企业官网建设流程全解析

花了将近两周时间把 OpenClaw 的命令行基础过了一遍，我最大的感受是：图形界面只是它的脸，命令行才是它真正的手脚。很多同学装上 OpenClaw 之后第一反应是找可视化面板，点按钮、看聊天窗，觉得这样就叫"会用"了。但等你真正要批量处理文档、定时跑任务、把 AI 接进自己的脚本工作流时，图形界面就会变得非常碍事——这时候命令行就是你绕不开的入口。

这篇是这个系列的第三篇，专门讲 OpenClaw 命令行里最常用的指令和参数。我会把我自己在实际项目里用到的命令原样列出来，每条都解释为什么这么用、参数背后的逻辑是什么，以及哪些地方容易踩坑。如果你是刚接触命令行的小白，看完这篇至少能独立完成"启动会话、跑一个任务、查看结果、续接上下文"的完整闭环；如果你已经有一定基础，可以直接跳到后面的参数优先级和踩坑记录，那几段写的是常规文档里不会说的东西。

1. OpenClaw 命令行到底解决了什么问题

1.1 图形界面够用，但一定不够深

先说清楚一件事：OpenClaw 的图形界面做得并不差，会话、记忆、技能管理都有可视化入口。但我用了一段时间后发现，凡是重复性高、需要批量处理的操作，图形界面几乎都要点好几下鼠标才能完成。比如我想把某文件夹里的 20 个 Markdown 文件逐一出给模型做摘要，图形界面的操作路径是：打开面板 → 新建会话 → 上传文件 → 等结果 → 复制保存 → 再新建会话……循环 20 次。而命令行只需要一条for循环命令加上管道，几分钟全部搞定。

这不是 OpenClaw 特有的问题，而是所有 AI 工具共性的选择：图形界面优化的是"单次体验"，命令行优化的是"批量效率"。你在学习阶段当然可以只用面板，但只要你想把 OpenClaw 嵌入到自己的脚本、定时任务、甚至是 CI 流程里，命令行就是唯一的选择。

1.2 命令行的真正优势：可写、可重复、可交接

命令行的优势总结下来有三点，这三点是图形界面永远做不到的：

• 可写：操作记录天然就是文本，今天跑了什么、用了哪些参数、出了什么结果，全部可以留存在 shell 历史或脚本文件里。
• 可重复：一条命令跑通了，下次原样执行即可，不需要回忆"上次到底点了哪个按钮、选了哪个模型"。
• 可交接：把脚本交给你同事，对方不需要学习你的点击路径，只要环境一样，结果就能复现。

我在某次给一个小团队搭共享 AI 工作流时，就是靠一堆 OpenClaw 命令行脚本完成任务的。当时团队里有人习惯用面板，有人只会跟着文档点，我把整套流程封装成run_summary.sh、batch_process.py之后，沟通成本直接降了一个量级——不再有人问"这一步在哪个菜单里"。

1.3 本专栏采用的环境约定

后面所有命令都默认你已经在命令行里装好 OpenClaw 并初始化完成，终端前缀会显示当前会话状态。如果还没装，先跑一遍官方的一键安装脚本，再把可执行文件路径加进 PATH 环境变量。我这里用 Linux 或 macOS 的 bash 演示，Windows PowerShell 使用者把单引号、双引号的习惯反过来基本就能对上。

$ openclaw --version OpenClaw CLI version 0.9.3

2. 最常用指令的实战解读：session、run、status、logs

2.1 第一条命令：openclaw status，先看环境再看世界

很多人上手第一件事就是跑openclaw run "你好"，觉得能回复就算通了。我的建议相反：先记住openclaw status这条命令，任何时候觉得莫名其妙了，先看一眼状态再下结论。

openclaw status的输出通常包含四类信息：当前使用的配置文件路径、模型服务连接状态、当前活跃会话 ID、最近一次任务的状态码。它相当于给你提供了一面"仪表盘"，让你在跑正式任务之前先确认引擎是热着的。

$ openclaw status Config : /home/me/.openclaw/config.toml Model endpoint : connected (latency 238ms) Active session : s_abc123 Last exit code : 0

你可能会问，为什么status不只是一个简单的 "OK / Not OK"？因为在真实使用中，"能连上"和"能干活"是两码事。有一次我连续跑任务总是超时，看日志没有任何报错，最后就是靠status发现模型端点的延迟已经涨到 4000ms 以上，网络链路出了问题。如果只看"连接成功"这个结果，问题会很难定位。

2.2 核心指令：openclaw run，一次任务一个世界

openclaw run是平时最常用的执行指令，用法很直观：openclaw run "你的指令内容"。它会把指令发给当前配置的模型，等结果返回后直接打印到终端。我用一个实际例子说明：

