1. 为什么我要花两周时间整理这98个用例第一次接触 OpenClaw 是在一个自动化需求特别密集的项目里。当时团队要处理大量重复性的浏览器操作——登录后台、抓取报表、填写表单、导出数据人工做一天下来眼睛都花了。我试过用传统的爬虫框架但遇到动态渲染和验证码就卡住了也试过录制回放工具但页面结构一变就全废。后来在一个开源社区里看到有人提到 OpenClaw说它是给 AI 代理装上手和眼睛的工具我就抱着试试看的心态部署了一套。结果这一试就停不下来了。从最初的浏览器自动化到后来的本地模型对接、ROS 机器人控制、嵌入式设备管理OpenClaw 能做的事情远超我最初的预期。我把这两年里实际跑通的、看到别人分享的、以及社区里讨论比较多的用例整理了一遍凑出了98个。这些用例覆盖了从个人效率工具到企业级自动化的各个层面有的只需要十几行配置就能跑起来有的则需要结合 Docker、Node.js 环境和本地模型做深度定制。这篇文章适合几类人看一是想入门 AI 代理但不知道从哪下手的新手二是已经在用 OpenClaw 但想看看还能玩出什么花样的老手三是做开源项目需要参考实际应用场景的开发者。我会把每个用例的核心思路、关键配置和踩过的坑都讲清楚代码和命令能直接抄的我就直接贴出来。文章会比较长建议先收藏再慢慢看。2. OpenClaw 到底是什么为什么值得折腾2.1 一句话说清楚 OpenClaw 的定位OpenClaw 本质上是一个AI 代理的执行框架。你可以把它理解成一个中间层——上面连着大语言模型可以是云端的也可以是本地跑的下面连着各种实际操作能力浏览器控制、文件系统、命令行、机器人接口等。模型负责想OpenClaw 负责做。这和直接用 ChatGPT 的插件系统有什么区别区别在于可控性和扩展性。OpenClaw 是开源的你可以看到每一行代码在干什么可以自己写 skill 来扩展能力可以把模型换成本地的 Ollama 实例数据不出本机。对于有隐私要求或者需要深度定制的场景这一点非常关键。另一个区别是执行粒度。ChatGPT 插件更多是调用一个 API 返回一个结果而 OpenClaw 可以执行多步骤的复杂任务链——打开浏览器、等待页面加载、找到特定元素、输入内容、点击提交、截图存档、解析返回数据这一整套流程可以打包成一个 skill下次直接调用。2.2 核心架构拆解三个关键层OpenClaw 的架构可以分成三层来理解这样后面讲用例的时候你会更容易对上号。第一层是模型接入层。这一层负责和 LLM 通信。OpenClaw 支持多种模型后端包括 OpenAI 兼容接口、Ollama 本地模型、以及一些国内模型的 API。配置文件里通常是一个 JSON 或 YAML指定模型地址、API Key、超时时间这些参数。如果你用 Ollama 跑本地模型这一层就是本机的一个 HTTP 服务延迟低但能力受模型大小限制如果用云端模型能力强但有网络延迟和费用。第二层是 Skill 执行层。这是 OpenClaw 最核心的部分。每个 skill 是一个独立的功能单元比如打开网页、截图、执行 shell 命令、发送 HTTP 请求。Skill 之间可以组合模型会根据任务描述自动选择调用哪些 skill、按什么顺序调用。这一层的设计哲学是小而专——每个 skill 只做一件事但要做得很稳。第三层是环境适配层。这一层处理操作系统差异、依赖管理、权限控制。比如在 Windows 上跑需要 WSL 支持在 Linux 上需要配置好显示环境如果要操作浏览器在 Docker 里跑需要挂载正确的卷和端口。这一层是最容易出问题的地方后面我会专门讲排查技巧。2.3 部署方式选择裸机、Docker 还是 WSL根据我的实际经验部署方式的选择直接决定了后续折腾的成本。三种主流方式各有适用场景部署方式适用场景优点缺点裸机直接跑开发调试、需要频繁改代码性能最好、调试方便环境依赖容易冲突、迁移麻烦Docker 容器生产环境、多实例隔离环境一致、迁移方便浏览器操作需要额外配置、GPU 直通麻烦WSL WindowsWindows 用户、需要图形界面兼顾 Windows 生态和 Linux 工具链文件系统性能有损耗、网络配置偶尔抽风我个人的建议是开发阶段用裸机或 WSL稳定后用 Docker 打包部署。这样既能享受调试的便利又能保证上线后的环境一致性。Node.js 版本这块有个坑要注意。OpenClaw 官方推荐 Node.js 20 LTS 或更高但我实测下来 20.x 系列最稳。24.x 虽然新但有些依赖包还没跟上会出现error installing 24.21.0: node.js v24.21.0 is not yet released这类报错。