com/SamurAIGPT/Generative-Media-Skills ###5、videocut-skills：中文视频剪辑 Agent 面向中文创作者的视频剪辑 Skills，可以让 Agent 理解剪辑需求，并协助处理素材、字幕和短视频制作流程。 中文用户想用 Claude Code 或其他 Agent 剪视频，可以重点研究。 #####GitHub： https://github.com/Ceeon/videocut-skills ###6、seedance2-skill：帮即梦写专业视频提示词 告诉 Codex 一个视频创意，它会帮你设计逐秒分镜、人物动作、运镜、对白、音效，以及 @图片、@视频 的素材引用方式。 生成的提示词可以直接交给即梦 Seedance 2.0 制作核心镜头。它负责提示词和分镜，生成视频仍需进入即梦操作。 #####GitHub： https://github.com/dexhunter/seedance2-skill  这里面有一个问题，就是上述几个Skills的网址你打不开，不妨看一下这篇文章**《[魔戒VPN——节点多、速度快、稳定，推荐！！！](https://inurl.top/archives/mojie/ "魔戒VPN——节点多、速度快、稳定，推荐！！！")》** ###不知道怎么搭配，可以直接抄这几套： 文章、推文转视频： HyperFrames 真人口播、采访剪辑： video-use + HyperFrames 批量制作固定栏目： Remotion Skills + HyperFrames AI 短剧、广告视频： seedance2-skill + 即梦 + video-use 大量测试 AI 视频玩法： Generative Media Skills Codex 真正有意思的地方，是你可以把这些 Skills 串成自己的视频工作流。 以后只需要告诉它： 把这篇推文做成一条45秒竖版视频，前三秒抓住注意力，添加中文配音和动态字幕，完成后检查画面与音量。 剩下的脚本、分镜、提示词、剪辑和包装，都可以交给 Codex 一步步完成。 ####如果是需要做文本内容创作的话，可以参考这篇文章《[Codex 中文内容创作者十大必装 Skills 来了！](https://blog.gaomeluo.com/archives/Codex-10Skills/ "Codex 中文内容创作者十大必装 Skills 来了！")》，让你事半功倍！ ]]> 0 https://blog.gaomeluo.com/archives/Codex-shipin/#comments https://blog.gaomeluo.com/feed/archives/Codex-shipin/ https://blog.gaomeluo.com/archives/OpenClaw-anzhuang/ https://blog.gaomeluo.com/archives/OpenClaw-anzhuang/ Thu, 28 May 2026 23:44:00 +0800 光山人 ##OpenClaw是什么？能干什么？ 很多人装 OpenClaw 之前，根本不知道它到底是干嘛的。 OpenClaw 是一个开源的 AI 代理平台，核心能力就一句话：用自然语言驱动工具完成任务。它不是那种只会回答问题的聊天机器人，而是真正能动手的 Agent。读写文件、执行命令、操控浏览器、处理邮件，这些它都能干。 让它爆火的原因是，它虽然工作在你本地电脑或者云服务器上，但可以通过飞书、钉钉、企业微信这些 IM 工具进行远程管理。 关注我，后期我会针对OpenClaw实际用途，手把手教你如何使用它。 OpenClaw 本身不具备独立的大语言模型推理能力，需要对接大模型才能听懂指令。支持的大模型很多，阿里云百炼、智谱 GLM、OpenAI、Anthropic 都可以。  ##OpenClaw 的安装方法 ###一、官方安装器：一行命令搞定 如果你是开发者，或者至少不害怕终端，那官方安装是最推荐的方式。 在开始之前，先把该装的装好。Node.js 必须升级到 22 以上，这是硬性要求，低于 22 版本会报错。macOS 用户可以直接用 Homebrew：brew install node@22。 装完后 node -v 验证一下，显示 v22.x.x 就没问题。Windows 用户建议用 WSL2，在 Linux 环境里装会更顺畅。 然后你还需要准备一个大模型的 API Key。我以智谱 GLM 为例，访问智谱开放平台，在 API Keys 页面创建一个 Key，复制保存好。有需要的小伙伴建议先买个 lite 版本的套餐试试，OpenClaw 烧 token 还是挺快的。 