{
"summary": "北航副教授何静在视频中系统讲解OpenClaw平台，将其比喻为能自主执行任务的AI科研助手。通过四层架构（交互层、网关层、智能体层、执行层）解析其工作原理，并演示了从部署配置到实操应用的全流程。重点展示了文献下载、综述生成、定时任务、数据统计等科研场景自动化操作，强调该工具可将研究者从重复性劳动中解放，聚焦创新思考。最后提出未来科研将向人机协同、自主探索演进的愿景。",
"timeline": [
{
"time": "00:00:00",
"point": "开场介绍OpenClaw是能自己动手干活的AI代理平台"
},
{
"time": "00:02:15",
"point": "解释大模型有嘴无手，OpenClaw为其配备了“手”和“脚”"
},
{
"time": "00:04:30",
"point": "详细拆解OpenClaw的四层架构：交互层、网关层、智能体层、执行层"
},
{
"time": "00:08:45",
"point": "对比本地部署与云端部署的优缺点，给出选择建议"
},
{
"time": "00:12:20",
"point": "演示安装基础环境与自动化配置流程"
},
{
"time": "00:15:10",
"point": "展示如何用指令实现论文AIGC查重功能"
},
{
"time": "00:18:30",
"point": "演示设置每日舆情简报的定时任务并输出至桌面"
},
{
"time": "00:22:15",
"point": "演示从B站抓取数据并自动生成统计报告"
},
{
"time": "00:26:40",
"point": "演示批量下载最新领域论文并自动整理至桌面文件夹"
},
{
"time": "00:30:00",
"point": "演示根据下载的文献生成综述并包含图表"
}
],
"chapters": [
{
"title": "AI科研副驾驶：OpenClaw的核心价值",
"start_time": "00:00:00",
"end_time": "00:05:00",
"summary": "开篇点明科研人员面临的三大痛点，引出OpenClaw作为“AI科研副驾驶”的定位，强调其不仅能理解指令，还能调用工具完成实际操作，极大提升效率。"
},
{
"title": "四层架构揭秘：OpenClaw如何运作",
"start_time": "00:05:00",
"end_time": "00:10:00",
"summary": "以通俗比喻解析OpenClaw的四层核心架构：交互层负责统一接收指令，网关层负责路由与调度，智能体层负责决策与规划，执行层负责具体任务。"
},
{
"title": "部署与配置：从零开始搭建你的AI助手",
"start_time": "00:10:00",
"end_time": "00:15:00",
"summary": "详细指导用户选择本地或云端部署方案，并演示安装环境、配置API密钥及多端接入的完整流程。"
},
{
"title": "实操演示：让AI帮你搞定科研琐事",
"start_time": "00:15:00",
"end_time": "00:30:00",
"summary": "通过多个真实案例，演示OpenClaw在文献下载、综述生成、数据统计、定时任务等场景下的强大能力，展现其自动化处理复杂任务的潜力。"
}
],
"quotes": [
{
"text": "我们为什么要养虾呢？因为这条户是能够帮你把繁送的劳重复劳中去解构放出来让你把时间真真正正花在创新思考事计的实验上。",
"time": "00:03:45"
},
{
"text": "它不仅能够懂你的话，它能够调用各种工具执行任务，当你打开浏览器去操作软件运行代码读写文件这些任务它通统的能够帮你完成。",
"time": "00:01:20"
},
{
"text": "未来的科研方式正在发生根本性变化，变成人和机器一起想及其帮你做的阶段。",
"time": "00:30:00"
}
],
"key_points": [
"OpenClaw是一个能自主执行任务的开源AI代理平台，解决了大模型‘有嘴无手’的问题。",
"其核心架构分为交互层、网关层、智能体层和执行层，各司其职。",
"部署方式包括本地和云端，各有优劣，需根据隐私和稳定性需求选择。",
"通过简单指令即可实现文献下载、综述生成、数据统计等复杂科研任务的自动化。",
"未来科研将向人机协同、自主探索的方向发展，OpenClaw是重要的基础设施。"
],
"thesis": [
"OpenClaw不是简单的工具，而是将重塑科研工作模式的下一代基础设施。",
"真正的生产力革命不在于从零到一的创造，而在于从一到一百的应用普及。"
],
"evidence": [
{
"point": "OpenClaw能将重复性工作自动化，解放研究者的时间",
"support": "演示了仅用一条指令就自动下载十篇论文并整理到桌面文件夹，三分钟内完成原本需要数小时的工作。",
"time": "00:26:40"
},
{
"point": "OpenClaw具备自主规划和执行复杂任务的能力",
"support": "演示了设置一个定时任务，每天早上七点自动生成前一天的舆情简报并发送到桌面，无需人工干预。",
