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

1. 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。
2. 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。
3. 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。
4. 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

1. 成本要盯紧 —— 额度用完会静默失败，不注意就会踩坑。
2. 环境越来越”重” —— 120+ 个 Python 包，磁盘空间和依赖冲突都是隐患。
3. 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。
4. 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。