OpenClaw能干什么？一个重度用户的10个真实用例拆解

作者：Yanhua

整理自： Podwise

最近 OpenClaw 爆火，到处都在讨论。但说实话，大部分内容都在讲理论、讲架构、讲愿景。真正用这玩意能干啥？日常工作里怎么落地？讲清楚的人不多。

Matthew Berman 最近出了一期视频，把他用 OpenClaw 搭建的所有用例一次性摊开了。不讲概念，全是实操。CRM、知识库、商业顾问团、安全审查、社交媒体追踪、视频选题流水线、每日简报、食物日记……一个人，一台 MacBook，干了一个小公司中台团队的活。

我把他最核心的用例拆开聊聊。不吹不黑，每个用例是什么、怎么跑的、好在哪，一个个过。

用例一：自然语言 CRM，30 分钟从零到可用

这是 Berman 展示的第一个用例，也是最直观的一个。

搭建过程：他用自然语言告诉 OpenClaw，「帮我建一个 CRM，从 Gmail、Google Calendar 和 Fathom 里提取数据，过滤掉营销邮件和冷推销，只保留有价值的对话和联系人。」没有写一行代码。30 分钟就跑起来了。

数据摄取：系统每 30 分钟扫描邮件，每 5 分钟在工作时段检查 Fathom（AI 会议记录工具）。所有数据在存入之前，先经过一个 LLM 判断：这封邮件值不值得存？这个联系人重不重要？

核心能力：

• 371 个联系人，全部可以用自然语言查询。「我上次和 John 聊了什么？」「X 公司最后跟我对接的是谁？」

• 关系健康评分，自动标记长期没联系的人

• 重复联系人检测和合并建议

• 向量嵌入搜索，支持语义级别的模糊匹配

最惊艳的细节：当 Berman 在其他场景（比如想视频选题）时，CRM 会主动插嘴：「你之前和某个赞助商聊过类似话题，也许他们愿意赞助这期。」系统跨模块联动，不只是被动存数据，而是主动创造连接。

Berman 的原话：「如果我 30 分钟就能搭一个完全定制的 CRM，再花一两个小时迭代优化，那我为什么还要付费给 CRM 公司？」

用例二：会议行动项自动追踪

这个用例和 CRM 紧密配合，但值得单独拎出来说。

工作流：会议结束 → Fathom 转录全文 → OpenClaw 匹配 CRM 联系人 → 提取行动项 → 发 Telegram 给 Berman 审批 → 审批通过的自动进入 Todoist

几个关键设计：

• 区分「我的」和「对方的」行动项。 对方承诺要给你的东西，系统标记为「waiting on」，自动追踪对方是否兑现。

• 自我学习过滤。 如果 Berman 拒绝了某条行动项（「这不算我的任务」），系统会学习原因并更新提取规则。下次同类情况不会再抓。

• 每天自动检查 3 次完成情况。 比如你在会上说「我今天把邮件发过去」，系统会检查你是否真的发了，发了就自动打勾。

• 14 天自动归档。 超期未完成的自动清理，保持清单干净。

这套东西的价值不在于某个单点功能，而在于它把「会议后续」这个最容易烂尾的环节完全自动化了。

用例三：个人知识库，丢个链接进去就行

Berman 长期有一个痛点：看到好内容，收藏了，然后再也找不到了。

他的解决方案极其简单：所有链接丢进 Telegram，剩下的交给 OpenClaw。

系统会自动处理这些类型的内容：

• 文章：直接抓取全文，对付费墙网站用浏览器自动化登录后提取

• YouTube 视频：抓取字幕/转录文本

• X 帖子：不只抓单条，会自动追踪整个帖子串，外链文章一并摄取

• PDF：直接解析文本

所有内容做向量化嵌入，存入本地 SQLite。之后可以用自然语言搜索：「给我看所有关于 OpenAI 的文章」，一键检索。

团队协作加成：每条入库内容自动以「Matt 想让你们看看这个」的形式同步到 Slack。团队知道这是老板亲自读过的，不是 AI 随便推的。

这个用例的关键不是技术多复杂，而是使用门槛极低。不需要打标签、不需要分类、不需要整理。丢进去就行，AI 帮你做剩下的。

用例四：商业顾问委员会，8 个专家每晚帮你开会

我个人觉得这是整个视频里最疯狂的用例。

数据输入：14 个业务数据源。YouTube 分析、Instagram 每帖互动、X 分析、TikTok 数据、邮件活动、会议记录、Cron 任务健康状况、Slack 消息……基本上涵盖了他业务的所有维度。