环境准备好后，打开终端，复制粘贴这一行命令： curl -fsSL https://openclaw.ai/install.sh | bash 回车，等着就行。安装器会自动帮你下载 CLI、配置环境、运行新手引导。整个过程大概五到十分钟，取决于你的网速。  我第一次执行的时候卡死在了 npm install failed，直接 Ctrl-C 结束重新起了一个终端窗口再执行就成功了。这种小问题很常见，不用慌。 安装完成后，运行这个命令检查一下： openclaw doctor 如果一切正常，你会看到所有检查项都是绿色的对勾。  接下来是启动配置向导。选择 local 本地网关，然后是 AI 模型认证，把你准备好的 API Key 填进去。模型保持最新的 GLM-5 就可以了。  然后进入 IM 的配置，选择飞书。此时会提示你接入飞书的配置信息，需要去飞书开放平台创建一个应用，获取 App ID 和 App Secret。这部分后面细说。 配置完成后启动服务：openclaw gateway start。默认监听 18789 端口。浏览器访问 `http://127.0.0.1:18789/`，如果能打开 OpenClaw 的 Web 控制面板，说明本地部署成功了。 这里有更加详细的教程：**[【教程】手把手教你在云服务器上安装openclaw](https://blog.gaomeluo.com/archives/openclaw/ "【教程】手把手教你在云服务器上安装openclaw")** ###二、AI Code Agent 代装 自己装太麻烦？那就让 AI 帮你装 AI 吧。 现在的 Coding Agent 选择很多，Claude Code、TRAE 都行。具体操作分三步。 第一步，去 Kimi、MiniMax、智谱这些大模型厂商的开放平台注册账号，充点钱，拿到你的 API 密钥。 第二步，打开 Claude Code，把 OpenClaw 的项目地址给它，然后发一条指令：这个 OpenClaw 项目帮我部署一下，对接智谱 GLM-5 的 API，密钥是 sk-xxxxx。 第三步，看着它干活就行。它会自动读取项目文件、分析依赖、配置环境、填入参数。大部分情况下，这一步它能自己搞定。  稍微麻烦一点的是飞书或钉钉的配置。你需要去飞书开放平台或钉钉开放平台注册一个应用，配置好权限，拿到 App ID 和 App Secret。然后让 Claude Code 帮你安装对应的插件并完成对接。 对接飞书的教程参考这里：**[【教程】手把手教你OpenClaw对接飞书教程](https://blog.gaomeluo.com/archives/openclaw-feishu/ "【教程】手把手教你OpenClaw对接飞书教程")** 我用这个方式帮三个完全不懂代码的朋友装好了 OpenClaw。最快的一个，从零到飞书里跟机器人对话，前后不到二十分钟。说真的，让 AI 装 AI，这个体验还挺魔幻的。 ###三、服务器一键部署 如果你本地终端不想碰，那下面这两个厂商的一键部署方案可能是你的救星。 ####1、阿里云轻量应用服务器 阿里云轻量应用服务器直接提供了 OpenClaw 的镜像，配置要求也不高：2vCPU + 2GB 内存，端口 18789。操作流程大概是这样的：登录阿里云控制台，搜索 OpenClaw；选择轻量应用服务器，点击一键购买；等待镜像部署完成；获取阿里云百炼的 API-Key；进入服务器控制台，完成激活配置；生成专属 Token，访问 Web 界面。 全程可视化操作，不需要敲一行代码。 ####阿里云轻量应用服务器地址：[传送门](https://iil.ink/aliyunopenclaw "传送门")  参考：[阿里云轻量云服务器一键配置OpenClaw](https://blog.gaomeluo.com/archives/aliyunqingliang-OpenClaw/ "阿里云轻量云服务器一键配置OpenClaw") ####2、腾讯云轻量应用服务器 腾讯云轻量应用服务器也提供了 OpenClaw 的镜像，配置跟阿里云差不多，功能也差不多。 ####腾讯云轻量应用服务器地址：[传送门](https://iil.ink/tengxunqingliang "传送门")  参考：[腾讯轻量云服务器一键配置OpenClaw](https://blog.gaomeluo.com/archives/tengxunqingliang-OpenClaw/ "腾讯轻量云服务器一键配置OpenClaw") 这种方式其实是最划算、最保险的方式，比起自己折腾环境，这个成本完全可以接受。而且部署在云端还有个好处：不用担心本地电脑权限太大被 rm -rf 了。 ###四、云服务器一键部署各大厂云端版本：开箱即用 如果你连服务器都不想管，那可以试试各大厂推出的云端版本。 Coze Claw 是字节跳动出品，直接在 Coze 平台上就能用。优点是完全不用管部署，缺点是定制化程度低。百度云 Claw 是百度智能云推出的一站式解决方案，集成了文心一言的能力。如果你已经在用百度的云服务，这个方案集成起来很方便。Max Claw 是 MiniMax 官方的托管版本，直接对接 MiniMax 的模型 API，响应速度快。Kimi Claw 是月之暗面推出的版本，集成了 Kimi 的长文本能力，如果你经常处理长文档，这个版本值得一试。  这些云端版本的共同特点是：注册就能用，不用管部署，不用担心服务器宕机。但缺点也很明显：数据存在别人的服务器上，隐私性不如自建；定制化程度有限，不能随便改源码；API 调用量大了之后，费用可能会超出预期。 ###五、替代方案：国产版 OpenClaw OpenClaw 虽然火，但毕竟是海外项目，有网友问有没有国产的。  国内也涌现出了不少替代方案。阿里的 QwenPaw 是阿里云推出的国产版 OpenClaw，深度集成了通义千问，三行代码就能部署，飞书、QQ、钉钉全打通。 ###六、付费上门安装 如果你实在是懒得折腾，或者折腾了好几天都没搞定，那还有一个选择：花钱请人帮你装。前段时间新闻经常报道付费上门安装养虾。  海外的 SetUpClaw 网站推出了付费上门安装服务，托管服务 3000 美元，送 Mac Mini 的安装远程 5000 美元，现场安装 6000 美元。说实话，这个价格确实不便宜。但如果你是企业用户，需要一个稳定可靠的 AI 助手系统，这个投资可能是值得的。 国内某平台上已经出现了各种代安装服务，价格通常是 500-1000 元左右，全国各地都有人接单。我有个朋友就是在某平台上找人装的，花了 600 块，对方远程帮他搞定了全部配置，还顺带教了他怎么用。他觉得这钱花得值，因为他自己折腾了两天都没搞定。 当然，找陌生人远程操作你的电脑，安全性是个问题。建议找评价高、交易记录多的服务商，最好能走平台担保。 如果你只是想体验一下 OpenClaw 的能力，或者对隐私要求不高，第三种方式的云服务器版本是最省事、最安全的选择。 这篇文章给了你六种方式，总有一种适合你。先用上，比什么都重要。 ]]> 0 https://blog.gaomeluo.com/archives/OpenClaw-anzhuang/#comments https://blog.gaomeluo.com/feed/archives/OpenClaw-anzhuang/ https://blog.gaomeluo.com/archives/weixin-OpenClaw/ https://blog.gaomeluo.com/archives/weixin-OpenClaw/ Wed, 27 May 2026 23:42:47 +0800 光山人 ###前期准备： 对接前你需要已经安装好了OpenClaw，安装教程参考《**[手把手教你在云服务器上安装openclaw](https://blog.gaomeluo.com/archives/openclaw/ "手把手教你在云服务器上安装openclaw")**》 ##01、检查你的微信版本 首先，微信需要升级到最新版。 目前只能是 iPhone，但安卓显然不会等太久。 升级路径：微信 → 我 → 设置 → 关于微信 → 检查新版本。 需要升级到最新版本。 升级完成后，杀掉微信进程，重新打开微信。 然后进入：我 → 设置 → 插件。 如果能看到「微信 ClawBot」，就说明你已经灰度到了。  点击详情，就可以看到接入方法了。 ##02、安装微信 OpenClaw CLI 接入非常简单，在电脑上执行下面的命令： npx -y @tencent-weixin/openclaw-weixin-cli@latest install  这个命令会从 npm 下载腾讯官方的微信 OpenClaw CLI 工具，自动完成安装配置。 命令执行后，CLI 工具会自动完成以下事情： 1. 下载并安装微信 OpenClaw 适配器 2. 检查本地 OpenClaw 环境 3. 生成微信连接配置 4. 启动本地 Gateway 服务 稍等片刻，就会看到微信的扫码界面了。  这个二维码是微信官方生成的临时连接凭证，有效期大概 5 分钟。如果超时了，会重新给你生成一个新的二维码。 拿起微信，扫码，就可以连接了。  扫码成功后，微信会提示已连接 OpenClaw。 整个流程非常顺畅，不需要配置飞书，不需要注册企业微信，就是个人微信直接接入。 