$ openclaw run "请用三句话概括什么是事务性数据库，要求通俗易懂" 事务性数据库是一种强调"要么全部成功、要么全部失败"的数据库设计思路。 它通过 ACID 特性保证多个操作不会被拆成半成品，避免数据出现中间状态。 通俗理解就是：一笔钱转账要么扣款和入账都完成，要么什么都不发生。

这段回复本身没什么特别，但我想让你注意两点。第一，命令行模式下没有流式打字效果，结果是整块返回的，所以大任务会有等待时间，别以为卡住了；第二，指令里的引号是有讲究的——bash 里双引号允许变量替换，单引号才是字面字符串，如果你的指令里含有$、`这类特殊字符，建议用单引号包住整个指令。

run也是你调试技能、模型效果的最短路径。我通常会在写一个复杂提示词前先跑上十几条run，每条只改动一个变量，对比不同措辞、不同参数下的输出差异。这种高频试错的工作模式，只有在命令行下才做得到。

2.3 会话管理：session子命令让你的对话有记忆

run命令默认每次都是"无状态"的，它在执行完任务后就把历史上下文丢掉了。如果你想让模型记住前文，就要用到session子命令。

简单说，session是一个命名的上下文容器。你把一些指令放在同一个 session 里执行，模型就能引用这些历史的对话内容。常用操作有三条：

# 新建会话并立即执行一条指令 $ openclaw session create --name "项目分析" --run "记住，我们讨论的是用户增长项目" # 在指定会话中继续追问 $ openclaw run "刚才说的三个指标，你觉得哪个最关键？" --session "项目分析" # 查看当前所有活跃会话 $ openclaw session list

这里最核心的概念是：session 既不是聊天记录文件，也不是模型上下文窗口的简单映射，而是一个"你主动控制的上下文容器"。默认情况下，OpenClaw 会在上下文接近模型上限时自动丢弃最早的对话内容，但你也可以通过参数控制保留策略。后面第五章我会专门讲 session 丢失的问题，那是初期最容易踩的坑。

2.4 日志查看：logs是排错的显微镜

一旦任务报错或者结果莫名其妙，就得看日志。logs子命令的常用形态有这三种：

# 查看最近 50 条日志 $ openclaw logs --tail 50 # 按关键字过滤日志 $ openclaw logs --grep "timeout" # 持续跟踪日志（类似 tail -f） $ openclaw logs --follow

日志记录的信息颗粒度比终端输出细得多。终端上你只看到"任务失败"，日志里会有具体的重试次数、网络响应码、上下文 token 用量。配合--verbose参数打开调试输出后，能看到每次请求的具体请求头、耗时分布等更底层的数据。我的习惯是：普通使用开默认日志级别，定位问题时先看一眼日志再下结论，这比反复重跑命令高效得多。

3. 全局参数详解：每个参数背后都有一段真实需求

3.1 参数优先级：命令行 > 环境变量 > 配置文件 > 默认值

OpenClaw 参数体系里最重要的不是你背下了多少个参数名，而是你理解它们如何被读取。任何配置项都可以通过四个层级来设定：命令行参数、环境变量、配置文件、内置默认值。优先级从高到低如上。换句话说，你在命令行写了--model fast，那么它一定覆盖配置文件里的model = "standard"。

这个设计我一开始觉得啰嗦，后来才发现它是干活的保障。比如同一台机器上，你可能同时维护个人项目和客户项目，两者模型偏好不同。如果你每次都手动改配置文件，很容易忘记改回来然后拿错配置跑了一晚上。使用环境变量或者命令行参数覆盖，就不会污染全局配置。

3.2 必懂参数：--model、--config、--verbose、--output

下面这几个参数是我认为短期内必懂的，每个我都给了一句"为什么需要它"的说明。

举例来说，想把某次任务结果保存成 JSON 文件供后续脚本使用，命令是：

$ openclaw run "提取这段文字里的三个核心观点" \ --model fast \ --output ./result.json \ --format json

生成的文件大概是这样的结构：

{ "session_id": "s_abc123", "model": "fast", "response": ["观点一...", "观点二...", "观点三..."], "usage": { "input_tokens": 356, "output_tokens": 128 } }

--format json这个参数非常实用，它让 OpenClaw 不再只是一个人机对话工具，而是可以嵌入程序处理的"处理单元"。我在做一个关键词抽取的小工具时，就是让模型定期输出 JSON，然后由 Python 脚本统一汇总，整个过程全程无人值守。

3.3 慎用但有用的参数：--dry-run、--timeout、--temperature

这几个参数不是说不能碰，而是在明白后果的情况下再用。

--dry-run是最安全的"排练"模式。它会把你即将执行的完整请求打印出来，但不会真正发送给模型。我写复杂的批处理脚本时必用这条命令，用来检查"将要发出去的指令到底长什么样"——尤其当指令里拼接了变量时，很容易拼出意外内容，dry-run 能让你提前发现。

--timeout是控制超时时间的，默认值往往比较保守。如果你跑一个需要长思考链路的分析任务，默认超时可能不够。我的做法是针对任务类型分别设定：简单摘要给 30 秒，深度分析给 300 秒。

