企业官网建设流程全解析

1. 为什么我要花两周时间整理这98个用例

第一次接触 OpenClaw 是在一个自动化需求特别密集的项目里。当时团队要处理大量重复性的浏览器操作——登录后台、抓取报表、填写表单、导出数据，人工做一天下来眼睛都花了。我试过用传统的爬虫框架，但遇到动态渲染和验证码就卡住了；也试过录制回放工具，但页面结构一变就全废。后来在一个开源社区里看到有人提到 OpenClaw，说它是"给 AI 代理装上手和眼睛"的工具，我就抱着试试看的心态部署了一套。

结果这一试就停不下来了。从最初的浏览器自动化，到后来的本地模型对接、ROS 机器人控制、嵌入式设备管理，OpenClaw 能做的事情远超我最初的预期。我把这两年里实际跑通的、看到别人分享的、以及社区里讨论比较多的用例整理了一遍，凑出了98个。这些用例覆盖了从个人效率工具到企业级自动化的各个层面，有的只需要十几行配置就能跑起来，有的则需要结合 Docker、Node.js 环境和本地模型做深度定制。

这篇文章适合几类人看：一是想入门 AI 代理但不知道从哪下手的新手，二是已经在用 OpenClaw 但想看看还能玩出什么花样的老手，三是做开源项目需要参考实际应用场景的开发者。我会把每个用例的核心思路、关键配置和踩过的坑都讲清楚，代码和命令能直接抄的我就直接贴出来。文章会比较长，建议先收藏再慢慢看。

2. OpenClaw 到底是什么，为什么值得折腾

2.1 一句话说清楚 OpenClaw 的定位

OpenClaw 本质上是一个AI 代理的执行框架。你可以把它理解成一个"中间层"——上面连着大语言模型（可以是云端的，也可以是本地跑的），下面连着各种实际操作能力（浏览器控制、文件系统、命令行、机器人接口等）。模型负责"想"，OpenClaw 负责"做"。

这和直接用 ChatGPT 的插件系统有什么区别？区别在于可控性和扩展性。OpenClaw 是开源的，你可以看到每一行代码在干什么，可以自己写 skill 来扩展能力，可以把模型换成本地的 Ollama 实例，数据不出本机。对于有隐私要求或者需要深度定制的场景，这一点非常关键。

另一个区别是执行粒度。ChatGPT 插件更多是"调用一个 API 返回一个结果"，而 OpenClaw 可以执行多步骤的复杂任务链——打开浏览器、等待页面加载、找到特定元素、输入内容、点击提交、截图存档、解析返回数据，这一整套流程可以打包成一个 skill，下次直接调用。

2.2 核心架构拆解：三个关键层

OpenClaw 的架构可以分成三层来理解，这样后面讲用例的时候你会更容易对上号。

第一层是模型接入层。这一层负责和 LLM 通信。OpenClaw 支持多种模型后端，包括 OpenAI 兼容接口、Ollama 本地模型、以及一些国内模型的 API。配置文件里通常是一个 JSON 或 YAML，指定模型地址、API Key、超时时间这些参数。如果你用 Ollama 跑本地模型，这一层就是本机的一个 HTTP 服务，延迟低但能力受模型大小限制；如果用云端模型，能力强但有网络延迟和费用。

第二层是 Skill 执行层。这是 OpenClaw 最核心的部分。每个 skill 是一个独立的功能单元，比如"打开网页"、"截图"、"执行 shell 命令"、"发送 HTTP 请求"。Skill 之间可以组合，模型会根据任务描述自动选择调用哪些 skill、按什么顺序调用。这一层的设计哲学是"小而专"——每个 skill 只做一件事，但要做得很稳。

第三层是环境适配层。这一层处理操作系统差异、依赖管理、权限控制。比如在 Windows 上跑需要 WSL 支持，在 Linux 上需要配置好显示环境（如果要操作浏览器），在 Docker 里跑需要挂载正确的卷和端口。这一层是最容易出问题的地方，后面我会专门讲排查技巧。