"time": "00:18:30"
},
{
"point": "OpenClaw的架构设计使其能可靠地处理并发指令",
"support": "详细拆解OpenClaw的四层架构：交互层、网关层、智能体层、执行层",
"time": "00:04:30"
}
],
"caveats": [
"使用OpenClaw需要支付大模型API调用费用，存在成本风险。",
"技能（Skill）的质量参差不齐，用户需自行甄别，部分技能可能含有病毒或不可靠代码。",
"对高风险操作缺乏强制确认机制，存在误删或误改文件的风险。",
"原视频篇幅较长，当前整理更偏主线，部分中间论证和例子可能被压缩。"
],
"implications": [
"对于科研工作者而言，掌握OpenClaw等AI代理工具，是提升个人竞争力的关键技能。",
"教育机构应将此类AI应用纳入课程体系，培养学生的“知识传播”能力，而非仅仅传授知识。",
"该技术的发展预示着科研范式将从个体主导转向人机协同，推动科学发现的加速。"
],
"actionables": [
"立即尝试使用OpenClaw的“一键安装脚本”部署一个本地实例。",
"为自己的研究项目创建一个专属的“技能包”，例如“文献综述生成器”或“实验方案设计助手”。"
],
"terms": [
{
"term": "OpenClaw",
"meaning": "一个开源的AI代理平台，能理解自然语言指令并调用工具完成实际操作，如下载文件、运行代码、生成报告等。"
},
{
"term": "Skill",
"meaning": "OpenClaw中的“技能”，本质上是一份说明书，定义了某个特定任务的触发条件、输入信息、执行步骤和输出格式。"
},
{
"term": "网关层",
"meaning": "OpenClaw系统的中枢大脑，负责接收所有消息、进行路由、排队处理指令，并能调度历史任务（如定时任务）。"
},
{
"term": "智能体层",
"meaning": "OpenClaw的“大脑”，负责理解用户意图，结合历史记录和可用工具，制定任务执行策略。"
},
{
"term": "CRON",
"meaning": "一种用于设置定时任务的表达式，如“0 7 * * *”表示每天早上7点执行一次。"
}
],
"provider": "qwen",
"model": "qwen-flash",
"text_length": 22867,
"generated_at": "2026-05-19T12:09:13.014114",
"corrected_text": "我是北京航空航天大学二十九系高研院的副教授何静。我们很多研究生在实验室里，往往就像流水线上的工人，不是在搬砖，就是在准备搬砖的路上。而OpenClaw，正是为解决这个问题而生的。\n\n简单来说，OpenClaw是一个开源的、能自己动手干活的AI代理平台。你可能用过大型模型，比如GPT，它确实很聪明，但“有嘴没手”——能帮你读文献，却无法帮你查文献、下载PDF、运行代码或处理文件。而OpenClaw给这个超级大脑装上了手和脚，不仅懂你的指令，还能调用各种工具完成任务：打开浏览器、操作软件、运行代码、读写文件……这些工作它都能替你搞定。\n\n你可以把它想象成一个24小时不眠不休、不要工资、随时待命的实习生。只要下达任务，它就能帮你完成。比如你对OpenClaw说：“帮我提取这篇论文的高被引文献，生成解决方案分类，并整理成综述，发到我的邮箱。”一小时后，结构清晰的提纲就躺在了你的邮箱里，效率提升十倍以上。\n\n又比如你让它：“根据某种可视化技能，把桌面某个数据生成指定格式的高清图片。”三分钟后，一张可以直接使用的高清图就生成了，原本需要数小时的工作，三分钟搞定。\n\n那我们为什么要“养龙虾”？因为这条AI助手能帮你从繁琐重复的劳动中解放出来，让你真正把时间花在创新、思考和实验设计上。\n\n当然，它也可能出错——无论是编程、调试，还是系统崩溃，包括我自己在内，都曾遇到过电脑被搞崩的情况。接下来，我将用通俗易懂的方式，带大家理解OpenClaw的核心架构原理。\n\n整个系统可以分为四层：交互层、网关层、智能体层和执行层。\n\n第一层是**交互层**，相当于系统的“前台”。无论你是通过微信、网页、App，还是直接在命令行发起请求，它都会统一接收并识别。就像一个前台接待员，不管从哪个门进来，都会问一句：“你好，请问您找谁？”这就是交互层的作用——把各种输入转化为系统内部能理解的语言。\n\n第二层是**网关层**，可以说是整个系统的“大脑”。它是一个常驻后台的服务，负责所有消息、指令和定时任务的调度。它主要做三件事：\n\n一是**路由**——判断消息来自谁。比如张三在微信私聊我，这条信息就会交给张三的专属会话去处理。\n\n二是**排队**——如果你发了多条指令，网关不会让它们同时执行，而是按顺序串行处理。即使你在A群让它写文件，在B群让它查资料，也不会冲突。\n\n三是**调度历史任务**——比如你设置了一个每天早上八点自动发送科技日报的任务，网关会在设定时间准时唤醒系统，哪怕你还在睡觉。\n\n用大白话理解，这就像一个总机接电话：有人打电话来，它先看是谁，再按顺序转接；老板交代的下午三点开会提醒，也一定会准时响起。