如果你用 nvm 管理版本直接nvm install 20 nvm use 20就行。Docker 部署的话Docker Desktop 在 Windows 上偶尔会报virtualization support not detected这是因为 BIOS 里的虚拟化选项没开或者 Hyper-V 和 WSL2 冲突了。解决办法是进 BIOS 开启 VT-x/AMD-V然后在 Windows 功能里确保虚拟机平台和适用于 Linux 的 Windows 子系统都勾选了。3. 98个用例的分类与精选解析98个用例全部展开讲篇幅会失控我按应用领域分成六大类每类挑最有代表性的几个详细拆解其余的用表格列出核心思路和关键配置。这样你既能拿到可以直接抄的实操方案又能看到全貌方便按需探索。3.1 浏览器自动化类用例 1-22这类是用例数量最多、也是最多人关心的。核心场景就是让 AI 代理代替人操作浏览器。用例 3自动填写多页表单并截图存档这个用例我实际跑了三个月用在每周的报表提交上。流程是打开内部系统 → 登录账号密码从环境变量读→ 导航到报表页 → 逐项填写 20 多个字段 → 上传附件 → 提交 → 截图保存到指定目录 → 发送通知。关键配置在于等待策略。很多新手会写死sleep(3000)但页面加载时间不稳定写死要么等太久要么不够。正确做法是用 OpenClaw 的waitForSelectorskill等特定元素出现再继续// skill 配置示例 { name: fill_report, steps: [ { action: goto, url: {{BASE_URL}}/report }, { action: waitForSelector, selector: #report-form, timeout: 15000 }, { action: type, selector: #field1, value: {{value1}} }, { action: click, selector: #submit-btn }, { action: waitForSelector, selector: .success-toast, timeout: 10000 }, { action: screenshot, path: ./screenshots/{{date}}.png } ] }注意截图路径一定要用绝对路径或者相对于 OpenClaw 工作目录的路径用相对路径时容易因为工作目录变化而找不到文件。用例 11竞品价格监控与异常告警这个用例的思路是定时抓取竞品页面价格和数据库里的历史价格对比如果波动超过阈值就触发告警。难点在于反爬应对——不是所有网站都欢迎自动化访问。我的做法是控制频率每次请求间隔随机 3-8 秒、模拟真实用户行为随机滚动、随机停留、以及遵守网站的 robots.txt。用例 17批量下载并重命名文件这个用例看起来简单但实际做的时候有个细节下载的文件名往往是一串乱码或者时间戳需要根据页面上的标题重新命名。OpenClaw 可以做到读取页面元素文本 → 下载文件 → 用读取到的文本重命名整个流程自动化。用例编号核心功能关键 Skill难度1自动登录并保持会话cookie 管理低5表格数据抓取导出 CSVtable 解析低8多标签页协同操作tab 管理中14验证码识别对接OCR 集成高19页面变化监控diff 对比中22自动化测试回归断言 截图中3.2 本地模型与 AI 代理类用例 23-41这类用例的核心价值在于数据不出本机。用 Ollama 跑本地模型OpenClaw 做执行框架整套系统可以完全离线运行。用例 25Ollama OpenClaw 搭建私有知识库问答这个组合我用了大半年。架构是Ollama 跑一个 7B 或 13B 的模型 → OpenClaw 提供文件读取和检索 skill → 用户提问时先检索本地文档把相关片段喂给模型模型生成回答。部署步骤大致是先装 Ollama官网下载对应系统的安装包ollama pull qwen2.5:7b拉模型然后配置 OpenClaw 的模型接入指向http://localhost:11434。这里有个坑Ollama 默认只监听 localhost如果 OpenClaw 跑在 Docker 里需要把 Ollama 的OLLAMA_HOST设成0.0.0.0否则容器内访问不到。用例 33AI 代理自动整理下载文件夹这个用例特别实用。下载文件夹里堆了几百个文件PDF、图片、压缩包、安装程序混在一起。OpenClaw 可以读取每个文件的元信息让本地模型判断文件类型和用途然后自动移动到对应子文件夹。