分析流程：8 个 AI 专家角色（财务、营销、增长、运营等），各自独立分析全部数据，并行运行。分析完成后它们互相讨论发现，综合分歧，然后合并成一份按优先级排序的建议清单。

交付方式：每天凌晨自动运行，结果以编号摘要发到 Telegram。Berman 起床后扫一眼，对任何一条都可以追问：「展开说说第 3 条。」

这个用例的启发性在于多 Agent 协作模式。不是一个 AI 给你建议，而是一群 AI 互相辩论后给你建议。就像真正的董事会，财务说要省钱，营销说要花钱，最后折中出一个务实方案。

用例五：安全委员会，AI 每晚审查 AI

和商业顾问类似的架构，但方向完全不同。

运行时间：每晚凌晨 3:30（错开其他任务的时段，避免 Anthropic API 配额冲突）。

审查团队：四个维度的安全专家。进攻视角、防御视角、数据隐私视角、操作真实性视角。

审查范围：整个代码库、Git 提交历史、运行日志、错误日志、存储数据。不是静态规则扫描，是让 AI 真正读代码并理解逻辑。

输出：Opus 4.6 综合所有发现，编号后发到 Telegram。关键问题立即告警。Berman 可以直接回复「fix it」，系统自动修复。

自我进化：每次修复后的经验会被记住，审查规则持续迭代。有些夜晚没有新建议，因为系统确认当前状态是安全的。

这个用例最妙的地方是用 AI 来审查 AI 自身。Berman 很坦诚：提示注入的防护永远不可能完美。但与其假装风险不存在，不如让系统自己每天体检一次。

用例六：社交媒体追踪 + 每日简报

追踪范围：YouTube、Instagram、X、TikTok 四个平台。每天自动拉取快照，存入 SQLite 数据库。

数据维度：YouTube 按视频追踪观看量、观看时长、互动率；其他平台追踪帖子级别的表现数据。

双重用途：

• 每日简报。每天早上发到 Telegram，告诉他昨天哪些内容表现好、哪些不好

• 喂给商业顾问委员会。社交媒体数据是 14 个数据源之一，直接参与每晚的业务分析

这里体现了整个系统的飞轮效应：社交媒体追踪模块不是孤立运行的，它产生的数据同时服务于简报和顾问委员会两个下游用例。

用例七：视频选题流水线，从一句话到 Asana 卡片

触发方式：在 Slack 讨论中，任何人在帖子下面回复「@Claude，这是一个视频创意」。

自动化流程：

• 读取 Slack 讨论串的完整上下文

• 全网搜索 + X 趋势调研

• 查询知识库，看是否有相关已存素材

• 查重，检查是否和已有选题重复

• 生成完整视频大纲：标题建议、缩略图建议、开场 hook、视频流程框架

• 做一个「这个选题值不值得做」的评估

• 在 Asana 创建项目卡片，附带所有研究资料和链接

Berman 在视频里演示了一个实际案例：Quen 3.5 发布的消息被分享到 Slack，有人标记为视频创意，系统自动生成了完整的选题包，包括 Twitter 上不同 KOL 的讨论、开源社区的反应、以及建议的视频角度。

这个用例的价值：把「灵感捕捉」到「可执行方案」之间的距离压缩到了接近零。

用例八：记忆系统，让 AI 越用越懂你

大多数人用 ChatGPT 的体验是：每次对话都像初次见面。Berman 的 OpenClaw 不是。

记忆层级：

• 对话记忆：每日对话自动保存为 markdown 文件

• 偏好提炼：从对话中提取写作偏好、语气风格、关注兴趣、股票追踪、邮件分类规则等，存入 memory.md

• 身份更新：每次新对话开始时，系统读取记忆文件，更新 identity.md 和 soul.md

• 向量化检索：所有记忆文件向量化，支持 RAG 搜索

场景化人格切换：Berman 给 AI 配了两套性格。Telegram 私聊时像朋友，幽默随意；Slack 团队频道里自动变成专业同事风格。这些都在 soul.md 里定义。