\n\n第三层是**智能体层**，也就是OpenClaw真正“动脑”的地方。它由几个核心角色组成：\n\n第一个是**会话管理器**，负责保存每个独立对话的上下文，包括聊天记录、历史任务等。\n\n第二个是**提示工程主控**，它会结合当前任务、可用工具、历史记录和最近的对话内容，生成一份完整的提示词（prompt），交给大模型处理。\n\n第三个是**执行循环**，负责具体调用工具。比如你说“截屏”，模型会回应“好的，我要用截屏工具”，执行循环就去调用该工具获取截图，再根据模型下一步指令，把截图发送出去。\n\n第四个是**记忆系统**，分为三层：短期记忆记录每日对话日志，每次新对话时自动加载；中期记忆会压缩长文本，只保留关键信息；长期记忆则保存用户偏好，比如你习惯使用“生发模式”，下次启动时系统会自动加载。\n\n整体来看，智能体层就像是一个真正的助理：接到电话后，先翻翻笔记本看看你之前说过什么，再听清你现在要做什么，想清楚要用哪些工具，然后指挥别人去干活。\n\n第四层是**执行层**，这才是真正“动手干活”的地方。比如写文件、发邮件、截屏、点击鼠标等操作，都靠这一层完成。\n\n执行层包含两类任务：一类是本地运行的通用技能，比如文件联网、基础计算；另一类是远程设备上的任务，比如运行在你家里的MacBook，或随身携带的iPhone上。因此，当你从手机发送指令时，系统可以通过网关传送到家里的电脑，再由远程设备执行任务。\n\n那么，这些“技能”到底是什么？其实它们就是一个个独立的程序模块，像说明书一样，告诉AI如何完成特定任务。比如“跑腿技能”可以帮你自动保存文件、整理文档，就像派一个小弟去办事。\n\n接下来我们聊聊部署与配置。部署方式决定了你的OpenClaw“养在哪里”。\n\n目前主要有两种方案：**本地部署**和**云端部署**。\n\n本地部署是把OpenClaw安装在你的个人电脑上，支持Windows、macOS、Linux等系统。数据完全在本地，隐私性极佳，且免费。但你需要一定的技术能力，比如安装环境、配置依赖，流程复杂，非技术背景用户容易卡住。顺利的话1-2小时完成，不顺可能卡一整天。而且一旦电脑关机，服务就中断，若需24小时在线，就得保持开机。此外对硬件配置也有一定要求。\n\n适合人群：技术背景强、注重隐私、或只是短期试用的人。\n\n另一种是**云端部署**，主流服务商如阿里云、腾讯云、华为云等，已将OpenClaw打包好，只需点几下鼠标，十几分钟就能拥有一个全天候在线的AI助手。最大的优点是稳定——服务器持续运行，无需担心断电；可远程访问；不占用本地资源；API调用费用按量计费，整体可控。\n\n缺点是数据在云端，存在泄露风险，建议谨慎使用。另外，国内服务器若需连接境外服务，可能涉及网络限制。\n\n适合人群：需要长期自动化任务、跨设备同步、多团队协作的用户。\n\n还有一种新兴方式是“托管版”，比如由Minicloud推出的MacCloud，本质上是公司提供云端服务，你只需注册即可使用。如果你不想折腾技术，又希望获得稳定服务，这类方案值得考虑。\n\n但要注意三个关键点：\n\n第一，无论选择哪种部署方式，**OpenAI API调用都是要花钱的**。OpenClaw本身免费，但调用大模型接口需要付费。务必在云厂商后台设置支出上限，避免意外账单。\n\n第二，**API密钥切勿泄露**。不要截图发到网上，也不要上传到GitHub，否则可能被恶意盗刷。\n\n第三，云端部署必须设置强密码，防止陌生人随意调用你的AI助手。\n\n接下来是学术场景下的定制化配置流程。一套完整的科研环境搭建，通常包括以下步骤：\n\n第一步：安装基础环境，如Git、Python等，相当于搭建“操作系统”。\n\n第二步：执行自动化安装脚本，一键完成依赖配置，省去手动操作的麻烦。\n\n第三步：配置网关类型和AI模型API，相当于给系统“配发动机”。\n\n第四步：接入科研技能包。例如文献检索、数据分析、论文写作、基金申报、专利撰写、学术海报、简历、PPT等，都可以按需安装。\n\n第五步：多端接入。你可以将OpenClaw接入飞书、微信、Telegram、Discord等平台，实现跨平台使用。我个人推荐飞书，创建机器人后，可在群聊中直接调用功能，非常方便。\n\n最后，我们进入实操环节。这是最核心的部分。我设计了一套标准化流程，帮助大家快速上手。\n\n你可以用OpenClaw完成：文献综述、论文思辨、方法论论文、实验方案设计、基金课题申报、研究报告、创新专利分析、数据采集与可视化，甚至学术海报、简历、PPT等。\n\n在后续演示中，我会展示一些经过测试、效果稳定的技能。\n\n为了安全起见，我本人使用的是专用电脑部署OpenClaw，确保资料安全，不用担心泄露。\n\n现在我们打开一台专门用于OpenClaw的电脑，启动OpenClaw Cloud服务。我推荐使用Mac版，界面友好，操作直观。Windows用户可能需要全程命令行，稍显专业。\n\n安装完成后，系统会自动启动服务。右上角会出现状态图标，表示服务已开启。\n\n接着，我们打开网页端界面（我更推荐这种方式，比App更灵活）。\n\n现在，我为大家演示几个典型任务：\n\n第一个是“生成论文AIGC查重报告”——一个简单的日常任务，对话式交互即可完成。\n\n第二个是“情报分析任务”，比如从公开渠道抓取某领域动态。