这可是真正的国民级用户啊。 ##03、测试消息收发 连接成功后，随便发个消息测试一下。 我发的第一条消息是： > 你好呀。 如果能收到回复，就说明我们的微信已经成功接入了 OpenClaw。  收到回复了！OpenClaw 回复说我在，今天想让我帮你弄点啥？ 这说明消息通道是完全通的：微信 → 腾讯服务器 → OpenClaw Gateway → 大模型 → OpenClaw Gateway → 腾讯服务器 → 微信。 我试了一下图片，暂时不确定支持不支持。 因为我不确定这个是龙虾回复我的，还是微信回复我的。等会我把 Gateway 的日志打开看一下。  目前微信侧收到的回复是： 看到了，这张图我大概看明白了： 你是在 VS Code 里改 sucai.md，右边预览区那边已经把我发到微信的内容渲染出来了。你这次想验证的点，应该是： - OpenClaw 已经成功接入微信了 - 纯文本消息没问题 - Markdown 里的图片链接现在还没正常显示 - 好了。 从回复来看，OpenClaw 已经成功识别了我的消息内容，并且给出了准确的分析。这说明接入是完全成功的。 如果你需要集成其他的应用，可以参考下面的教程。 [【教程】手把手教你OpenClaw对接飞书教程](https://blog.gaomeluo.com/archives/openclaw-feishu/ "【教程】手把手教你OpenClaw对接飞书教程") ##更多教程 [腾讯轻量云服务器配置的OpenClaw如何接入微信？](https://blog.gaomeluo.com/archives/tx-OpenClaw-weixin/ "腾讯轻量云服务器配置的OpenClaw如何接入微信？") ]]> 0 https://blog.gaomeluo.com/archives/weixin-OpenClaw/#comments https://blog.gaomeluo.com/feed/archives/weixin-OpenClaw/ https://blog.gaomeluo.com/archives/aliyunqingliang-OpenClaw/ https://blog.gaomeluo.com/archives/aliyunqingliang-OpenClaw/ Wed, 27 May 2026 10:05:00 +0800 光山人 我之前教大家《**[【教程】手把手教你在云服务器上安装openclaw](https://blog.gaomeluo.com/archives/openclaw/ "【教程】手把手教你在云服务器上安装openclaw")**》，如果你还没有部署自己的 OpenClaw，还可以通过购买腾讯的轻量云服务器，一键秒级部署指南一键秒级部署指南，一键即可在几秒内完成部署。 ####阿里云轻量云服务器购买地址：[传送门](https://iil.ink/aliyunopenclaw "传送门") 本文档详细介绍阿里云平台一键部署开源 AI 助手 OpenClaw 的完整流程，包含部署优势、套餐选购、服务器配置。  ##一、部署 OpenClaw 核心优势 OpenClaw 云端部署（阿里云轻量应用服务器）对比本地部署，解决了本地部署的诸多痛点，核心优势对比如下：   ##二、阿里云套餐选购与支付 服务器实例配置选择 部署 OpenClaw 需选购阿里云轻量应用服务器实例，核心配置项及选择建议如下：若长期使用openclaw建议选购（轻量应用服务器 1 年 199 元 + 百炼 Coding Plan Lite 基础套餐 1 个月 40 元）   ##三、阿里云控制台配置 OpenClaw 支付完成后，前往阿里云控制台完成 OpenClaw 核心配置，全程可视化操作，零代码上手，核心步骤为开放端口 → 配置 API Key → WebUI 测试，具体操作如下： 3.1 进入控制台 访问轻量应用服务器控制台地址（示例： https://swasnext.console.aliyun.com/servers/eu-west-1 ），选择已购买的 OpenClaw 服务器实例（运行状态为「运行中」）。  3.2 服务器实例基础信息确认 控制台可查看实例核心信息，确认部署成功，关键信息包括： 实例 ID、实例名称（可自定义，如 OpenClaw-umwp） 运行状态：运行中；规格族：通用型 地域：示例为英国（伦敦） 配置资源：2 核 CPU、2GB 内存（示例占用 0.89GiB）、40GB 系统盘（示例占用 16.89GiB）、200Mbps 峰值带宽 到期时间、创建时间、DDoS 攻击状态（正常）等  系统需要安装openclaw 2026.3.3版本的镜像   3.3 获取并配置 API Key 进入百炼 Coding Plan 控制台：访问地址 https://bailian.console.aliyun.com/cn-beijing/?tab=plan#/efm/subscription/token-plan 进入「我的订阅」模块。 