我跑了一次整理出 400 多个文件准确率大概 85%剩下的手动调整一下就行。用例 38本地模型驱动的代码审查助手把 Git diff 喂给本地模型让它检查潜在问题——空指针、资源泄漏、命名不规范等。这个用例的价值在于代码不出本机适合对代码保密有要求的团队。模型选 13B 以上的效果比较好7B 的容易漏掉细节。实操心得本地模型的响应速度取决于硬件。我用一台 32G 内存 RTX 4060 的机器跑 13B 量化模型生成速度大概 15-20 token/秒做代码审查够用。如果只有 CPU建议用 7B 以下的模型否则等得让人抓狂。3.3 机器人与 ROS 集成类用例 42-58这类用例是 OpenClaw 比较硬核的部分把 AI 代理和机器人操作系统ROS结合起来。用例 45OpenClaw ROS2 Humble Gazebo 仿真控制这个组合我在一个教学项目里用过。架构是Gazebo 提供仿真环境 → ROS2 做通信中间件 → OpenClaw 作为高层决策节点。AI 代理接收自然语言指令比如把红色方块移到左边解析成 ROS 的 topic 消息发给仿真里的机械臂执行。配置的关键在于ROS bridge。OpenClaw 本身不直接说 ROS 协议需要通过 rosbridge 或者自己写一个 skill 来转发消息。我选的是自己写 skill因为这样控制粒度更细调试也方便。# 自定义 ROS skill 示例 import rclpy from rclpy.node import Node from geometry_msgs.msg import Twist class MoveSkill(Node): def __init__(self): super().__init__(openclaw_move_skill) self.publisher self.create_publisher(Twist, /cmd_vel, 10) def move(self, linear, angular): msg Twist() msg.linear.x linear msg.angular.z angular self.publisher.publish(msg)用例 52嵌入式设备远程管理用 OpenClaw 管理一批树莓派或者 Jetson 设备定时检查温度、磁盘、网络状态异常时自动执行重启或告警。这个用例的难点在于设备发现和批量操作——设备 IP 可能变化需要配合 mDNS 或者静态 DHCP。用例编号应用场景涉及技术栈难度43机械臂抓取规划ROS2 MoveIt高47移动机器人导航ROS2 Nav2高50多机器人协同ROS2 DDS高54传感器数据采集ROS2 串口中57仿真环境自动化测试Gazebo pytest中3.4 开发运维自动化类用例 59-76这类用例面向开发者和运维人员把日常重复性工作交给 AI 代理。用例 62Docker 容器健康检查与自动恢复写一个 skill定时检查指定容器的状态如果发现容器退出或者不健康自动执行重启并记录日志。这个用例配合 Docker 的 healthcheck 机制效果更好。# 检查容器状态 docker inspect --format{{.State.Health.Status}} container_name # 如果不健康则重启 docker restart container_name用例 68Node.js 项目依赖自动更新与测试这个用例的思路是定期检查 package.json 里的依赖有没有新版本 → 更新 → 跑测试 → 测试通过则提交 PR不通过则回滚并通知。这个流程用 OpenClaw 串起来可以省掉大量手动操作。用例 73日志异常检测与告警把日志文件喂给本地模型让它识别异常模式。传统的做法是写正则或者用 ELK 的规则引擎但有些异常是看起来正常但实际有问题的这种就需要模型来判断。我实测下来7B 模型对明显的错误日志识别率很高对微妙的异常还需要人工复核。注意自动更新依赖这个操作有风险一定要在测试环境先跑通而且要有回滚机制。我踩过一次坑某个依赖的小版本更新引入了 breaking change导致生产环境挂了半小时。3.5 数据处理与办公自动化类用例 77-89用例 79Excel 报表自动生成从数据库或者 API 拉数据 → 用 OpenClaw 的表格处理 skill 生成 Excel → 套用模板格式 → 发送邮件。这个用例我用来做周报原来手动做要一个小时现在全自动五分钟搞定。用例 83PDF 批量提取与结构化一堆 PDF 合同或者发票需要提取关键字段金额、日期、甲乙方。