\n\n第三个是“B站相关数据统计”，比如分析视频热度、评论趋势。\n\n在实际使用中，你会发现很多回复其实是AI自动生成的。比如粉丝留言、私信回复，很多时候都不是我亲自打字，而是由AI系统自动响应。\n\n接下来，我们将正式开始操作：制作一个“论文AIGC查重报告”任务。稍等片刻，系统正在加载……\n\nC查重的HML任务其实是一个非常简单的任务，我们这个任务采用对话式操作也能完成。第二个任务我们会给大家展示一个情报分析相关的案例，第三个则是与B站数据统计相关的功能。\n\n之前我们给大家提供的回复中，很多信息其实是通过AI系统自动处理的。比如我们有很多粉丝留言，这些信息很大概率并不是人工逐一回复的。接下来我们先来看第一个展示方式：如何帮助我们制作一个AIGC查重的HTML页面。\n\n我们先简单说明一下查重功能的分类。普通查重通常依赖知网、Pass等数据库，但这类结果仅供参考。为什么只是参考？因为同一份论文在不同AIGC系统中查重率可能完全不同。例如，你在某个系统上查出重复率为10%，但在另一个系统上可能是80%甚至90%。这是由于各系统的参数设置不同所致。\n\n这里的关键在于参数配置。我们可以给AI一条指令：“帮我直接打开，我不想自己动手。”OpenClaw会自动帮你完成操作。虽然这里的演示只是一个参考，但我们可以通过输入自定义的模板或模式，让系统输出对应的AIGC重复率检测结果，并支持文本比对和比例分析。\n\n接下来是第二个案例：定时任务。比如我们在飞书里经常会收到一些定时提醒，这里以“每日高效舆情简报”为例进行介绍。我们在OpenClaw中设定一个任务，让它自动执行。为了呈现更美观的效果，我们仍使用clouhTML格式输出提示词，这样生成的报告会更加精美。\n\n我们设定好任务后，系统会自动生成一份精美的舆情简报，并以clouhTML格式输出，同时将其放置在桌面上。此时，我们可以结合数据分析功能来进一步处理内容。当然，你也可以手动设置任务并触发发送，系统也支持这一功能。后续我们会详细介绍相关模块，目前重点是展示其基础能力——从简单到复杂逐步引导用户上手。\n\n可以看到，桌面上已经生成了舆情简报。我们可以设置为每天早上7点自动发送前一天的舆情摘要。由于设置了24小时周期，系统会在每天早晨7点准时推送。这时，系统会记录并执行该定时任务。大家可以看到CRON表达式，它实际上就是系统为我们自动生成的定时规则。\n\n在左侧的“定时任务”栏目中，可以查看所有已设定的任务。除了当前任务外，还可以添加更多如评论分析、热点追踪等类型的定时任务。这些都可以通过系统统一管理。\n\n再来看一个测试：我们将任务设置为5分钟后发送一份舆情简报。现在时间是7点33分，5分钟后即约7点38分，我们观察是否能收到通知。在此之前，我们先把桌面的报告删除，然后系统将按设定在5分钟后一次性发布任务结果。\n\n接下来我们要展示的是数据统计功能。我们的核心技能之一就是数据抓取。它有一个显著特点：能够直接从B站页面提取对应数据，并自动生成统计结果。此前已有相关技能部署，我们只需调用即可。\n\n打开B站代理后，可以看到“BDB哩DataCheck”这一技能模块。这意味着，只要B站更新了新数据（如播放量、点赞数、投币数等），系统就能实时获取并生成统计报表。对于这类需要频繁处理的数据分析需求，我们无需手动整理，极大节省时间。\n\n虽然我每天也会抽固定时间查看反馈，但大部分问题都由系统协同处理。即使出现小问题也不必担心，系统具备自我修复能力。有人曾问：“为什么不能让龙虾有不同性能？”其实这背后正是我们对角色设定、技能配置、偏好习惯等个性化设置的体现。我们之前讲过，技能分为长期、短期和间歇性三类，这些都会被写入系统。\n\n刚才提到的技能包在直播前半小时已完成测试。现在是7点36分，可以看到我们已成功加载了“播放量”“评论数”“投币数”等技能。尽管部分接口因B站限制导致调用不完整，但整体流程依然可用。\n\n关于技能的安装与使用，我们首先需要进入技能下载页面。系统提供了大量现成技能，但并非全部实用。建议根据评分筛选，优先选择高分且更新及时的技能。例如，我们可以看到最新的几个技能版本。\n\n有些技能看似复杂，但其实并不难用。比如“文献下载”类技能，对我们来说属于高频重复性工作。而AI最重要的意义，正是帮我们省下大量机械性操作的时间，把精力真正投入到创新研究中。\n\n我们找到一个合适的技能推荐：如果目标是批量下载论文PDF，建议直接安装前两个技能。系统会自动完成安装流程。安装完成后，我们再看其他功能。\n\n此时建议直接在Clarp中下载技能，成功率更高。因为某些技能在本地路径中可能存在兼容问题。我们以另一个技能为例，同样下载下来。进入Skill下载目录后，发现该技能也已成功获取。\n\n接着我们检查其文档，确认是否存在潜在风险。例如，是否有病毒警告？我们先阅读README文件，确保安全后再启用。\n\n此时可以看到，五分钟前设置的任务已成功触发。系统已自动下载了两个技能，后续使用的是全网公开数据。整个过程无需人工干预，下载完成后系统会自动学习并激活技能。\n\n现在我们开始学习这两个新技能。它们位于download文件夹中。学习完成后，就可以立即使用。可以看到，系统已成功加载“下载论文”功能。\n\n接下来我们配置技能。由于涉及绘图功能，时间关系我们将在后续PPT中详细讲解。