生成专属 API Key：在 Lite 基础套餐页面，点击「生成」按钮获取套餐专属 API Key，需妥善保存，切勿共享或暴露在客户端代码中，可随时重置密钥。   3.4 阿里云轻量应用服务器控制台 OpenClaw 按照以下步骤操作：先是开放端口，然后配置 Key（从阿里云百炼上获取），最后通过 WebUI 测试结果。  Step 1：端口放行（基础网络打通） 进入服务器管理页：打开阿里云轻量应用服务器控制台，找到你的 OpenClaw 实例，点击进入「应用详情」。 执行端口放行命令： 在「OpenClaw 使用步骤」模块 → 步骤 1「端口放行」→ 点击执行命令。 系统将自动配置防火墙规则，开放 OpenClaw 所需端口（无需手动输入命令）。 等待命令执行完成，提示「成功」后进入下一步。  Step 2：配置 OpenClaw（核心参数初始化） 初始化配置入口：在「OpenClaw 使用步骤」模块 → 步骤 2「配置 OpenClaw」→ 点击执行命令，弹出「执行命令」窗口。 配置阿里云百炼 API Key： 在弹窗的「配置 API Key」步骤中，点击下拉框选择 / 粘贴你的阿里云百炼 API Key（格式：sk-sp-xxxx）。 ⚠️注意：此操作会覆盖已配置的 API Key、服务接入点和模型，请谨慎操作。 确认 API Key 无误后，点击下一步。 进入「初始化配置」步骤，系统将自动完成： 就近接入点配置 模型绑定（默认关联 qwen3.5-plus） 服务重启 等待初始化完成，提示「成功」后关闭弹窗。 Step 3：访问 WebUI 面板（可视化验证） 获取 WebUI 访问地址： 在「OpenClaw 使用步骤」模块 → 步骤 3「访问 WebUI 面板」→ 点击执行命令。 命令执行后，将输出面板地址，格式： http://服务器公网IP:端口号 打开浏览器访问该地址，进入 OpenClaw WebUI 界面。 基础验证： 查看 Token：在「基础配置」→ 点击「查看 Token」执行命令，获取接口调用凭证。 测试模型调用：在 WebUI 中输入测试 prompt，选择已配置的模型（如 qwen3.5-plus），发送请求验证响应。  至此，本教程已结束。 除此之外，OpenClaw还有好几种安装方式，参考：【[OpenClaw 怎么装？这几种方式，总有一款适合你](除此之外，OpenClaw还有好几种安装方式，参考：OpenClaw 怎么装？这几种方式，总有一款适合你 "OpenClaw 怎么装？这几种方式，总有一款适合你")】 如果你需要集成其他的应用，可以参考下面的教程。 [手把手教你怎么把个人微信接入OpenClaw](https://blog.gaomeluo.com/archives/weixin-OpenClaw/ "手把手教你怎么把个人微信接入OpenClaw") ##更多教程 [【教程】手把手教你OpenClaw对接飞书教程](https://blog.gaomeluo.com/archives/openclaw-feishu/ "【教程】手把手教你OpenClaw对接飞书教程") ]]> 0 https://blog.gaomeluo.com/archives/aliyunqingliang-OpenClaw/#comments https://blog.gaomeluo.com/feed/archives/aliyunqingliang-OpenClaw/ https://blog.gaomeluo.com/archives/tx-OpenClaw-weixin/ https://blog.gaomeluo.com/archives/tx-OpenClaw-weixin/ Wed, 27 May 2026 09:54:34 +0800 光山人 书接上文，上一篇教程讲到《**[腾讯轻量云服务器一键配置OpenClaw](https://blog.gaomeluo.com/archives/tengxunqingliang-OpenClaw/ "腾讯轻量云服务器一键配置OpenClaw")**》 接下来给大家讲如何在OpenClaw中如何接入微信？ ##在OpenClaw配置面板中的通道卡片，选择微信后，点击前往授权： 1.在应用程序渠道设置中，选择微信。  2.点击“授权接入”进行下一步  3.请稍等片刻，直到出现二维码。  