2.3 部署方式选择：裸机、Docker 还是 WSL

根据我的实际经验，部署方式的选择直接决定了后续折腾的成本。三种主流方式各有适用场景：

我个人的建议是：开发阶段用裸机或 WSL，稳定后用 Docker 打包部署。这样既能享受调试的便利，又能保证上线后的环境一致性。

Node.js 版本这块有个坑要注意。OpenClaw 官方推荐 Node.js 20 LTS 或更高，但我实测下来 20.x 系列最稳。24.x 虽然新，但有些依赖包还没跟上，会出现error installing 24.21.0: node.js v24.21.0 is not yet released这类报错。如果你用 nvm 管理版本，直接nvm install 20 && nvm use 20就行。

Docker 部署的话，Docker Desktop 在 Windows 上偶尔会报virtualization support not detected，这是因为 BIOS 里的虚拟化选项没开，或者 Hyper-V 和 WSL2 冲突了。解决办法是进 BIOS 开启 VT-x/AMD-V，然后在 Windows 功能里确保"虚拟机平台"和"适用于 Linux 的 Windows 子系统"都勾选了。

3. 98个用例的分类与精选解析

98个用例全部展开讲篇幅会失控，我按应用领域分成六大类，每类挑最有代表性的几个详细拆解，其余的用表格列出核心思路和关键配置。这样你既能拿到可以直接抄的实操方案，又能看到全貌方便按需探索。

3.1 浏览器自动化类（用例 1-22）

这类是用例数量最多、也是最多人关心的。核心场景就是让 AI 代理代替人操作浏览器。

用例 3：自动填写多页表单并截图存档

这个用例我实际跑了三个月，用在每周的报表提交上。流程是：打开内部系统 → 登录（账号密码从环境变量读）→ 导航到报表页 → 逐项填写 20 多个字段 → 上传附件 → 提交 → 截图保存到指定目录 → 发送通知。

关键配置在于等待策略。很多新手会写死sleep(3000)，但页面加载时间不稳定，写死要么等太久要么不够。正确做法是用 OpenClaw 的waitForSelectorskill，等特定元素出现再继续：

// skill 配置示例 { "name": "fill_report", "steps": [ { "action": "goto", "url": "{{BASE_URL}}/report" }, { "action": "waitForSelector", "selector": "#report-form", "timeout": 15000 }, { "action": "type", "selector": "#field1", "value": "{{value1}}" }, { "action": "click", "selector": "#submit-btn" }, { "action": "waitForSelector", "selector": ".success-toast", "timeout": 10000 }, { "action": "screenshot", "path": "./screenshots/{{date}}.png" } ] }

注意：截图路径一定要用绝对路径或者相对于 OpenClaw 工作目录的路径，用相对路径时容易因为工作目录变化而找不到文件。

用例 11：竞品价格监控与异常告警

这个用例的思路是定时抓取竞品页面价格，和数据库里的历史价格对比，如果波动超过阈值就触发告警。难点在于反爬应对——不是所有网站都欢迎自动化访问。我的做法是控制频率（每次请求间隔随机 3-8 秒）、模拟真实用户行为（随机滚动、随机停留）、以及遵守网站的 robots.txt。

用例 17：批量下载并重命名文件

这个用例看起来简单，但实际做的时候有个细节：下载的文件名往往是一串乱码或者时间戳，需要根据页面上的标题重新命名。OpenClaw 可以做到"读取页面元素文本 → 下载文件 → 用读取到的文本重命名"，整个流程自动化。

3.2 本地模型与 AI 代理类（用例 23-41）

这类用例的核心价值在于数据不出本机。用 Ollama 跑本地模型，OpenClaw 做执行框架，整套系统可以完全离线运行。

用例 25：Ollama + OpenClaw 搭建私有知识库问答

这个组合我用了大半年。架构是：Ollama 跑一个 7B 或 13B 的模型 → OpenClaw 提供文件读取和检索 skill → 用户提问时，先检索本地文档，把相关片段喂给模型，模型生成回答。