目前先聚焦于技能使用。\n\n我们给系统下达指令：“帮我下载最近领域内最新的10篇ICLR论文，放到桌面上。”点击发送后，系统很快会在桌面创建一个新文件夹，自动开始下载。\n\n我们查看刚生成的文件夹，可以看到系统正在快速下载十篇论文。这些论文来自注册账号的资源库，质量可靠。如果有需要，可以联系小助理获取更多信息。\n\n我自己有六台电脑，包括一台Mac和两台PC，主要用于部署各类服务。目前显示的四台设备是系统自动识别的结果。其中一台是通过ToDesk远程控制的非主控机。\n\n系统还为我们生成了一份论文清单，共十篇。我们以前需要手动刷网页、逐篇下载，现在只需一键操作即可完成。\n\n接下来是下一步：根据文献生成综述。我们会生成一张图表，使用Ananabana工具实现。但需提前说明，该工具需要API Key支持。\n\n我们下达指令：“根据下载的十篇文献生成综述，包含图表，使用Ananabana生成。”系统开始处理，稍等片刻后，会自动生成综述文档。\n\n可以看到，右侧已出现框架图，是由Ananabana绘制的。不过画风略显粗糙，不如预期理想。我们可以进一步优化提示词，要求更清晰的风格或配色。\n\n此外，我们还可以指定综述的语言（中文/英文）、格式要求（如APA、MLA）等。建议尽可能提供详细指令，以便获得更符合需求的输出。\n\n目前系统已生成初步综述，但格式尚不理想，原因是我们未提供具体的排版规范。其实系统内部提示词库非常丰富，涵盖工程类、算法类等多种场景。\n\n我们需要做的，是将实际需求转化为明确指令。例如，要求系统生成带数据图的综述文档，并指定输出位置为桌面。\n\n最后，当需要生成图表时，只需在指令中加入“请调用数据图功能”，系统便会自动调用相应模块完成整合。\n\n整个流程实现了从文献下载、数据处理到综述生成的一体化自动化，真正做到了“科研小白轻松养龙虾，硕博生1小时全精通”。\n\n我们选择在OpenClaw的界面中操作，这种方式其实并不复杂，关键在于如何引导模型完成任务。目前生成的综述格式尚不理想，原因是我们尚未提供具体的格式规范指令。不过，我的软件内置了丰富的提示词模板，涵盖工程类、算法类等不同方向。我们需要为模型设定明确的任务目标，比如要求它生成论文初稿、整理文献资料，甚至协助处理数据图表。\n\n当需要调用外部工具时，只需在指令中明确说明即可。例如，我可以直接在对话框中输入“请根据上述内容生成一篇论文，并自动生成相关图表”，系统便会自动调用绘图库完成可视化工作，最终将完整文档保存至桌面。大家可以看到，桌面上已生成对应的文件夹和文档，这些内容都是由模型辅助创建的。\n\n虽然模型能帮助我们完成大量基础性工作，但它的能力仍有限。比如它无法自动下载文献，也无法真正执行复杂的操作。真正实现自动化的是“小龙虾”——这个我们自己搭建的工作流引擎。它相当于一个高效的助手，能够精准提取我们所需的信息，就像一位经验丰富的实习生，只负责提供建议和执行具体任务，而最终决策权始终掌握在我们手中。\n\n这带来了一个值得思考的问题：未来是否会出现“你不干，有的是AI来干”的情况？事实上，当前阶段的AI更像是一位高效率的协作者。它不仅能帮我们提出选题建议，还能承担实际的写作与修改任务。我们只需要坐在电脑前，持续观察并指导其输出即可。\n\n接下来进入循环任务环节。这一功能非常实用——我们可以设置一个“论文修改”任务，让AI分轮次进行优化。我设置了三次迭代，启动后，AI会根据每轮专家意见对原文逐次调整。整个过程完全自动化，无需手动干预。今天晚上的直播内容非常关键，涉及OpenClaw在科研场景中的深度应用，许多流程是我昨晚亲自测试验证过的。从简单到复杂，我们都提供了完整的理论与实操指导。\n\n以一篇论文为例，我们先查看原始文档，再对比修改说明和修订稿。尽管初期效果尚可，但通过不断优化指令，后续版本会越来越完善。我们还可以进一步细化任务要求，比如明确指出需要修改的部分，或指定风格偏好。\n\n另一个重要任务是生成PPT。这里使用的是Nanba的应用，即“生成PPT”技能。很多人问：“为什么还需要专门的PPT技能？现在不是有很多工具都能自动生成吗？”确实如此，但关键在于可控性与个性化。我们可以按照自己的需求设定风格、布局和内容逻辑，这是普通工具难以做到的。\n\n我给出具体指令：展示论文核心内容、使用Nanba创建背景、插入图表、添加项目介绍与工作说明。随后，系统开始逐步构建PPT。目前来看，国内推荐使用“生成PPT”这类工具，其效果优于其他同类产品。在OpenClaw中也内置了PPT技能，但实际表现还需自行测试。\n\n值得一提的是，今晚的直播将全面展示OpenClaw在科研领域的最前沿应用。我们提供的流程从入门到进阶一应俱全，无论是理论讲解还是实操演示，都力求完整。比如这张PPT页面，就是由小龙虾自动完成的。\n\n我想强调一点：很多人质疑非计算机专业的学生能否学习AI。答案是肯定的。AI不仅属于主赛道，更适用于跨学科应用。无论你是文科生、艺术生，还是理工科背景，都可以掌握AI的应用方法。从零到一固然重要，但更重要的是从一到一百的规模化落地。正如把稻谷变成可口的米饭，真正的价值在于让普通人也能轻松使用。\n\n因此，我们不需要具备深厚的技术背景，就能成为AI应用的创造者。比如我团队就在做科普工作，致力于让大众理解并使用AI。很多人说文科生不懂技术，怎么教AI？