接下来我们需要通过微信扫码来完成接入。 在手机中打开微信App，用微信扫一扫直接扫描前面的二维码：  扫码完成后，添加，将直接进入到微信ClawBot的对话页，此时已经可以直接跟它对话了：  ##支持的消息类型 微信ClawBot支持的消息类型 是否支持？  > 提示： 上述表格仅代表微信ClawBot能接收/回复的消息类型，实际能否完成处理图片、文件等任务，还需要接入的模型具备相应的处理能力。 ⚠️ 注意：WeChat扫码后若出现此图，该原因可能很可能是海外WeChat所使用的地域问题 目前香港地域已支持，其他地域需要看微信官方的适配情况  ##更多教程 [【教程】手把手教你OpenClaw对接飞书教程](https://blog.gaomeluo.com/archives/openclaw-feishu/ "【教程】手把手教你OpenClaw对接飞书教程") ]]> 0 https://blog.gaomeluo.com/archives/tx-OpenClaw-weixin/#comments https://blog.gaomeluo.com/feed/archives/tx-OpenClaw-weixin/ https://blog.gaomeluo.com/archives/tengxunqingliang-OpenClaw/ https://blog.gaomeluo.com/archives/tengxunqingliang-OpenClaw/ Tue, 26 May 2026 23:40:00 +0800 光山人 我之前教大家《**[【教程】手把手教你在云服务器上安装openclaw](https://blog.gaomeluo.com/archives/openclaw/ "【教程】手把手教你在云服务器上安装openclaw")**》，如果你还没有部署自己的 OpenClaw，还可以通过购买腾讯的轻量云服务器，一键秒级部署指南一键秒级部署指南，一键即可在几秒内完成部署。 ####腾讯轻量云服务器购买地址：[传送门](https://iil.ink/tengxunqingliang "传送门") ##前置准备工作 OpenClaw（原Clawdbot）原生支持接入WhatsApp、Discord、Telegram、Slack等常用聊天软件，并通过这些软件与OpenClaw进行交互。在您正式开始为OpenClaw配置接入微信之前，请依次检查如下事项是否准备完成： 你的微信App版本已升级至最新版 。 注意当前海外仅部分地域支持使用微信ClawBot，功能在逐步开放体验中，请耐心等待。 ## 配置 OpenClaw 模型 1.登录并进入控制台  2.找到“腾讯轻量云服务器”  3.找到您刚刚购买的实例  4.转到“应用管理”  5.选择合适的模型/现有 API 模型列表仅显示可在当前区域使用的模型： 由于某些模型在特定区域存在访问或服务限制，系统不会显示当前区域不支持的模型。  如果您是第一次使用，请在选择合适的型号后，可以选择点击下面的“获取 API 密钥”购买该型号的信用额度并获取密钥。  如果你想在你的OpenClaw中给你配置一个自己的微信机器人，可以参考教程《[腾讯轻量云服务器配置的OpenClaw如何接入微信？](https://blog.gaomeluo.com/archives/tx-OpenClaw-weixin/ "腾讯轻量云服务器配置的OpenClaw如何接入微信？")》 除此之外，OpenClaw还有好几种安装方式，参考：【[OpenClaw 怎么装？这几种方式，总有一款适合你](除此之外，OpenClaw还有好几种安装方式，参考：OpenClaw 怎么装？这几种方式，总有一款适合你 "OpenClaw 怎么装？这几种方式，总有一款适合你")】 ##更多教程 [【教程】手把手教你OpenClaw对接飞书教程](https://blog.gaomeluo.com/archives/openclaw-feishu/ "【教程】手把手教你OpenClaw对接飞书教程") ]]> 0 https://blog.gaomeluo.com/archives/tengxunqingliang-OpenClaw/#comments https://blog.gaomeluo.com/feed/archives/tengxunqingliang-OpenClaw/ https://blog.gaomeluo.com/archives/openclaw-feishu/ https://blog.gaomeluo.com/archives/openclaw-feishu/ Tue, 26 May 2026 23:05:00 +0800 光山人 ###前期准备： 对接前你需要已经安装好了OpenClaw，安装教程参考《**[手把手教你在云服务器上安装openclaw](https://blog.gaomeluo.com/archives/openclaw/ "手把手教你在云服务器上安装openclaw")**》 ###对接步骤： 1、先在服务器安装feishu插件 ``` https://github.com/m1heng/Clawdbot-feishu ``` （上面的这个网址你可能打不开，这里有办法：<[魔戒VPN——节点多、速度快、稳定，推荐！！！](https://inurl.top/archives/mojie/ "魔戒VPN——节点多、速度快、稳定，推荐！！！")>）   ``` [root@localhost ~]# openclaw plugins install @m1heng-clawd/feishu ```   2、注册飞书 地址： https://open.feishu.cn/app?lang=zh-CN  点击「创建企业自建应用」   创建后会跳到应用配置页 左侧点「添加应用能力」→ 按能力添加 → 机器人 → 添加。  添加机器人成功后，需要设置权限（示例权限如下）：   选择批量导入权限  { "scopes": { "tenant": [ "aily:file:read", "aily:file:write", "application:application.app_message_stats.overview:readonly", "application:application:self_manage", "application:bot.menu:write", "cardkit:card:write", "contact:contact.base:readonly", "contact:user.employee_id:readonly", "contact:user.base:readonly"， "corehr:file:download", "docs:document.content:read", "event:ip_list", "im:chat", "im:chat.access_event.bot_p2p_chat:read", "im:chat.members:bot_access", "im:message", "im:message.group_at_msg:readonly", "im:message.group_msg", "im:message.p2p_msg:readonly", "im:message:readonly", "im:message:send_as_bot", "im:resource", "sheets:spreadsheet", "wiki:wiki:readonly" ], "user": [ "aily:file:read", "aily:file:write", "contact:contact.base:readonly", "im:chat.access_event.bot_p2p_chat:read" ] } }  点击申请开通   在「凭证与基础信息」中复制 App ID 和 App Secret。  在OpenClaw 里写入飞书配置把飞书应用的appId、appSecret填进 OpenClaw 配置（你需要换成自己的）：  linux服务器执行 openclaw config set channels.feishu.appId "cli_a92f8f247c799cb1" openclaw config set channels.feishu.appSecret "c6uozQBHonWVIEySNV0NvdcMuYETHysE" openclaw config set channels.feishu.enabled true openclaw config set channels.feishu.connectionMode "websocket"  进入「事件与回调」： 订阅方式选择 长连接订阅方式（不可选 HTTP 回调）。 添加事件：至少包含 im.message.receive_v1（接收消息）。 保存设置。 注意：事件订阅和回调配置建议在openclaw部署完成后统一在飞书后台设置，避免向导卡住。    输入：im.message.receive_v1  创建完成后，发布应用   启动网关 openclaw gateway start 测试是否有数据接收，使用以下命令： openclaw gateway --port 18789 --verbose  移动端发消息，也可以收到了。  