这个用例让 AI 从「工具」变成了「伙伴」。它不只是执行指令，而是真正理解你是谁、你要什么。

用例九：食物日记，AI 帮你发现过敏源

这是最出乎意料的用例。

使用方式：拍食物照片发给 OpenClaw，它自动识别并记录。每天收到 3 次提醒，汇报胃部感受。所有数据存入食物日志。

分析能力：每周触发一次分析，交叉比对食物记录和症状报告，识别模式。

真实成果：系统通过分析照片中的食物成分和 Berman 的症状反馈，发现他的胃对洋葱敏感。这是他自己完全不知道的。

一个聊天机器人，帮人做了食物过敏原排查。这在以前需要去医院做专项检测。

用例十：定时任务 + 自动备份 + 自动更新

这部分不那么性感，但可能是最重要的基础设施。

Cron 任务清单：

| 频率 | 任务 |

|------|------|

| 每 5 分钟 | 检查 Fathom 会议记录 |

| 每 30 分钟 | 扫描邮件 |

| 每天 3 次 | 行动项完成检查 |

| 每晚 | 文档同步、CRM 扫描、安全审查、日志摄取、视频数据刷新、晨间简报生成 |

| 每周 | 记忆合成、收益预览 |

| 每小时 | Git 提交 + 数据库备份 |

备份策略：所有 SQLite 数据库自动发现、加密、打包上传 Google Drive，保留最近 7 天。代码每小时 Git 推送 GitHub。任何备份失败，Telegram 立即告警。

自动更新：每晚 9 点检查 OpenClaw 新版本，展示 changelog，一句「update」就自动升级重启。

API 追踪：记录每次 LLM 调用用了哪个模型、消耗多少 token。甚至下载了各模型官方的 prompting 指南，让系统根据实际使用的模型优化 prompt 写法。

这套基础设施的设计理念就一条：你睡觉的时候，系统在干活；系统出问题的时候，你第一时间知道。

图像和视频生成：按需创作视觉内容

Berman 把 Veo（视频生成）和 NanoBanana Pro（Gemini 图像生成）接入了 OpenClaw。

使用方式很简单：在 Telegram 里说「意大利托斯卡纳别墅视频」，系统调用 Veo 生成，自动下载发到 Telegram，然后删除本地文件节省空间。图像同理，告诉它想要什么，NanoBanana Pro 生成后直接推送。

这个用例本身不算惊艳，但它的价值在于可以被嵌入到其他工作流里。比如视频选题流水线生成缩略图建议时，可以直接调用图像生成来出图。

回到全局：这些用例之间的关系才是重点

如果你只看单个用例，会觉得「挺酷，但好像也没那么特别」。ChatGPT 也能帮你查联系人，Notion AI 也能帮你整理知识库。

但 Berman 系统的真正威力在于用例之间的数据流动：

• CRM 数据 → 喂给商业顾问委员会

• 知识库内容 → 喂给视频选题流水线

• 社交媒体数据 → 喂给每日简报 + 顾问委员会

• 会议记录 → 喂给 CRM + 行动项系统

• 所有模块的运行日志 → 喂给安全委员会

每个模块都不是孤岛。它们构成了一个互相强化的数据飞轮。这才是为什么一个人 + 一台 MacBook 能产出一个小团队的效果。

Berman 有一句话我觉得特别到位：「你会开始看到我搭建的所有不同部分是如何相互作用、让彼此变得更强大的。」

安全提醒：跑之前先系好安全带

Berman 在安全上下的功夫值得单独强调：

• 提示注入防御：所有外部内容视为潜在恶意，入库前确定性代码预扫描

• 权限最小化：邮件、日历只读，不给写权限

• 输出控制：总结不逐字复述，自动过滤密钥和令牌

• 发布审批：发邮件、发推文前必须人工确认

• 加密备份：双重密码保护，.env 文件永不入库

他自己说得很清楚：「没有完美的安全方案。大语言模型是非确定性系统，完全防住提示注入是不可能的。但这不意味着你什么都不做。」

看完这些用例，我最大的感受是：AI 时代的「全栈」不再是指会写前端和后端，而是指能搭建和管理一整套 AI 工作流。 Berman 不写代码，但他对自己的需求有极其清晰的认知，并且知道怎么用自然语言把这些需求翻译成可运行的系统。

这可能是 2026 年最值得学习的技能。

基于 Matthew Berman 视频「21 INSANE Use Cases For OpenClaw」，播客 Podwise 整理，原视频包含每个用例的完整 prompt，推荐观看获取。如果你也在用 OpenClaw 或类似框架搭建自己的 AI 系统，评论区聊聊你最先搭的是哪个用例。