其实不然。理工科人才擅长深入研究，但我们往往忽略了知识传播的本质——不是炫技，而是让没有专业背景的人也能听懂、学会、用起来。这才是知识传播的真正意义。\n\n此外，PPT右下角还标注了汇报人信息，这是我们为“数据戏戏”（即小龙虾）设计的专属标签。接下来，我们将把当前的工作流程封装成一个可复用的Skill，方便以后直接调用。\n\n我给它命名为“scill”，当然粉丝也可以起自己喜欢的名字。比如有观众提到“我的小龙虾叫scille”，这也挺有趣。现在我们已经成功创建了一个新技能，它具有固定结构，可以导入标准格式，然后按需填写内容。\n\n打开斜杠+Skill命令，系统会列出所有可用技能。我们刚才新增的“生成PPT”技能就出现在列表中。接下来，我们邀请粉丝互动，让他们提出希望由小龙虾帮忙完成的任务。比如：写工作日报、周报、月报；剪辑视频；规划图像；甚至做个小游戏。\n\n虽然服务器性能有限，大模型运行效率不高，但游戏开发本身门槛极低，任何大模型都可以尝试。我们先让小龙虾试一试。在生成过程中，系统会逐步完成各项任务。稍后我们会有一个环节——制作一张“小龙虾”的简历。\n\n我们已经完成了小游戏的生成，并将其放置在桌面。我可以直接调用它，也可以让小龙虾帮我拍照。我懒得打开文件，于是直接通过指令获取结果。桌面上出现了游戏文件，点击即可运行。\n\n这个任务顺利完成。接下来，我们让小龙虾把简历发给我，放在桌面上。现在来看一下它的简历长什么样。这份简历看起来不算特别精美，原因是我之前养过几只“小龙虾”，它们都因系统重装而“阵亡”过，所以历史记录较少。\n\n但可以看到，简历中已包含多个已完成的任务节点，如“项目流程”、“批量撰写简历”、“生成PPT工作流”等。这些都被整合为项目经历。同时，简历中也列出了所使用的技能，包括我们下载的各类Skill，以及工具与服务方向、风格标签等。\n\n最后，我们让小龙虾拍一张自拍照。它会基于聊天记录中关于“数据学姐”的形象描述，生成一张符合人物设定的头像。这就是我们的“小龙虾”简历，大家觉得怎么样？\n\n之前在简历中提到的“批量处理研一工作流”“PPT工作流”等内容，其实都是我们项目经历的具体体现。这些任务已经被封装成项目模块，方便直接调用。在专业技能部分，大家可以看到，这些技能大多来自我们下载的Skill库。虽然我们原本的技能清单可能并不完整，但OpenClaw已经内置了大量实用技能，因此也能自然地融入简历中。此外，还包括工具与服务方向、风格标签等维度。\n\n接下来，我们让OpenClaw执行一个拍照任务——发一张自拍照。系统会根据我们的聊天记录中与“数据学姐”相关的形象描述，生成一张符合设定的自拍照。我们来看一下这张照片的效果如何。这张自拍照是基于我们之前的对话内容生成的，比如我本人的设定，它会结合上下文信息进行个性化创作。\n\n再回看已完成的任务：第一个任务是帮助制作论文A的HTML页面，不仅实现了前端界面，还具备实际功能，操作相对简单；第二个任务是展示每日任务，这是一个定时任务，系统会自动推送具体任务给我，我可以根据自身情况灵活调整，比如我喜欢直接完成一些即时性较强的事务；第三个任务是B站数据统计，通过自动化工具抓取我们自己发布的视频相关数据，形成对应的数据报告。这个任务与我的实际科研工作高度契合，完全可以基于B站数据分析产出高质量的成果报告。\n\n还有一个贯穿全程的任务是技能下载。我们在OpenClaw中浏览技能库，目前已有两万多个技能可供选择。由于其中大部分技能并不实用，我们需要筛选出真正适合自己的。例如，有一个技能专门用于查找匹配的Skill，我们刚刚已经演示过。接下来是技能安装环节，最推荐的方式就是直接通过对话完成，无需复杂操作。我始终强调：越简单的方法，越容易被掌握和复用。我的目标是让大家以最直观、最易懂的方式接收知识，并转化为自己的能力。\n\n配置技能方面，比如使用“nanbanana”这类图像生成技能，可以帮助我们快速出图。我们还完成了文献下载任务——直接在Apork（应为ArXiv）平台中自动获取所需文献。虽然某些场景下可能存在更专业的替代方案，但当前推荐的技能已足够高效且适配大多数需求。\n\n接着是根据文献生成综述，这部分还可以进一步扩展为图文结合的形式。综述的生成逻辑基于特定论文的分析框架，后续还可基于综述内容自动生成论文初稿。在论文生成过程中，包含数据分析环节，所采用的是Python生态中的相关库方法，能自动生成相应图表。整个流程由系统自动完成，最终输出结果可直接用于评审或投稿。\n\n随后是根据论文生成PPT。我为大家演示了如何手动构建这一技能——本质上只需写好一段提示词（prompt），即可调用已有知识库，快速生成结构清晰、风格统一的PPT。例如，可以轻松生成类似“丰布”风格的演示文稿。\n\n接下来是一个互动环节：帮助粉丝完成一个小任务。我们自行设计了一个小项目，其过程可追溯至前期所有任务的整合。最后，我们还完成了自拍照的下载，这构成了整个实操流程的闭环。\n\n那么，如何寻找合适的Skill并合理分类？答案就在OpenClaw的AP（应用平台）中。我们可以在这里找到对应的技能资源。我们还做了可视化图谱，将各类技能按功能归类，形成完整的技能体系。\n\n在文献综述方面，有40个技能支持自动检索论文、生成综述、提取引用等，核心功能就是实现从“文献搜索”到“综述生成”的全流程自动化。