6月初，我在操作系统上安装了Openclaw和Easyclaw，慢慢交由其读写文件、执行命令、调用 API、管理定时任务……相当于在你的电脑里安了一个”数字员工”。
带着好奇和一点不安，我决定试试它到底能干些什么。半个月过去了，这篇文章是这段经历的完整复盘。
一、框架搭建
1.1 安装 OpenClaw
OpenClaw（v2026.5.28）以 NPM 包的形式安装，全局一装即用。装完之后配置了三个 API Provider：
- tokendance（tokendance.space）—— 中转站，聚合了多个模型
- Thinkai—— 中转站，聚合了多个模型
- YXKL（ai.yxkl.cloud）—— 直连的模型服务
这三个 Provider 覆盖了 DeepSeek V4 全系列（Flash/Pro/Chat/Reasoner），还额外拿到了GPT5.4、MiniMax M3、Opus等模型。
1.2 配置模型别名
配了 8 个模型别名，日常使用中直接用短名称切换：
deepseek-v4-flash→ 日常轻量任务deepseek-v4-pro→ 需要深度推理时deepseek-v4-reasoner→ 复杂逻辑、数学计算
二、WordPress 博客自动化
这是我目前用得最多、也最有成就感的场景。
2.1 打通 API
通过 REST API 直接对接了 lifetruth.top 的 WordPress 后台：获取完整的分类、标签、作者信息，把元数据存档到本地，作为后续写作的参考。不需要打开浏览器、登录后台，直接在终端里就能管理博客。
2.2 自动化发布脚本
写了几套 Python 发布脚本：
_publish_blog.py—— 基础版，Markdown 转 HTML 发布_blog2.py—— 增加分类自动匹配_blog3.py—— 标签插入和摘要生成优化
核心流程：写稿 → 格式化 → 调 API → 发布，全程不需要手动操作。
三、视频制作探索
3.1 竖屏样片渲染
用 moviepy 做了竖屏视频的渲染测试（1440×2560 分辨率），包括字幕叠加、CTA 文字渲染、多素材合成。
3.2 绿幕合成与素材管理
写了绿幕素材的色度键合成脚本、剪辑素材的批量检查和预处理脚本。还处于探索阶段，但证明了 OpenClaw 调用 Python 脚本处理视频的可行性。
四、图像分析
用 PIL + numpy 写了参考图元素位置分析脚本。给它一张图，它能分析出各个视觉元素的坐标、大小、颜色分布。在设计稿对齐、UI 截图分析时特别有用。
五、这半个月装了什么？
全局 NPM 包（3个）
| 包名 | 版本 | 用途 |
|---|---|---|
| openclaw | 2026.5.28 | AI 代理网关（主框架） |
| @anthropic-ai/claude-code | 2.1.158 | Claude Code CLI |
| @aravhawk/cc-switch | 3.2.0 | 模型/平台切换插件 |
Python 库（120+个，以下是关键的）
核心/数据处理：
- pandas — 数据分析
- numpy — 数值计算
- openpyxl / xlrd / XlsxWriter — Excel 读写全家桶
- beautifulsoup4 / lxml — HTML/XML 解析
- requests / httpx — HTTP 请求
- pydantic — 数据校验
AI/LLM 相关：
- openai — OpenAI API 客户端
- litellm — 多 LLM 统一代理
- tiktoken — Token 计算
- huggingface_hub / tokenizers — HuggingFace 生态
图像/视频处理：
- Pillow (PIL) — 图像处理
- moviepy / imageio-ffmpeg — 视频编辑/渲染
- matplotlib — 图表绑定
网页/自动化：
- selenium — 浏览器自动化
- webdriver-manager — WebDriver 管理
- weasyprint — HTML 转 PDF
- itchat / wxauto / wxautox — 微信自动化
数据分析/科学计算：
- scikit-learn — 机器学习
- scipy — 科学计算
- akshare — 金融/经济数据接口
其他工具：
- PyQRCode / pypng — 二维码生成
- python-docx — Word 文档处理
- python-dotenv — 环境变量管理
- rich — 终端美化输出
- typer — CLI 工具框架
120 多个 Python 包，很多是依赖自动安装的，但这也侧面说明了 OpenClaw 的”胃口”有多大——它不是只做一件事的工具，它是一个平台。
六、核心配置一览
API Provider（2个）
- tokendance → tokendance.space（中转站，聚合多个模型）
- YXKL → ai.yxkl.cloud（直连模型服务）
可用模型（8个）
- DeepSeek V4 Flash / Pro / Chat / Reasoner（tokendance）
- DeepSeek V4 Flash / Pro、MiniMax M3、Kimi K2.7 Code（YXKL）
当前默认模型
目前使用的是 thinkai/claude-opus-4-6，之前一直是 deepseek-v4-flash。切换原因：不同任务需要不同引擎。日常对话用 Flash 够了，写长文、做复杂推理时需要更强大的模型。
七、真实感受
值得肯定的
- 效率提升明显 —— 博客发布从”登录后台→新建文章→填内容→选分类→发布”变成了一句话搞定。
- 多模型灵活切换 —— 不同任务用不同模型，成本和质量都能兼顾。
- 本地执行能力强 —— 文件读写、命令执行、脚本调用，这些是纯对话 AI 做不到的。
- 可扩展性好 —— 装个 Python 库就能解锁新能力，像搭积木一样。
需要注意的
- 成本要盯紧 —— 额度用完会静默失败，不注意就会踩坑。
- 环境越来越”重” —— 120+ 个 Python 包，磁盘空间和依赖冲突都是隐患。
- 安全性 —— 一个能在你电脑上执行任何命令的 AI，需要信任。建议在沙箱环境或限制权限下使用。
- 学习曲线 —— 配置 Provider、管理模型别名、理解 Token 消耗……不是即开即用的，需要一定技术基础。
给想尝试的人
如果你是一个喜欢折腾、有一定技术基础的人，OpenClaw 值得一试。它不是那种”装上就能用”的消费级产品，更像是一个开发者的瑞士军刀。
半个月下来，它最大的价值不在于”AI 能帮我写文章”，而在于让 AI 真正成为了我电脑的一部分——读我的文件、跑我的脚本、管理我的工作流。
这不是对话，这是协作。