至此，OpenClaw对接飞书教程已完毕。 需要其他教程的可以参考下面的教程： **[腾讯轻量云服务器配置的OpenClaw如何接入微信？](https://blog.gaomeluo.com/archives/tx-OpenClaw-weixin/ "腾讯轻量云服务器配置的OpenClaw如何接入微信？")** ]]> 0 https://blog.gaomeluo.com/archives/openclaw-feishu/#comments https://blog.gaomeluo.com/feed/archives/openclaw-feishu/ https://blog.gaomeluo.com/archives/openclaw/ https://blog.gaomeluo.com/archives/openclaw/ Tue, 26 May 2026 22:37:00 +0800 光山人 执行一键安装脚本，安装openclaw，只要是按照下面的步骤，一步一步操作，就能安装下来。 ###建站所需材料、工具： ####1、域名 域名可以在阿里云、腾讯云、华为云等平台上都可以注册的。尽量选择.com、.cn、.net等后缀域名，因为好备案，一些奇怪后缀的域名有可能是无法备案的。考虑到这些后缀域名资源快要枯竭了，想注册一个好域名基本上不太可能了，可以选择可以备案的稀有后缀域名注册，尽量短一些。 ####2、服务器 推荐使用云服务器。目前国内使用最多的云服务器厂商就是以下2家了，安全、稳定。 #####①. 阿里云服务器：[传送门](https://iil.ink/aliecs "传送门") #####②. 腾讯云服务器：[传送门](https://iil.ink/tengxundaijinquan "传送门") ###云服务器上安装openclaw步骤： 注意：官方脚本不支持centos7,下来我们使用oracle linux8。  1、执行一键脚本 ``` [root@localhost ~]# curl -fsSL https://openclaw.ai/install.sh | bash ```  2、等待安装完成，需要15-30分钟。原因是之前未安装node.js和git。   3、点击yes,引导模式选择QuickStart(快速启动)  4、模型选择千问,会经过Qwen Auth授权，需要打开这一行网址到浏览器，登录Qwen授权。    5、登录成功后，选择默认第一个。  6、接下来，选择即时通讯工具,下一步是channel选择，我选择跳过,后面可以添加    7、全部选择no（用空格键选择）  8、接下来，设置会话的保持方式。hooks都选上   9、网关我装过，这里选择重装  10、可以打开网址：地址一般是Control UI中的内容：  复制到网页中打开：``` http://127.0.0.1:18789/#token=81f3570b0145c3f4eda75f495154532ad4c5b4523250183f```  11、可以在TUI中进行问答  12、同样的页面也显示问答的内容   至此，openclaw在服务器上安装完毕！ 除此之外，OpenClaw还有好几种安装方式，参考：【[OpenClaw 怎么装？这几种方式，总有一款适合你](除此之外，OpenClaw还有好几种安装方式，参考：OpenClaw 怎么装？这几种方式，总有一款适合你 "OpenClaw 怎么装？这几种方式，总有一款适合你")】 安装之后，还有一些其他玩法， ####参考： [【教程】手把手教你OpenClaw对接飞书教程](https://blog.gaomeluo.com/archives/openclaw-feishu/ "【教程】手把手教你OpenClaw对接飞书教程") [腾讯轻量云服务器配置的OpenClaw如何接入微信？](https://blog.gaomeluo.com/archives/tx-OpenClaw-weixin/ "腾讯轻量云服务器配置的OpenClaw如何接入微信？") ####OpenClaw项目实战： [养虾实战教程：我用OpenClaw做了个能盯盘，也能深度复盘的投资agent](https://blog.gaomeluo.com/archives/OpenClaw-agent/ "养虾实战教程：我用OpenClaw做了个能盯盘，也能深度复盘的投资agent") ]]> 0 https://blog.gaomeluo.com/archives/openclaw/#comments https://blog.gaomeluo.com/feed/archives/openclaw/