我研究了 OpenClaw 的 10 个真实用例，有些地方让我不安

OpenClaw正在重新定义个人生产力的边界。从30分钟搭建定制CRM到AI专家团每日董事会，这套系统展示了如何将碎片化的工作流转化为自动化飞轮。最令人震撼的不是单个用例的技术突破，而是模块间的数据流动如何让一个人的产出堪比小型团队——同时也暴露出对系统依赖的隐忧。

最近花了不少时间研究OpenClaw的实际落地情况。

不是看官方文档，而是找到了MatthewBerman的一期视频——他把自己真实在跑的工作流全部展示出来：CRM、知识库、商业顾问、安全审查、视频选题、每日简报……一个人+一台MacBook，在做一个小公司中台团队的事。

我把他的用例拆开研究了一遍。说说我看到了什么，以及哪些地方让我觉得值得认真对待——包括那些让我有点不安的部分。

用例一：30分钟搭一个CRM，没写一行代码

Berman用自然语言告诉系统：帮我建一个CRM，从Gmail、GoogleCalendar和Fathom里拉数据，过滤掉营销邮件和冷推销，只保留真正有价值的联系人和对话。

30分钟，跑起来了。371个联系人，全部可以用自然语言查询。「我上次和John聊了什么」「X公司最后对接的是谁」，直接问，直接出结果。还有关系健康评分，自动提示哪些重要联系人很久没联系了。

最有意思的细节是跨模块联动——当你在想视频选题时，CRM会主动插嘴：「你之前和某个赞助商聊过类似话题，要不要联系一下？」它不是被动存数据，是主动帮你建立连接。

我的判断：这个用例戳到了一个真实痛点——市面上的CRM软件，你花大量时间配置，最后用到的功能不超过20%。一个完全围绕你自己工作方式定制的系统，从成本和效率来看确实更合理。

用例二：会议行动项，全自动追踪到完成

会议结束→转录全文→匹配联系人→提取行动项→发Telegram审批→进Todoist。

几个设计细节让我觉得想清楚了：

区分「我的」和「对方的」行动项——对方在会上承诺的事，系统标记为waitingon，自动追踪对方是否兑现。你不用再当那个追人的人。

自我学习——你拒绝一条行动项，告诉系统「这不算我的任务」，下次同类情况它不会再抓。

每天自动核查完成情况——你说「今天把邮件发过去」，系统会检查你是否真的发了。

我的判断：「会议后续」是最容易烂尾的环节，没有之一。这个用例的价值不在技术，在于它把人类最容易失忆的一个环节给堵死了。

用例三：个人知识库，丢链接进去就行

解决的是一个几乎人人都有的问题：好内容收藏了，然后再也找不到。

做法极其简单：所有链接丢进Telegram，系统自动处理。文章抓全文，付费墙的用浏览器自动化登录后提取；YouTube抓字幕；X帖子不只抓单条，会追踪整个讨论串，外链文章一并摄取；PDF直接解析。

所有内容向量化存入本地数据库，之后用自然语言搜索。不用打标签，不用分类，不用整理。

我的判断：这个用例的壁垒不是技术多复杂，而是使用门槛极低这件事本身。一个你真正会用的系统，比一个功能强大但嫌麻烦的系统有价值得多。

用例四：8个AI专家，每晚帮你开董事会

这是我研究下来觉得最值得深思的用例——不是因为它多酷，而是因为它揭示了一种新的决策方式。

Berman接入了14个业务数据源：YouTube数据、各平台社交媒体表现、邮件活动、会议记录、Cron任务状态、Slack消息……8个AI专家角色（财务、营销、增长、运营等）各自独立分析，并行跑完后互相讨论分歧，最终合并成一份按优先级排序的建议清单。每天凌晨自动运行，结果发Telegram。

我的判断：关键不是一个AI给你建议，而是一群AI互相辩论后给你建议。财务说要省钱，营销说要花钱，最后折中出一个务实方案——这才更接近真实的决策结构。不过这里有一个我没法忽略的问题：如果这8个AI的底层模型是同一个，它们的「辩论」到底有多大价值？这是这个用例我目前还没看到答案的地方。