部署步骤大致是：先装 Ollama（官网下载对应系统的安装包），ollama pull qwen2.5:7b拉模型，然后配置 OpenClaw 的模型接入指向http://localhost:11434。这里有个坑：Ollama 默认只监听 localhost，如果 OpenClaw 跑在 Docker 里，需要把 Ollama 的OLLAMA_HOST设成0.0.0.0，否则容器内访问不到。

用例 33：AI 代理自动整理下载文件夹

这个用例特别实用。下载文件夹里堆了几百个文件，PDF、图片、压缩包、安装程序混在一起。OpenClaw 可以读取每个文件的元信息，让本地模型判断文件类型和用途，然后自动移动到对应子文件夹。我跑了一次，整理出 400 多个文件，准确率大概 85%，剩下的手动调整一下就行。

用例 38：本地模型驱动的代码审查助手

把 Git diff 喂给本地模型，让它检查潜在问题——空指针、资源泄漏、命名不规范等。这个用例的价值在于代码不出本机，适合对代码保密有要求的团队。模型选 13B 以上的效果比较好，7B 的容易漏掉细节。

实操心得：本地模型的响应速度取决于硬件。我用一台 32G 内存 + RTX 4060 的机器跑 13B 量化模型，生成速度大概 15-20 token/秒，做代码审查够用。如果只有 CPU，建议用 7B 以下的模型，否则等得让人抓狂。

3.3 机器人与 ROS 集成类（用例 42-58）

这类用例是 OpenClaw 比较硬核的部分，把 AI 代理和机器人操作系统（ROS）结合起来。

用例 45：OpenClaw + ROS2 Humble + Gazebo 仿真控制

这个组合我在一个教学项目里用过。架构是：Gazebo 提供仿真环境 → ROS2 做通信中间件 → OpenClaw 作为高层决策节点。AI 代理接收自然语言指令（比如"把红色方块移到左边"），解析成 ROS 的 topic 消息，发给仿真里的机械臂执行。

配置的关键在于ROS bridge。OpenClaw 本身不直接说 ROS 协议，需要通过 rosbridge 或者自己写一个 skill 来转发消息。我选的是自己写 skill，因为这样控制粒度更细，调试也方便。

# 自定义 ROS skill 示例 import rclpy from rclpy.node import Node from geometry_msgs.msg import Twist class MoveSkill(Node): def __init__(self): super().__init__('openclaw_move_skill') self.publisher = self.create_publisher(Twist, '/cmd_vel', 10) def move(self, linear, angular): msg = Twist() msg.linear.x = linear msg.angular.z = angular self.publisher.publish(msg)

用例 52：嵌入式设备远程管理

用 OpenClaw 管理一批树莓派或者 Jetson 设备，定时检查温度、磁盘、网络状态，异常时自动执行重启或告警。这个用例的难点在于设备发现和批量操作——设备 IP 可能变化，需要配合 mDNS 或者静态 DHCP。

3.4 开发运维自动化类（用例 59-76）

这类用例面向开发者和运维人员，把日常重复性工作交给 AI 代理。

用例 62：Docker 容器健康检查与自动恢复

写一个 skill，定时检查指定容器的状态，如果发现容器退出或者不健康，自动执行重启，并记录日志。这个用例配合 Docker 的 healthcheck 机制效果更好。

# 检查容器状态 docker inspect --format='{{.State.Health.Status}}' container_name # 如果不健康则重启 docker restart container_name

用例 68：Node.js 项目依赖自动更新与测试

这个用例的思路是：定期检查 package.json 里的依赖有没有新版本 → 更新 → 跑测试 → 测试通过则提交 PR，不通过则回滚并通知。这个流程用 OpenClaw 串起来，可以省掉大量手动操作。

用例 73：日志异常检测与告警

把日志文件喂给本地模型，让它识别异常模式。传统的做法是写正则或者用 ELK 的规则引擎，但有些异常是"看起来正常但实际有问题"的，这种就需要模型来判断。我实测下来，7B 模型对明显的错误日志识别率很高，对微妙的异常还需要人工复核。

注意：自动更新依赖这个操作有风险，一定要在测试环境先跑通，而且要有回滚机制。我踩过一次坑，某个依赖的小版本更新引入了 breaking change，导致生产环境挂了半小时。

