OpenClaw use cases: 9 automations + 4 wild builds
摘要
VelvetShark 整理了 OpenClaw 社群中真正在用的 9 個自動化案例和 4 個進階玩法，涵蓋 Morning Briefing、Email Triage、Homelab 監控、Slack 客服、PR Review、Multi-agent 協作等。影片後半段深入討論了 Skills/Memory 架構、安全防護層（隔離、權限、審批）、以及成本控制策略。重點不是理論上能做什麼，而是社群中實際在跑的案例。
重點筆記
9 個自動化案例
#1 Morning Briefing
- 每天早上 7:00 cron job，檢查日曆、天氣、email，送 Telegram 摘要
- 進階用戶 David 跑 7 個 cron jobs：GitHub trending、Hacker News、AI Twitter digest 等
- 「這將取代我訂閱的幾乎所有 newsletter」
#2 Email Triage
- 自動退訂不要的 newsletter、草擬回覆、標記需注意的信
- Lemonade Insurance 案例：Nikita 的 OpenClaw 幫他草擬了一封比他自己更強硬的保險理賠申訴信，保險公司因此重新調查
- Sebastian 用 OpenClaw 一次草擬 21 封投資人信件
- 關鍵實踐：Draft-only 模式。Agent 優先考慮「有效」而非「維護關係」，人類做最終決定
#3 Homelab Daily Report
- 跑日報腳本、抑制已知問題、只在異常時通知
- 原則：「只在有變化時通知我」
#4 Slack Customer Support
- Bot 監聽公司 Slack 頻道，回覆客戶問題，重要事轉 Telegram
- 有一次自主發現並修復了一個 production bug（未被要求）
#5 PR Review → Telegram
- Claude Code 完成變更 → 開 PR → OpenClaw 審核 diff → 結論送 Telegram
#6 Multi-Agent Dream Team
- Telegram 發訊息 → orchestrator agent 接收 → 分派給 builder / reviewer / deployer
- 3 分鐘後 PR 已上並通過 QA
- 「以前要 10-20 萬美元顧問費的工作，現在一天就能完成」
#7 Camera Trigger Automation
- Max 連接屋頂攝影機，天空漂亮時 AI 判斷、截圖、發通知
- 「攝影機不懂什麼是『漂亮』，但 OpenClaw 懂」
#8 TRMNL “Moment Before”（VelvetShark 自己的作品）
- 每天 4AM，AI 查歷史上的今天 → 選一個事件 → 生成「事件發生前一刻」的木刻風格圖片 → 推到 e-ink 顯示器
- 範例：1969/1/30 倫敦 → Beatles 屋頂演唱會前一刻
#9 Daily AI App Builder
- 每天自動搜 Twitter 熱門 AI 趨勢 → 選一個 → 寫一個 app → 推到 GitHub → 發連結
- 「當你的 AI 每天自主出貨程式碼，你已經超越了『輔助』的範疇」
4 個進階玩法
- 解碼緊急無線電：30 分鐘內從硬體到解碼完成，零手動訓練
- 智慧眼鏡整合：AI 看到你看到的，用於即時比價
- 壞螢幕筆電改 headless bot server：零成本硬體升級
- AI 管理 coding agents：OpenClaw 不只使用 coding agent，還管理它們，跟它們辯論 code review
Skills & Memory 架構
- 三層配置：Skills（功能模組）→ agents.md（行為規則）→ souls.md（人格設定）
- 記憶關鍵規則：「寫下來，否則會忘」。檔案留存，mental notes 不會
- QMD（Quick Markdown Search）：本地筆記搜尋工具，結合 keyword search + semantic search + smart re-ranker 三層搜尋。「你個人筆記的 Google」，完全在本機運行
安全防護
- 隔離：Docker 或 Cloudflare Worker，read-only root，除非明確允許否則無網路存取
- 權限：Email 只能 draft 不能 send；有人用雙手機方案（私人 + bot 專用）
- 審批：檔案刪除、發送訊息、網路請求需要人類審批
- Prompt injection 防護：「不要用小模型。Opus 抵抗 prompt injection 的能力很好，Haiku 或其他小模型則不行」
$120 過夜災難
- 用戶設定 agent 安裝 Python 套件，一個 pip install 失敗
- 無 max retry、無 timeout，agent 連續重試 6 小時
- 隔天起床發現 $120 帳單——都是一個永遠不會成功的 pip install 錯誤
成本控制三規則
- 失敗 3 次後停止（防無限重試）
- 設定最大執行時間
- 睡前檢查 dashboard
我的想法
- Draft-only 模式是一個非常實用的安全策略，可以補充到我的安全筆記中——它不是技術上的隔離，而是「行為層面的最小權限」
- QMD 解決的問題跟我用 Obsidian + 全文搜尋面臨的問題一樣——筆記越多越難找到對的那一篇。三層搜尋（精確 + 語義 + 重排）的架構值得研究
- 模型大小 vs prompt injection 抵抗力是一個重要且之前沒注意到的點，應該更新到 Prompt Injection 筆記
- Multi-agent orchestrator 模式是目前看到最具體的多 agent 協作架構描述
衍生的永久筆記
- QMD 本地語義搜尋工具（新建）
- Multi-Agent Orchestrator 模式（新建）
- Prompt Injection 攻擊 — 補充：大模型 vs 小模型的抵抗力差異
- AI Agent 的安全風險 — 補充：Draft-only 模式
- AI Agent 的成本優化策略 — 補充：$120 過夜災難案例、成本控制三規則
原始連結
- https://www.youtube.com/watch?v=52kOmSQGt_E
- Clawdiverse 社群展示：https://clawdiverse.com
- QMD GitHub：https://github.com/tobi/qmd