用例五：用AI审查AI，每晚系统自检

每晚凌晨3:30，四个安全专家角色上线：进攻视角、防御视角、数据隐私视角、操作真实性视角。审查整个代码库、Git提交历史、运行日志和存储数据。Opus4.6综合所有发现，关键问题立即告警，可以直接回「fixit」自动修复。

每次修复后的经验会被记住，审查规则持续迭代。

我的判断：Berman对安全的态度让我觉得务实而诚实：「提示注入的防护永远不完美，但你总得做点什么，而不是假装问题不存在。」这句话比大多数AI安全方案的宣传材料都更让我信服。用系统来盯着系统，比假装没有风险要好得多。

用例六：从一句话到完整视频方案

在Slack里，任何人在帖子下回复「@Claude，这是一个视频创意」，系统接管：读取上下文→全网搜索+趋势调研→查知识库→查重→生成完整大纲（标题、缩略图建议、开场hook、内容结构）→在Asana创建项目卡片，附带所有研究资料。

我的判断：从「灵感一闪」到「可执行方案」，中间那段消耗最多能量的路被压缩掉了。对内容创作者来说，这不是效率提升，是工作方式的结构性变化。

用例七：记忆系统，让AI越用越懂你

对话自动保存，从中提取写作偏好、语气风格、关注领域，存入记忆文件。每次新对话读取记忆，更新人格设定。还配了两套性格：Telegram私聊里随意，Slack团队频道里专业。

我的判断：这个方向的意义大于当前实现。大部分人用AI的体验是每次从头开始，积累不了任何东西。一个真正记得你是谁的AI，和一个每次重新认识你的AI，使用体验是两种量级。

用例八：食物日记，AI帮你发现过敏源

拍食物照片发给系统，自动识别记录。每天3次提醒汇报胃部感受。每周自动分析，交叉比对食物记录和症状。

真实结果：系统帮Berman发现了他对洋葱敏感——这是他自己完全不知道的。

我的判断：这个用例是整套系统里最容易被忽视、但最能说明问题的一个。它的价值不在技术复杂度，在于「持续记录+被动发现」这件事，以前需要专项医疗检测，现在靠一个聊天窗口做到了。这种降维，才是AI真正让普通人受益的方式。

所有用例放在一起，才是真正的问题所在

单看每个用例，都可以找到替代品。

但Berman系统的核心不是单个用例，而是它们之间的数据流：

会议记录→喂给CRM+行动项系统

CRM数据→喂给商业顾问委员会

知识库内容→喂给视频选题流水线

社交媒体数据→喂给每日简报+顾问委员会

所有模块运行日志→喂给安全委员会

每个模块不是孤岛，而是数据飞轮的一个节点。这才是一个人能干出小团队效果的原因。

让我不安的部分

研究这些用例的过程中，有几个问题我一直没法绕开：

第一，这套系统的上限是Berman自己的认知边界。它能帮你执行，但不能帮你想清楚什么值得做。如果你对自己工作流的理解是模糊的，搭出来的系统也会是模糊的。

第二，多Agent辩论的价值需要被审慎对待。8个AI专家「互相讨论」，听起来很像真实的董事会。但它们本质上是同一个模型的不同实例，真正的多元视角从哪里来？

第三，自动化越深，依赖就越深。系统跑起来之后，你会越来越难区分哪些决策是你做的、哪些是系统替你做的。这不是批评，是需要主动意识到的东西。

最后说一句

我对OpenClaw的判断是：有局限，但方向是对的。

它揭示的不是「AI能帮你做什么」，而是「一个人对自己工作流的清晰认知，叠加AI的执行能力，能走多远」。

Berman搭出这套东西的真正原因，不是他懂技术，而是他极其清楚自己每天在做什么、卡在哪里、想要什么。这个认知本身，才是护城河。

本文基于MatthewBerman「21INSANEUseCasesForOpenClaw」视频整理研究，加入个人观察和判断。