3.5 数据处理与办公自动化类（用例 77-89）

用例 79：Excel 报表自动生成

从数据库或者 API 拉数据 → 用 OpenClaw 的表格处理 skill 生成 Excel → 套用模板格式 → 发送邮件。这个用例我用来做周报，原来手动做要一个小时，现在全自动，五分钟搞定。

用例 83：PDF 批量提取与结构化

一堆 PDF 合同或者发票，需要提取关键字段（金额、日期、甲乙方）。OpenClaw 可以调用 OCR skill 提取文本，再用模型做结构化解析，最后输出 JSON 或 CSV。

用例 87：邮件自动分类与回复草稿

读取收件箱 → 模型判断邮件类型 → 分类到不同文件夹 → 对常见问题生成回复草稿。这个用例要注意隐私边界，建议只处理工作邮件，个人邮件不要接入。

3.6 创意与生活类（用例 90-98）

用例 92：自动整理照片并按内容分类

读取照片 EXIF 信息 → 模型识别照片内容（风景、人物、食物）→ 按类别和日期建立文件夹结构。这个用例跑一次能整理几千张照片，比手动快太多了。

用例 95：智能家居场景联动

OpenClaw 对接 Home Assistant 的 API，根据时间、天气、家庭成员位置自动调整灯光、空调、窗帘。这个用例的难点在于场景规则的编排，需要想清楚各种条件的优先级。

用例 98：个人知识库自动归档

浏览网页时一键保存 → 自动提取正文 → 生成摘要 → 打标签 → 存入本地知识库。这个用例配合浏览器插件使用体验最好。

4. 实操部署：从零跑通第一个用例

4.1 环境准备清单

在开始之前，确认你的环境满足以下条件：

• 操作系统：Windows 10/11（需要 WSL2）、Ubuntu 20.04+、macOS 12+
• Node.js：20.x LTS（不要用 24.x，有兼容性问题）
• Docker：24.0+（如果用容器部署）
• 内存：至少 8G，跑本地模型建议 16G 以上
• 磁盘：至少 20G 可用空间

Windows 用户特别注意：先确认 WSL2 装好了。在 PowerShell 里跑wsl --status，如果显示"未安装"，先执行wsl --install，重启后再继续。如果报virtualization support not detected，进 BIOS 开启虚拟化支持。

4.2 安装 Node.js 和 OpenClaw

Ubuntu 下用 NodeSource 的源安装 Node.js 20：

curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash - sudo apt-get install -y nodejs node -v # 应该显示 v20.x.x

然后安装 OpenClaw：

npm install -g openclaw openclaw --version

如果 npm 安装慢，可以换国内镜像：

npm config set registry https://registry.npmmirror.com

4.3 配置模型接入

OpenClaw 的配置文件通常在~/.openclaw/config.json。如果接本地 Ollama：

{ "model": { "provider": "ollama", "baseUrl": "http://localhost:11434", "model": "qwen2.5:7b", "timeout": 60000 }, "skills": { "browser": { "enabled": true }, "filesystem": { "enabled": true }, "shell": { "enabled": true } } }

如果接云端模型，把 provider 改成对应的，填上 API Key 就行。

4.4 跑通第一个用例：自动打开网页并截图

创建一个简单的 skill 文件hello.json：

{ "name": "hello_screenshot", "description": "打开指定网页并截图", "steps": [ { "action": "goto", "url": "https://example.com" }, { "action": "waitForSelector", "selector": "body", "timeout": 10000 }, { "action": "screenshot", "path": "/tmp/hello.png" } ] }

执行：

openclaw run hello_screenshot

如果一切正常，/tmp/hello.png会出现一张网页截图。这一步跑通了，后面的复杂用例都是在这个基础上叠加。

实操心得：第一次跑浏览器相关的 skill 时，如果报"浏览器未找到"或者"无法启动"，大概率是缺依赖。Ubuntu 下执行npx playwright install-deps安装系统依赖，然后再npx playwright install chromium下载浏览器内核。

