00:00 / 03:48
连播
清屏
智能
倍速
点赞159
00:00 / 04:09
连播
清屏
智能
倍速
点赞628
00:00 / 03:17
连播
清屏
智能
倍速
点赞97
00:00 / 02:00
连播
清屏
智能
倍速
点赞579
00:00 / 02:50
连播
清屏
智能
倍速
点赞122
00:00 / 09:44
连播
清屏
智能
倍速
点赞207
00:00 / 03:11
连播
清屏
智能
倍速
点赞154
社区实战 OpenClaw 最佳实践 - 5 大原则 1. 安全第一:绝不盲装 ClawHub 技能 · 自己写 SKILL. md(纯 Markdown 说明即可) · 含 scripts/ 的必须逐行审查 · 只用内置工具(web_fetch、web_search、exec)的技能最安全 · 零依赖 = 最优 2. 文件即大脑(最重要!) 所有上下文必须落地,否则 compaction 后全部丢失: · MEMORY. md → 长期记忆 · memory/YYYY-MM-DD.md → 每日日志 · ACTIVE-TASK. md → 当前任务工作记忆 · 工作中途也要 checkpoint 3. 模型分层 · 主智能体 → Claude Opus(协调、复杂推理) · 子任务/专项 → Claude Sonnet(5 倍性价比) · 必须配置模型回退机制 备注:这里可以把 Claude 模型对应替换为其他你自己测试过的模型,来降低成本。 4. Cron 驱动一切 把晨报、收件箱、监控、扫描等全部定时化,合并成少数「心跳任务」。 5. 极简技能哲学 最好的技能往往没有一行代码,只是一份写得好的 SKILL. md,教智能体如何用内置工具完成任务。 推荐项目结构(社区标准) ~/workspace/ ├── SOUL. md # 人格 ├── MEMORY. md # 长期记忆 ├── ACTIVE-TASK. md # 当前任务 ├── HEARTBEAT. md # 定时任务清单 ├── memory/ # 日志 └── skills/ # 自定义技能 常见问题避雷 · 运行中改配置 · 信 ClawHub 下载量 · 不读 Skills 就安装 · 让智能体无批准发邮件/推文 #ai #openclaw #agent #智能体 #ai工具
00:00 / 00:36
连播
清屏
智能
倍速
点赞31
00:00 / 01:44
连播
清屏
智能
倍速
点赞18
韦东东6天前
openclaw和claude code的一些区别和联系 上下文碎片化在企业商业模式/治理体系成熟之前,很难靠“全局统一数据定义+强结构化”一次性解决,反而更可能从个人 Agent 这种 wedge 形态开始,也就是先把跨应用的“访问、筛选、压缩、写入记忆、检索与执行”跑通,再逐步长出更强的组织级整合。 CC架构我也很认同它的落脚点,私以为它的价值不在把上下文压短,而在于把 Agent 变成一个可执行的闭环系统。具体来说,主控(orchestrator)基于当前证据做计划,然后调用工具去执行(读/写/查/跑),再用结果(测试、报错、diff、日志)做反馈迭代。也就是说,CC 更像一个“控制回路/执行回路”的范式:检索把证据拿进来,CC 负责把事情做完并用反馈纠偏。因此我会把“个人 Agent 统一上下文”理解成两件事一起成立:一是你说的检索+信息压缩,把碎片信息变成可用记忆;二是像 CC 这种多步工具调用的执行闭环,让记忆不仅能“被问”,还能驱动动作。 补充两个我在企业项目里反复遇到的问题,也许能把这条路径更工程化: 第一,记忆层不只是存储,更重要是可追溯与可更新。Markdown/文件系统当然可以做载体,但建议至少分层:原始证据层、压缩摘要层、面向任务的结构卡片层等。 第二,你提到的“筛选与组织信息字段”本质是检索+压缩(信息有损),而它能否长期可用取决于评测与 bad case 回收机制:压缩丢了哪些关键约束、哪些字段最容易被误摘要、哪些场景需要强结构化兜底,都得靠持续的失败样本迭代出来。 #claudecode[话题]# #openclaw[话题]#
00:00 / 05:00
连播
清屏
智能
倍速
点赞34
00:00 / 02:31
连播
清屏
智能
倍速
点赞225
00:00 / 04:59
连播
清屏
智能
倍速
点赞45
00:00 / 05:27
连播
清屏
智能
倍速
点赞78
春节深度实践AI工具后,核心感悟是AI能辅助结构化学习以构建知识脉络,并通过拆解Open Claw的两层极简循环逻辑,认识到其强大源于大模型能力与外部工具的结合。对方分享了试用Claude Code搭建Agent、积累个人数据等实践,并建议新人从使用现成skill建立体感入门,避免直接开发。 春节期间借助AI快速生成陌生领域的结构化框架,将零散知识点串联形成完整知识脉络,提升学习效率。具体学习了大数据的处理、流转与应用全流程,梳理了数据与AI模型结合的相关知识,包括Palantir公司的本体论、graph rag、知识图谱与AI的结合方式,还拆解了Open claw的底层运行逻辑。 底层逻辑拆解:核心是两层极简循环,内层是工具循环,不断调用工具、检查状态,直到工具执行完成;外层是任务循环,完成一个任务后等待执行下一个任务。其强大能力来源于两个核心要素:一是大模型本身能力足够强,能够支撑大部分工作任务;二是集成了足够多的外部工具,上下文知识储备充足,因此能实现丰富强大的功能。 深度使用的启发:深入体验Open Claw、Claude Code等AI工具后,才能跳出抽象概念形成具体认知,进而自然产生将工具和自身工作结合的创新想法,形成认知和实践的正向循环。 白白的春节AI实践分享Claude Code试用尝试: 1️⃣尝试使用Claude code搭建每日新闻更新的Agent,经过多次尝试还未达到理想效果,但已经在他人帮助下实现本地可用,完成了第一步实践。 2️⃣个人数字化材料积累:为搭建个人数字化分身做准备,日常使用GET笔记和Flomo积累私有化资料,随时录入个人感想、日记、感悟、读书笔记等内容,积累个人数据。 3️⃣交流视频录制:和对方交流时录制视频,一方面可以记录生活、留存容易转瞬即逝的想法方便后续回看;另一方面发布到网上,可以给和自己一样的AI入门小白提供参考,帮助他人学习。 入门路径:对于AI Agent入门新人来说,存在两个核心障碍,一是Claude Code有一定上手门槛,新人不理解终端、命令行的操作;二是还没有真正理解skill、MCP的概念和逻辑,不适合直接从零开始开发自定义skill和agent。 不建议新人上来就开发自定义内容,推荐先使网上skill 商店、skill仓库中已做好的现成skill,安装使用#AI#Agent#春节
00:00 / 06:53
连播
清屏
智能
倍速
点赞32
00:00 / 03:18
连播
清屏
智能
倍速
点赞0
00:00 / 03:52
连播
清屏
智能
倍速
点赞34
00:00 / 02:05
连播
清屏
智能
倍速
点赞13
00:00 / 05:48
连播
清屏
智能
倍速
点赞36
00:00 / 02:57
连播
清屏
智能
倍速
点赞51
00:00 / 04:42
连播
清屏
智能
倍速
点赞23
00:00 / 00:17
连播
清屏
智能
倍速
点赞119