OpenClaw 新手到高阶全攻略:技能矩阵到手搓工作流

适用范围:帮助安装了 OpenClaw 却不知道怎么优化记忆、装技能和 MCP 的用户。从新手到进阶,再到手搓专属工作流。


基础篇:最重要的三件事

1. 优化记忆结构

先下载 tree,把工作区目录结构打印出来,发给 Claude 或 GPT,让它帮你梳理记忆结构、目录层级和文件组织方式。

提以下需求:

帮我优化记忆结构和层级(并标注重要性,5⭐):
- 哪些内容该长期保留
- 哪些内容该拆分
- 哪些内容该放进短期 / 长期记忆结构里

先把记忆结构理顺,后面很多事都会顺。


2. 技能矩阵存入长期记忆

让它生成自己的技能矩阵并保存在长期记忆里。做 Agents 时,可以强制把矩阵写入元数据,确保技能被调用。

几个关键点:

  • 不要只看”装上了没有”,要一个个测试
  • 在 UI 界面里,尽量让所有技能都变成 eligible
  • 这一步解决的是 AI 的遗忘机制问题

3. 安装技能 & 安全筛查

安装 skill-vetter 提升安全系数,再去 ClawHub 按需找技能。

注意事项:

  • 下载量少的技能要么别碰,要么自己审核
  • 一次只装少量,先验证再扩展
  • 下载不了(超 rate)时,直接 unzip 到本地,让助手自己配置

技能不是越多越强,甚至可能越多越笨。能融进你的工作流才有意义。


4. 开启自学习

让它每周固定从 MoltbookEvoMap 学习其他助理的热门帖子、技能和思路,通过 self-learning 把经验导入长期记忆。

做完以上这些,日常就可以使用了。再让它打开基本设置,配置:

  • 显示思考过程
  • 调用工具工程

出了问题可以从这里排查错误。之后 GitHub 上各种有意思的项目直接发给助手让它跑,不用自己头疼怎么用。


进阶篇:扩展外部能力

外置记忆库:接入 Obsidian

当你开始认真用 OpenClaw,你会发现单靠内部记忆已经不够了。这时候可以把 Obsidian 接进来,把它当成外置的长期知识库。

这样做的意义:

优势 说明
记忆更清晰 结构化沉淀,不依赖模型内存
内容易管理 文件系统直接操作
方便复用 跨项目调用笔记
长期积累 OpenClaw 负责调用,Obsidian 负责沉淀

网页能力提升

第一步:用 Scrapping 补搜索短板

很多时候,OpenClaw 的问题不是”不会想”,而是”拿不到足够多的信息”。Scrapping 的意义在于网页版 AI 全都无法实现它的功能。

第二步:利用好阿里的 Page-Agent

Page-Agent 适合补网页层面的能力,处理网页任务、页面操作、页面理解时表现很好。


建立本地索引

当外置记忆库超过 200G 时,需要用 QMD MCP 建立索引:

  • 低配方案:Embedding + Gemini 免费 API
  • 高配方案:混合语义搜索小模型(注意:会占用约 2GB 内存)

定期更新技能

针对自己的领域,定期从 awesome-openclaw-skills 找适合的 skills:

  • 做科研 → 找科研相关技能
  • 做内容 → 找内容相关技能
  • 做自动化 → 找自动化相关技能

OpenClaw 最后一定走向垂直化,而不是全能化。


核心 MCP 推荐

Skill 更像”现成能力”,而 Plugins / MCP Server 更像”接口层”和”扩展层”。真正拉开差距的,往往不是 skill,而是接了什么外部能力。

MCP 工具 核心能力
Playwright 浏览器自动化
Firecrawl 网页转 Markdown
Scrapling 高效网页抓取
Context7 深度联网搜索
n8n 工作流自动化
TrendRadar 全网趋势监测
Zotero 学术文献管理
QMD 数据内容索引
Draw.io 专业逻辑绘图

外接 Claude Code / Codex

这一步很关键。OpenClaw 负责调度、记忆和流程;Claude Code / Codex 负责更强的编码与执行。

让最会做流程的去做流程,让最会写代码的去写代码。


高阶篇:手搓专属工作流

1. 先分析真实需求,再做逻辑链

到了高阶阶段,最忌讳犯懒。需求越特殊,通用技能越不够用。

第一步永远不是”先装”,而是想清楚:

  1. 我要解决什么问题?
  2. 这个问题的逻辑链是什么?
  3. 哪些环节可以自动化?
  4. 哪些环节必须自己把关?

先有逻辑链,再有工作流。


2. 让 Claude 指导你手搓

越特殊的需求,越不要期待”现成插件一键解决”。有效的方式是:

  1. 把逻辑链想清楚
  2. 让 Claude 帮你拆流程
  3. 自己一步步手搓出来

需求越独特,越不能偷懒。


3. 实战案例:TrendR

分享我自己搭的一个学术技能 TrendR,核心逻辑链:

搜论文 → 去重/评分 → 精读提取 → 生成综述
       → 整理参考文献 → 持久化知识库 → 持续迭代

完整工作流:

OpenClaw(多 agents 调度)
  ├── Scrapling MCP(辅助搜索)
  ├── 9 Source(主搜索)
  ├── Obsidian(知识沉淀)
  ├── QMD(混合语义搜索)
  ├── Zotero(文献管理)
  └── Nano-PDF(PDF 精读)

这套组合不是堆工具,而是按工作流每一步选最优工具


外接 Plugins、连接 CLI 软件的进阶部分,另开一篇详细讲。