这正是科研中极为关键的一环。\n\n对于系统性综述，有25个技能可协助撰写完整综述，并自动标注数据分析部分。论文写作方面则有15个技能，均与文献管理密切相关。\n\n学习与研究设计板块是科研的核心，包含20个方法类技能，如撰写算法说明、技术文档等；实验方案类有25个技能，可辅助生成研究设计与实验流程；创新专利类有20个技能，覆盖从创意构思、方案撰写到申请材料准备的全链条。\n\n此外还有项目申请类技能，可根据研究背景自动生成课题提案。在撰写开题报告时，也可借助这些技能深入分析科学问题，提升论证质量。报告类技能共30个，涵盖数据整理、结构化处理、解题思路构建等。\n\n数据处理方面，有多个技能可用于清洗、统计分析、可视化等。其中，20个技能支持自动生成论文图表，极大提升了效率。这些技能共同覆盖了科研中最基础、最耗时的环节，实现了高度自动化。\n\n成果展示与学术服务类技能也十分丰富。学术海报类有10个技能，可自动生成会议海报布局；学术简报类有8个技能；学术PPT类有5个技能，可帮助将论文内容转化为演讲稿，甚至支持讲稿撰写。\n\n审稿辅助类技能同样强大，可识别逻辑漏洞、检查方法合理性，提供多维度反馈，有效提升论文质量。\n\n此外，还有针对不同写作需求的专项技能。例如，学术搜索类技能可帮助我们精准定位高质量期刊或会议论文。为什么我们常遇到RKEE（应为IEEE）论文？因为这类平台本身拥有丰富的学术资源，而该技能能帮我们高效获取相关文献。\n\n多元信息搜集方面，可对多种资料来源进行整合，包括背景资料、原始数据等。论文解析与总结功能也已集成，我们提供了代表性技能供参考。这些技能在实际使用中需配合明确指令，才能发挥最大效用。\n\n例如，我们可以输入：“帮我检索近五年内高质量期刊会议论文”，系统便会返回符合条件的文献列表。我这里也给出了一个实际案例：通过指令调用，成功获取了目标论文的元数据。\n\n在论文下载环节，系统支持PDF下载与内容提取，所有操作均有对应指令和实操结果展示。综述类论文也有完整功能链路，安装技能仅需一句话即可完成。尽管如此，我还是建议大家亲自尝试实操，以加深理解。\n\n安装完成后，系统会自动加载对应的提示词模板。例如，生成一篇像样的综述论文，只需调用相应的Skill，即可快速获得初步成果。\n\n关于论文生成后的优化，我们也可以使用相关技能进行润色。例如，从零开始构建一个科研软件原型，或对已有版本进行迭代优化。研究报告类技能也配套提供，但不建议直接使用默认输出，因其可能不符合个人研究风格，建议结合自身需求进行定制化调整。\n\n数据采集方面，OpenClaw具备强大的网页抓取能力，支持从PDF、网页等多种格式中提取结构化数据。例如，给定一个CL数据PDF文件，系统可自动识别并提取关键信息。在使用指令时，还能精确指定目标网址，实现定向数据抓取。\n\n数据采集之后是数据分析环节。系统支持统计分析、机器学习、文本分析等多种方法。我们可以通过指令让系统生成图表，如散点图、柱状图等。若需生成三维图，则需在提示词中明确指定图形类型。\n\n学术海报生成也有专属指令，效果可直接预览。同时，学术简历功能也已完善。有了OpenClaw后，我对毕业生的培养理念发生了变化：教育不仅是知识传授，更是能力塑造。我希望每一位学生都能在未来职场中自信应对挑战。\n\n我也在课堂上不断融入最新技术动态，确保教学内容紧跟前沿。尤其在当前阶段，快速学习新知识的能力成为核心竞争力。对于即将步入职场的同学而言，掌握当下最先进的技术工具，是赢得机会的关键。\n\n我坚信，只要跟上时代步伐，主动学习新技术，就一定能找到理想的工作。这也正是本课程最大的优势所在——帮助大家建立快速学习的能力，从而在激烈的竞争中脱颖而出。\n\n最后，我们还提供了学术PPT、报告撰写等技能支持。在实操中，我已经展示了如何利用这些技能实现高效输出。无论是数据报告、实验设计、结论提炼，还是其他科研写作需求，都可以通过自定义Skill来满足。\n\n至于自定义技能开发，我们已在前序内容中提供了完整的实操路径，帮助大家理解如何拆解任务、分析需求、构建提示词，真正实现从“被动使用”到“主动创造”的转变。\n\n是的，面对当前快速演进的科研环境，我认为大家最好的出路就是掌握当下最新的技术。我始终相信，学习并应用前沿工具，不仅能提升工作效率，还能为未来的职业发展打开更多可能性。无论是学术研究还是实际工作，只要掌握了核心技术，就能在竞争中占据主动。\n\n在刚才的实操环节中，我们已经为大家提供了相应的技能模板和使用方法。比如，你可以通过OpenClaw自定义技能（Custom Skill），将复杂的科研任务自动化。无论是撰写论文、整理数据报告，还是设计实验方案、分析结果、得出结论，都可以借助这些技能实现高效输出。你甚至可以基于自己的需求，开发专属的SPL（Skill Programming Language）技能。\n\n其实，自定义SPL技能的开发并没有想象中那么复杂。它的本质就是一个包含SPL文件和MD说明文档的目录结构，本质上就是一份清晰的操作说明书。简单来说，只要写清楚：这个技能是做什么的？在什么条件下触发？需要用户提供哪些信息？具体如何执行？最终输出什么样的结果？这就足够了。这种形式比传统手动操作要高效得多，也更易于复用和共享。\n\n回顾我们之前讲解的技能开发流程，有多种方式可选，但我个人认为最直接有效的方法，就是直接生成对应的技能，快速投入使用。