OpenClaw 可以调用 OCR skill 提取文本再用模型做结构化解析最后输出 JSON 或 CSV。用例 87邮件自动分类与回复草稿读取收件箱 → 模型判断邮件类型 → 分类到不同文件夹 → 对常见问题生成回复草稿。这个用例要注意隐私边界建议只处理工作邮件个人邮件不要接入。3.6 创意与生活类用例 90-98用例 92自动整理照片并按内容分类读取照片 EXIF 信息 → 模型识别照片内容风景、人物、食物→ 按类别和日期建立文件夹结构。这个用例跑一次能整理几千张照片比手动快太多了。用例 95智能家居场景联动OpenClaw 对接 Home Assistant 的 API根据时间、天气、家庭成员位置自动调整灯光、空调、窗帘。这个用例的难点在于场景规则的编排需要想清楚各种条件的优先级。用例 98个人知识库自动归档浏览网页时一键保存 → 自动提取正文 → 生成摘要 → 打标签 → 存入本地知识库。这个用例配合浏览器插件使用体验最好。4. 实操部署从零跑通第一个用例4.1 环境准备清单在开始之前确认你的环境满足以下条件操作系统Windows 10/11需要 WSL2、Ubuntu 20.04、macOS 12Node.js20.x LTS不要用 24.x有兼容性问题Docker24.0如果用容器部署内存至少 8G跑本地模型建议 16G 以上磁盘至少 20G 可用空间Windows 用户特别注意先确认 WSL2 装好了。在 PowerShell 里跑wsl --status如果显示未安装先执行wsl --install重启后再继续。如果报virtualization support not detected进 BIOS 开启虚拟化支持。4.2 安装 Node.js 和 OpenClawUbuntu 下用 NodeSource 的源安装 Node.js 20curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash - sudo apt-get install -y nodejs node -v # 应该显示 v20.x.x然后安装 OpenClawnpm install -g openclaw openclaw --version如果 npm 安装慢可以换国内镜像npm config set registry https://registry.npmmirror.com4.3 配置模型接入OpenClaw 的配置文件通常在~/.openclaw/config.json。如果接本地 Ollama{ model: { provider: ollama, baseUrl: http://localhost:11434, model: qwen2.5:7b, timeout: 60000 }, skills: { browser: { enabled: true }, filesystem: { enabled: true }, shell: { enabled: true } } }如果接云端模型把 provider 改成对应的填上 API Key 就行。4.4 跑通第一个用例自动打开网页并截图创建一个简单的 skill 文件hello.json{ name: hello_screenshot, description: 打开指定网页并截图, steps: [ { action: goto, url: https://example.com }, { action: waitForSelector, selector: body, timeout: 10000 }, { action: screenshot, path: /tmp/hello.png } ] }执行openclaw run hello_screenshot如果一切正常/tmp/hello.png会出现一张网页截图。这一步跑通了后面的复杂用例都是在这个基础上叠加。实操心得第一次跑浏览器相关的 skill 时如果报浏览器未找到或者无法启动大概率是缺依赖。Ubuntu 下执行npx playwright install-deps安装系统依赖然后再npx playwright install chromium下载浏览器内核。5. 