《【北航90后副教授何静OpenClaw科研通关教程】 让科研小白轻轻松松养龙虾，硕博生们1小时全精通！“OpenClaw替我干科研”全网最细理论+实操教学！》
来源：B站 [北航90后副教授何静]
时长：01:19:36
BV号：BV1RVwYzzE83
链接：https://www.bilibili.com/video/BV1RVwYzzE83
说明：以下文字按视频原讲述顺序整理，口语、重复和明显噪声已做轻度收束。
AI科研副驾驶：OpenClaw的核心价值
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。
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。
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。
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。
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。
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。
整个系统可以分为四层：交互层、网关层、智能体层和执行层。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
那么，这些“技能”到底是什么？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。
我们聊聊部署与配置。部署方式决定了你的OpenClaw“养在哪里”。
目前主要有两种方案：本地部署和云端部署。
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。
适合人群：技术背景强、注重隐私、或只是短期试用的人。
四层架构揭秘：OpenClaw如何运作
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。
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。
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。
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。
但要注意三个关键点。
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。
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。
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。
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。
第一步：安装基础环境，如Git、Python等，相当于搭建“操作系统”。
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。
第三步：配置网关类型和AI模型API，相当于给系统“配发动机”。
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。
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。
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。
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。
在后续演示中，我会展示一些经过测试、效果稳定的技能。
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。
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。
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。
接着，我们打开网页端界面（我更推荐这种方式，比App更灵活）。
现在，我为大家演示几个典型任务。
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。
第二个是“情报分析任务”，比如从公开渠道抓取某领域动态。
第三个是“B站相关数据统计”，比如分析视频热度、评论趋势。
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。
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……。
部署与配置：从零开始搭建你的AI助手
C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。
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。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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
实操演示：让AI帮你搞定科研琐事
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。
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。
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。
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。
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。
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。
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”。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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？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。
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。
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。
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。甚至做个小游戏。
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。
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。
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。
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。
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？
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。
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。
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。
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。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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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？
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。
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。
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。
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。
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。
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。
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。
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。
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。
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”。
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。
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。
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。
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。
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。
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。
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。
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。
很多人说：“这东西可能出问题，所以别用了。” 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。
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。
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。
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。
本文由 AI 基于转写整理，仅供复查参考。