此外，大家普遍关心的一个问题是：OpenClaw未来的发展趋势到底如何？\n\n这里我想分享一些常见问题及其解决方案。这两张图展示了典型场景中的风险与应对策略。核心思想其实很简单——对潜在风险进行识别与规避。因此，把OpenClaw看作一个“智能科研助手”，它虽然强大，但必须被合理管理。尤其在使用过程中，我们需要关注几个关键阶段可能遇到的问题：\n\n在安装与部署阶段，可能会出现软件版本不匹配、报错、安装后无响应或端口被占用等问题。这就像新电脑装软件时系统版本太低无法安装，或者快捷方式没生成，又或是其他程序占用了安装路径。解决方法也很直接：升级系统、手动创建快捷方式，或更换安装路径即可。\n\n进入服务连接阶段，可能出现网页打不开、提示权限不足，或后台服务启动被拦截的情况。这相当于“实习失败”——如果发现文件卡住无法加载，建议以管理员身份运行，再检查配置。\n\n在模型配置阶段，常会遇到调用失败的错误，可能是账户余额不足、密钥填写错误，也可能是模型响应过慢导致资源消耗过快。这种情况往往是因为指令不清晰，导致AI反复尝试理解任务，白白浪费计算资源。因此，建议在执行简单任务时选用成本较低的模型，并确保指令表达精准、简洁。\n\n到了技能使用阶段，可能会遇到插件安装超时，或安装后列表中没有显示的情况。这通常是因为网络卡顿或忘记重启。如果是使用时无法读取文件，很可能是因为未开启文件夹访问权限，有些权限设置隐藏较深，这时可以直接询问OpenClaw：“我应该开启哪些权限？”即可获得指引。\n\n当然，最重要的是安全与稳定性。最令人担忧的，是权限过大导致误删文件，或安装来路不明的插件，甚至出现不可预测的行为。为此，我们应坚持两个原则：第一，绝不轻易授予高风险权限；第二，对于任何高危操作，必须设置人工确认机制，例如“是否允许执行此操作？”这样能有效防范意外。\n\n同时，定期查看其工作日志，了解它执行的任务内容，也是一种必要的监督手段。一旦发现问题，及时干预，才能真正让OpenClaw成为可靠的科研伙伴。\n\n总结一下：当你把每一次成功使用都当作一次“经验积累”，它就会逐渐从一个工具变成你科研流程的一部分。它不仅能帮你完成重复性工作，还能提升整体效率，让你专注于更有价值的创造性思考。\n\n接下来，我想谈谈我对OpenClaw未来发展的看法。我认为，它正经历从工具到基础设施的演化过程，大致可分为四个阶段：\n\n第一个阶段，是从显性工具变为隐性环境。现在我们是主动输入命令，让它执行任务；而未来，它会像水电一样无声融入实验室——你一走进房间，它就自动调取所需数据，记录实验过程，你根本意识不到它的存在，真正做到“无处不在”。\n\n第二个阶段，是从执行指令走向自主探索。目前它是“你说一步，它动一步”的听命型助手；未来，它可以主动提出假设、设计实验、分析结果，甚至在你睡觉时运行数百组平行实验，第二天告诉你哪条路径最有希望。\n\n第三个阶段，是从通用助手进化为领域专家。现在它知道一点，但不够深入；未来，它将记住你的研究偏好、实验习惯、分析风格，甚至理解你尚未完全明确的研究方向，真正成为“懂你”的科研伙伴。\n\n第四个阶段，是从数据孤岛走向可信协作。目前你的数据只存在于本地，无法跨团队共享；未来，不同实验室之间可以在不泄露原始数据的前提下协同工作——你的数据仍归你所有，但可以参考他人成果，验证相似性，推动科学发现的加速。\n\n这四个阶段的演进，意味着科研方式正在发生根本性变革。科学发现不再仅仅依赖人类的直觉与经验推进，而是人与智能体共同协作、深度融合的过程，迈向“人机共智”的新范式。\n\n最后，我想分享我当前最深刻的体会：悲观者永远正确，乐观者永远前行。我知道，OpenClaw目前确实存在争议。就像当年的云计算（Cloud Computing）一样，刚出现时也面临大量质疑——数据安全、隐私泄露、技术失控等问题层出不穷。但事实证明，这些问题虽真实存在，却并未阻止技术的发展。\n\n今天，我们国内已有如DeepSeek、通义千问等顶尖大模型，技术条件已日趋成熟。尽管仍有担忧：有人认为权限过高、风险太大；有人质疑开源项目是否被用于恶意目的；还有人担心即使数据本地化，也可能存在安全隐患。\n\n这些声音我都理解。因为悲观者总是能指出真实存在的风险，而每一个风险也都确凿无疑。API漏洞、技能注入、配置被入侵……这些问题确实存在，也无法否认。\n\n但我的观点是：不要因风险而停止探索，而应在正视风险的前提下，合理合规地继续前进。比如，敏感数据保留在本地，避免外泄；高风险操作必须经过人工确认；发现异常行为立即预警。我不是不怕风险，而是选择基于风险去设计系统，而不是逃避它。\n\n很多人说：“这东西可能出问题，所以别用了。” \n而我认为：“正因为可能出问题，所以我们才更要想办法让它不出问题。”\n\n这句话很重要——尽管它可能出问题，但我们有能力让它不出问题。这正是人类文明进步的方式：发现问题，解决问题，然后继续前行。\n\n未来的道路，不需要盲目冒进的人，而是那些一边保持谨慎、一边勇于实践的人。我们既要守住安全底线，也要敢于创新突破。真正的安全，不是拒绝使用新技术，而是建立在充分认知基础上的可控使用。\n\n所以，我的最终观点是：保持警惕，但不退缩；坚守红线，但不僵化。在风险中寻找解决方案，在挑战中推动进步。这才是我们面对人工智能时代应有的姿态。"
}