Matthew Berman 如何用 OpenClaw 处理研究、会议和业务运营

我把 OpenClaw 安装在一台专用 MacBook Air 上，让它在家持续联网。我用 TeamViewer 远程访问桌面，用 Tailscale 进行 SSH 连接，因此可以从另一台机器检查或开发它。这是我在 2026 年 2 月的个人配置，并不是每个 OpenClaw 安装都必须如此。

Telegram 是我的主要界面，我把它划分为范围较窄的话题，例如知识、视频研究和会议准备。我没有继续使用此前的每日会话重置，而是将会话过期时间设为一年，让这些按话题划分的对话保留更久。会话历史与长期记忆相互关联，但属于不同机制。

我还接入了 Slack，将调用权限限制为只有我本人可以使用，并且只在两个频道开放；此外还有命令行和脚本访问。不同任务可以使用 Anthropic、Google、xAI 和 OpenAI 的模型。这些不同界面和模型的目的，是让任务匹配合适的工作流程，而不是把所有请求都塞进同一段聊天。

我的可复用技能包括个人 CRM、知识库、视频选题、社交平台研究、业务分析、任务管理和用量追踪。我在本地存储结构化数据，同时使用向量搜索和 SQL 式查询，让同一批记录既能支持精确查找，也能支持自然语言检索。

这套配置连接了 Google Workspace、Asana、HubSpot、Todoist、Fathom、GitHub、YouTube 和网页搜索等服务。这些连接为工作流提供了有用的上下文，也决定系统能接触哪些私人信息、执行哪些操作；访问范围本身就是设计的一部分。

个人 CRM 使用定时工作流导入邮件和日历数据，过滤我不想保存的联系人，合并重复人物，再用较小的模型分类他们的角色及背景。系统更新联系时间线并建立语义索引，让我可以询问最近和谁谈过、谈了什么。

会议准备工作流建立在 CRM 之上。每天早晨，它检查我的日历，过滤没有外部参与者的活动，并准备简短摘要，介绍参会者、我们此前的讨论和预计会议主题。它的价值来自将一个工作流收集的记录用于另一个工作流。

知识库用于保存我感兴趣的文章和其他资料。我通过 Telegram 发送文件或链接；工作流识别来源、提取和规范化内容、分块、生成嵌入并存储。以后我就可以用自然语言搜索，得到带来源的回答。

例如，我可以让它找到有关某个模型的文章，再在准备视频时重新利用这些来源。检索让保存的材料更容易找到，但回答和引用仍需要对照原始来源核查。

建立这套系统之前，团队会在 Slack 分享链接、讨论潜在视频，然后手动创建带研究资料的 Asana 卡片。现在，我发到知识库的文章也会在 Slack 频道中生成摘要；团队成员可以从那里触发视频选题，我也可以通过 Telegram 操作。

选题工作流解析主题，在 X 和网页上研究，检索已保存的相关材料，并检查是否已有类似提案。随后它准备吸引人的切入点、大纲和来源链接，创建 Asana 任务，并向发起请求的地方发送确认。我说，在我的配置中，这个流程大约 30 秒即可完成。

研究 X 内容时，我使用一条回退链：单帖查询服务、成本较低的搜索服务、官方 X API，以及适用时的 xAI 搜索。这些服务的能力和价格各不相同。视频描述的是我当时的配置；当前条款、访问条件和费用可能变化。

另一项分析任务每天为我的 YouTube 视频和频道增长数据生成快照，扫描其他频道的上传规律，并将指标保存在本地。它生成图表，把洞察送入业务复盘，帮助我考虑哪些主题、标题和缩略图有效。

业务复盘使用多种信号：频道指标、CRM、自动化运行状况、社交活动、消息、邮件、Asana 任务、会议转录和交易管道。系统选择主要信号、起草分析，再让多个智能体角色从增长、收入、质疑和团队动态等不同角度审查。

一名协调智能体整合各角色的审查，并在每晚的报告中为建议行动排序。我觉得这份简报有助于发现原本可能忽略的机会。智能体委员会是一种组织分析的方式，不能独立证明它对业务或人员的推断正确。

HubSpot 为系统提供赞助交易信息。我可以提出自然语言问题，将其映射到相关接口并获取摘要。我说，目前还不常直接查询，但让系统访问交易管道能丰富更广泛的分析。

写作方面，我使用一个“humanizer”技能，标记我认为具有模板化 AI 文风的模式并修改草稿。我把它用于消息和内容。这是文风编辑工作流，不能确定文字是否由人写成，也不能让其中的事实主张自动可靠。

我接入图像和视频生成 API，通过不同的 Telegram 话题请求图片、修改或视频。一个例子中，我要求生成图标，然后要求更大的版本和正方形格式。生成素材可以在其他工作流中复用，因此我尽量让技能保持模块化。

待办工作流可以从会议转录、直接请求或规划对话开始。模型提取行动、负责人和截止时间，对照相关 CRM 记录，然后向我展示建议任务列表。只有经我批准后，系统才会把任务添加到 Todoist。

由于系统进行了大量模型和 API 调用，我把用量和成本记录在同一个地方。我可以查询每周明细、找出昂贵的工作流，或查看 30 天趋势。我估计自己当时的订阅和 API 组合每月花费约 150 美元；这是个人估算，不是标准价格。

我再次列出连接的服务，说明输入和输出的范围：消息、日历、邮件、项目管理、CRM、分析、会议记录、代码仓库和搜索。具体选择哪些服务，不如设计工作流能够复用的接口重要。

定时任务让系统持续运行。我介绍了每小时同步代码仓库、检查 CRM 和收集信号；每天导入邮件、分析数据、检查运行状况并生成业务简报；每周综合记忆和进行维护。任务结果会记录并发送到 Telegram 话题中。

为了恢复系统，我在 Git 中保存代码和 Markdown 文件，并将数据库单独带时间戳备份到 Google Drive。我还维护一份恢复文档，说明如何取回数据并让服务重新上线。备份计划只有在需要时恢复步骤和访问权限都能正常工作，才真正有价值。

默认记忆流程将对话、已完成任务和错误记录在每日笔记中，再每周把模式和偏好综合成较长期的记忆。我还保留纠正性经验。我将其描述为保存上下文的自动方式；这不能证明所有存储的记忆都准确或有用。

尽管我可以通过聊天让 OpenClaw 构建功能，但我更喜欢在 Cursor 中开发。我从另一台电脑通过 SSH 连接运行 OpenClaw 的机器，检查文件并进行修改；需要完整桌面时则可以使用 TeamViewer。我说自己会测试改动并频繁提交代码。

最后一个维护问题是 Markdown 指令文件之间的漂移。随着技能和设置变化，指令可能重复或不一致。我维护一份工作区参考文档，描述架构、数据库、服务提供商和其他配置；智能体行为、身份、心跳和记忆各有独立文件。

我让系统在本地保存 OpenClaw 指南和相关 Anthropic 提示词指南的副本，然后每天审查 Markdown 文件，查找不一致并建议修改。我还观察到，不同模型版本对强调性指令的反应可能不同。这是我的维护方式，并不保证自动审查能发现所有问题。

这套配置更广泛的经验是让工作流程可复用：同一批联系人记录、知识库和分析数据可以服务多个任务。最后我鼓励观众探索自己的应用场景，让系统适应自己的工作方式。