常见问题与排查技巧实录5.1 部署阶段的高频报错报错信息原因解决方法virtualization support not detectedBIOS 虚拟化未开启或 Hyper-V 冲突进 BIOS 开 VT-x/AMD-V检查 Windows 功能node.js v24.21.0 is not yet releasedNode 版本过新依赖不兼容降级到 Node 20 LTSCannot connect to OllamaOllama 未启动或监听地址不对ollama serve启动检查 OLLAMA_HOSTDocker daemon not runningDocker 服务未启动Windows 启动 Docker DesktopLinux 用 systemctlPermission denied操作文件权限不足检查文件权限必要时用 sudo 或改 ownership5.2 运行阶段的典型问题问题一浏览器操作超时最常见的原因是页面加载慢或者选择器写错了。排查步骤先用openclaw debug模式跑看每一步的实际耗时然后手动在浏览器里检查选择器是否唯一匹配。如果页面是动态渲染的把waitForSelector的超时时间调大或者改用waitForFunction等待特定条件。问题二本地模型响应慢7B 模型在 CPU 上跑生成速度可能只有 2-3 token/秒一个稍长的回答要等一两分钟。解决办法换更小的量化模型比如 4-bit 量化的 3B 模型或者上 GPU。如果必须用大模型把timeout调大避免请求被中断。问题三Docker 容器里访问不到宿主机服务比如 OpenClaw 跑在容器里Ollama 跑在宿主机上。容器内的localhost指向容器自己不是宿主机。解决办法用host.docker.internalDocker Desktop或者宿主机的实际 IPLinux 下用172.17.0.1。问题四中文乱码在 Windows 上跑的时候偶尔遇到。原因是编码不一致。解决办法确保所有文件用 UTF-8 保存Node.js 启动时加--charsetutf-8Docker 容器设置LANGC.UTF-8。5.3 独家避坑技巧技巧一用环境变量管理敏感信息不要把账号密码、API Key 写死在配置文件里。用环境变量或者.env文件配置文件里用{{ENV_VAR}}引用。这样配置文件可以安全地提交到 Git。技巧二给每个 skill 加超时和重试网络操作和浏览器操作都可能失败加超时和重试能大幅提升稳定性。OpenClaw 支持在 skill 级别配置retry和timeout建议默认加上。技巧三日志分级输出调试的时候开 debug 日志生产环境用 info 级别。日志文件定期清理否则跑几个月能占满磁盘。技巧四用 Docker Compose 编排多服务如果 OpenClaw 需要配合数据库、消息队列、本地模型一起跑用 Docker Compose 管理最方便。一个docker-compose.yml把所有服务串起来启动一条命令搞定。version: 3.8 services: openclaw: image: openclaw/openclaw:latest volumes: - ./config:/root/.openclaw - ./data:/data environment: - OLLAMA_HOSThttp://ollama:11434 depends_on: - ollama ollama: image: ollama/ollama:latest volumes: - ./ollama:/root/.ollama ports: - 11434:11434技巧五定期备份配置和数据OpenClaw 的配置、skill 文件、运行日志、以及本地模型的数据都建议定期备份。我吃过一次亏硬盘挂了之后重新配置花了一整天。现在用 rsync 每天自动备份到 NAS。6. 从用例到落地我的选型建议98个用例看下来新手容易犯的错是什么都想试。我的建议是按这个顺序推进先跑通浏览器自动化里的基础用例打开网页、截图、填表单这是最容易看到效果的也能帮你熟悉 OpenClaw 的基本操作模式。然后根据你的实际需求选一个能立刻解决你当前痛点的用例深入做——比如你每天要花一小时整理报表那就把报表自动化做透。做完一个完整的用例之后你对 skill 编写、调试、部署的整个流程就有感觉了再扩展到其他领域会快很多。本地模型这块如果你的机器配置一般先用云端模型跑通流程等确定要长期用了再折腾本地部署。本地部署的硬件门槛和调试成本都不低没必要一上来就啃硬骨头。ROS 和嵌入式那部分适合有相关背景的人。如果你没接触过机器人开发从 Gazebo 仿真开始是比较稳妥的路径不需要真实硬件就能跑通大部分逻辑。最后再分享一个小技巧OpenClaw 的 skill 是可以复用的。你为一个项目写的 skill稍微改改就能用在另一个项目里。我建议建一个自己的 skill 仓库把常用的功能都沉淀下来用的时候直接引用不用每次重写。这个习惯坚持半年你会发现效率提升非常明显。