5. 常见问题与排查技巧实录

5.1 部署阶段的高频报错

5.2 运行阶段的典型问题

问题一：浏览器操作超时

最常见的原因是页面加载慢或者选择器写错了。排查步骤：先用openclaw debug模式跑，看每一步的实际耗时；然后手动在浏览器里检查选择器是否唯一匹配。如果页面是动态渲染的，把waitForSelector的超时时间调大，或者改用waitForFunction等待特定条件。

问题二：本地模型响应慢

7B 模型在 CPU 上跑，生成速度可能只有 2-3 token/秒，一个稍长的回答要等一两分钟。解决办法：换更小的量化模型（比如 4-bit 量化的 3B 模型），或者上 GPU。如果必须用大模型，把timeout调大，避免请求被中断。

问题三：Docker 容器里访问不到宿主机服务

比如 OpenClaw 跑在容器里，Ollama 跑在宿主机上。容器内的localhost指向容器自己，不是宿主机。解决办法：用host.docker.internal（Docker Desktop）或者宿主机的实际 IP（Linux 下用172.17.0.1）。

问题四：中文乱码

在 Windows 上跑的时候偶尔遇到。原因是编码不一致。解决办法：确保所有文件用 UTF-8 保存，Node.js 启动时加--charset=utf-8，Docker 容器设置LANG=C.UTF-8。

5.3 独家避坑技巧

技巧一：用环境变量管理敏感信息

不要把账号密码、API Key 写死在配置文件里。用环境变量或者.env文件，配置文件里用{{ENV_VAR}}引用。这样配置文件可以安全地提交到 Git。

技巧二：给每个 skill 加超时和重试

网络操作和浏览器操作都可能失败，加超时和重试能大幅提升稳定性。OpenClaw 支持在 skill 级别配置retry和timeout，建议默认加上。

技巧三：日志分级输出

调试的时候开 debug 日志，生产环境用 info 级别。日志文件定期清理，否则跑几个月能占满磁盘。

技巧四：用 Docker Compose 编排多服务

如果 OpenClaw 需要配合数据库、消息队列、本地模型一起跑，用 Docker Compose 管理最方便。一个docker-compose.yml把所有服务串起来，启动一条命令搞定。

version: '3.8' services: openclaw: image: openclaw/openclaw:latest volumes: - ./config:/root/.openclaw - ./data:/data environment: - OLLAMA_HOST=http://ollama:11434 depends_on: - ollama ollama: image: ollama/ollama:latest volumes: - ./ollama:/root/.ollama ports: - "11434:11434"

技巧五：定期备份配置和数据

OpenClaw 的配置、skill 文件、运行日志、以及本地模型的数据，都建议定期备份。我吃过一次亏，硬盘挂了之后重新配置花了一整天。现在用 rsync 每天自动备份到 NAS。

6. 从用例到落地：我的选型建议

98个用例看下来，新手容易犯的错是"什么都想试"。我的建议是按这个顺序推进：

先跑通浏览器自动化里的基础用例（打开网页、截图、填表单），这是最容易看到效果的，也能帮你熟悉 OpenClaw 的基本操作模式。然后根据你的实际需求，选一个能立刻解决你当前痛点的用例深入做——比如你每天要花一小时整理报表，那就把报表自动化做透。做完一个完整的用例之后，你对 skill 编写、调试、部署的整个流程就有感觉了，再扩展到其他领域会快很多。

本地模型这块，如果你的机器配置一般，先用云端模型跑通流程，等确定要长期用了再折腾本地部署。本地部署的硬件门槛和调试成本都不低，没必要一上来就啃硬骨头。

ROS 和嵌入式那部分，适合有相关背景的人。如果你没接触过机器人开发，从 Gazebo 仿真开始是比较稳妥的路径，不需要真实硬件就能跑通大部分逻辑。

最后再分享一个小技巧：OpenClaw 的 skill 是可以复用的。你为一个项目写的 skill，稍微改改就能用在另一个项目里。我建议建一个自己的 skill 仓库，把常用的功能都沉淀下来，用的时候直接引用，不用每次重写。这个习惯坚持半年，你会发现效率提升非常明显。