养虾记

Jaryujun

2026-03-13

AI Agent, OpenClaw, Skill, 企业微信

最近开始认真“养虾”。

这里的“虾”，指的是 OpenClaw。它本质上是一个运行在自己机器上的个人 AI 助手，能接聊天工具、调用技能、访问系统，还能长期保留上下文。OpenClaw 官网

这篇文章只记录我自己的一套最小实践：

用官方脚本把 OpenClaw 装起来
把消息入口接到企业微信
先养成几个稳定的小能力
装 Skill
做代码分析
做 Web Search

一、先装起来

安装方式我改成了官方脚本，尽量少折腾。

macOS：

curl -fsSL https://openclaw.ai/install.sh | bash

装完后先初始化：

openclaw onboard

我只关心三件事：

能不能正常完成 onboard
能不能启动 TUI 或 Dashboard
日志里有没有模型鉴权或渠道报错

如果只给一个建议，就是先别急着装一堆渠道和 Skill，先把单机跑通。OpenClaw 官网

二、接入阿里云 Coding Plan

这部分我参考的是阿里云的 OpenClaw 接入文档：阿里云 Coding Plan 文档。

我用的是阿里云 Coding Plan API KEY，配置方式按文档走，直接改 ~/.openclaw/openclaw.json，核心思路就是：

新增 bailian provider
baseUrl 指向 https://coding.dashscope.aliyuncs.com/v1
apiKey 使用自己的 Coding Plan Key
在默认模型里挂上自己常用的模型

文档中提供了配置 RAW：

{
  "models": {
    "mode": "merge",
    "providers": {
      "bailian": {
        "baseUrl": "https://coding.dashscope.aliyuncs.com/v1",
        "apiKey": "YOUR_API_KEY",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3.5-plus",
            "name": "qwen3.5-plus",
            "reasoning": false,
            "input": ["text", "image"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 1000000,
            "maxTokens": 65536,
            "compat": { "thinkingFormat": "qwen" }
          },
          {
            "id": "MiniMax-M2.5",
            "name": "MiniMax-M2.5",
            "reasoning": false,
            "input": ["text"],
            "cost": { "input": 0, "output": 0, "cacheRead": 0, "cacheWrite": 0 },
            "contextWindow": 196608,
            "maxTokens": 32768
          }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "bailian/MiniMax-M2.5"
      },
      "models": {
        "bailian/qwen3.5-plus": {},
        "bailian/MiniMax-M2.5": {}
      }
    }
  },
  "gateway": {
    "mode": "local"
  }
}

改完后重启：

openclaw gateway restart

我目前默认偏好 MiniMax-M2.5。不是说它绝对最好，而是我现在这套“养虾”流程里，它的响应速度和日常可用性比较平衡。复杂任务我再切别的模型。

三、接入企业微信

企业微信这块，我主要参考官方帮助中心里的智能机器人文档：企业微信智能机器人帮助。

这一块核心就四步：

安装企业微信插件
配置企业微信 channel
填入机器人 Bot ID 和 Secret
完成 pairing，密钥配对成功后即可使用

我自己的理解里，这一段不需要讲太复杂，重点就是把通道先配通。

配置时我只保留占位符：

WECOM_BOT_ID=<YOUR_BOT_ID>
WECOM_SECRET=<YOUR_SECRET>

如果用配置文件表达，核心意思也是一样：

{
  "channels": {
    "wecom": {
      "enabled": true,
      "botId": "YOUR_BOT_ID",
      "secret": "YOUR_SECRET"
    }
  }
}

等 pairing 完成后，就可以直接在企业微信里和这只虾对话了。

这一节我只保留两个提醒：

不要把真实的 Bot ID 和 Secret 提交到仓库
先完成 pairing，再测试收发消息

四、虾怎么养

我现在的经验是，OpenClaw 不是装完就结束，而是要慢慢养。

我只让它先做三类小事：

代码问题初筛
资料搜索与整理
把需求拆成计划

这样有两个好处：

它容易先变得稳定
我能快速看出是模型问题、提示词问题，还是 Skill 问题

平时我主要盯三样东西：

渠道日志
模型返回
Skill 执行结果

另外我会明确告诉它：不确定时先列假设，不要直接执行危险动作。

五、安装 Skill

我对 Skill 的理解很朴素，它就是可复用能力包。

我现在只先装两类：

web-search
code-analysis

顺序也基本就是这个顺序。先保证结果能发回来，再让它会搜，最后再让它看代码。

Skill 边界也要分清：

web-search 只负责联网搜索和整理来源
code-analysis 只负责看代码和输出分析

Skill 一多最怕互相抢活，所以边界越清楚越稳。

六、实现代码分析

代码分析是我最先补的一项能力，因为它非常适合 Agent。

我的流程很简单：

让 code-analysis 先读仓库
复杂需求再结合阿里云 Coding Plan API KEY
输出结构化分析结果

我希望它最终输出这种格式：

## 问题理解
- 需求是什么

## 关键文件
- 哪些文件最相关

## 调用链
- 从哪进，到哪落

## 风险点
- 哪些地方容易改坏

## 建议动作
- 先改什么，再验什么

这样我能很快判断它是真的看懂了，还是只是“看起来懂了”。

七、实现 Web Search

Web Search 解决的是“缺最新信息”的问题。

我现在主要用它做四件事：

查官方文档
查接入方式
查报错变化
汇总外部资料

工作流也尽量简单：

用户提问
  -> 判断是否需要联网
  -> 优先搜索官方来源
  -> 摘要
  -> 返回结论和引用链接

我给它加了一条硬规则：优先引用官方文档和帮助中心；如果引用社区文章，必须标注“非官方”。

这一步很重要，否则它很容易把“像真的”说成“真的”。

八、现在这只虾能干什么

折腾到现在，我的目标不是让它无所不能，而是让它稳定地帮我做几件事：

在企业微信里收消息
用 MiniMax-M2.5 作为默认模型跑日常任务
用 Skill 拆出通知、代码分析和搜索能力
在需要时结合阿里云 Coding Plan 做更复杂的规划

这套东西还远没到“完美”，但已经从“能跑”变成了“能用”。