--temperature控制生成随机性，数值越低回答越稳定、越高越有创意。如果你希望模型输出稳定可复现，建议调到 0.2 左右；如果你在做头脑风暴式的创意生成，0.8 以上会更有惊喜。这里有一个常见的误会：有人以为 temperature 越高模型越聪明，其实它只是让输出分布更"散"，并不会提升质量。

3.4 环境变量：不显眼，但适合做固化配置

配置文件能解决的问题就别用命令行参数硬扛。OpenClaw 读取环境变量的方式非常直接，比如OPENCLAW_MODEL=fast、OPENCLAW_TIMEOUT=120、OPENCLAW_CONFIG=/path/to/config.toml。适合放环境变量的通常是"这台机器上长期不变的偏好"，比如默认模型和默认超时。

我在一台专门用来跑批处理的机器上，会在.bashrc里写好这样几行，省得每次敲命令都带一堆参数：

export OPENCLAW_MODEL=standard export OPENCLAW_TIMEOUT=180 export OPENCLAW_OUTPUT_FORMAT=json

注意，环境变量的优先级低于命令行参数但高于配置文件。这意味着你可以在.bashrc里设一个通用偏好，遇到特殊任务再用命令行覆盖。这个"通用兜底＋临时覆盖"的组合逻辑，是参数体系中最值得养成的习惯。它跟编程里"默认参数 + 局部重写"的思路一模一样，理解一次，终身受用。

4. 一条真实工作流：从零开始用命令行完成一次批量文档总结

4.1 需求拆解：把"大任务"切成"小命令"

只看单个命令总是不够直观，所以我挑了一个我真实做过的小任务，从头到尾把完整命令串一遍。这个任务是：某目录下有 10 篇产品说明文档，我需要逐个总结成三个要点，并把结果按文件名一一对应地保存下来。

先拆解一下需求。这项任务包含四个子步骤：拿到文件列表、对每个文件调用模型做总结、把结果保存、最后确认所有文件都处理完。用图形界面做，你得反复打开上传、复制、保存；用命令行做，则是一条循环加一个最终检查。

4.2 第一步：确认输入文件，避免"空跑"

我用一个变量把文件列表先接住，先打印个数确认，防止后面循环跑了个寂寞。

$ files=$(ls docs/*.md) $ echo $files | tr ' ' '\n' | wc -l 10

这一步看似多余，实则是在为后面的批处理打地基。人有视觉确认能力，知道"这里有 10 个文件"，但命令行不会替你数数。万一目录路径写错了，后面循环跑了一通结果全是空输入，浪费时间和 token，排查还麻烦。脚本中先确认输入再循环是我一直坚持的习惯。

4.3 第二步：逐文件跑任务并保存结果

接下来是核心循环。我用了--output参数把每个结果直接写入独立文件，并用文件名做了映射：

$ for f in docs/*.md; do openclaw run "请阅读以下文档并给出三个核心要点：$(cat "$f")" \ --model fast \ --format text \ --output "${f%.md}_summary.txt" done

说明一下这里要注意的地方。命令中的$(cat "$f")会把文件内容直接拼接进指令文本，这是一个非常常见但也很容易出问题的写法。如果文件太大，指令会超过模型上下文窗口；如果文件内容里含有特殊字符，可能被 bash 重新解析。更稳妥的方式是用openclaw run --input-file "$f"，前提是你用的版本支持这个参数。不支持的话，我建议把大文件先拆成小块再批量提交。

4.4 第三步：检查输出状态，别让错误悄悄溜走

循环结束后，我不会马上宣布"完成"，而是先看退出码和输出文件个数。命令行模式下，只要命令没有抛异常，循环就会一路跑完，哪怕里面有任务内容生成失败。所以批处理后的检查环节是必须的。

$ echo "exit=$?" $ ls docs/*_summary.txt | wc -l 10 $ openclaw logs --grep "error" --tail 200

这组检查背后的逻辑是"三层验证"：退出码判断命令本身是否正常执行，文件数量判断是否每篇都有输出，日志检查有没有隐藏的错误记录了但没弹出来。这三个都没问题，我才会放心地把结果交出去。

4.5 第二步的进阶版：用管道直接喂内容

如果你不想把文件内容拼到指令里，也可以用管道把内容喂给 OpenClaw。这是命令行风格的典型用法，也是我日常工作流里非常喜欢的一种形态：

$ cat docs/产品A.md | openclaw run "请提取这份文档的要点" --model fast

管道输入的好处是干净、不容易被转义问题纠缠。缺点是一次只能处理一个文件的内容，batch 能力弱。两个方式没有绝对优劣，小文件快速任务我用管道，需要保存结果、批量处理的场景我用带--input-file的方式。

5. 那些文档不会写，但实际操作一定会遇到的坑

5.1 坑一：session 上下文不是无限大的，它会"悄悄遗忘"

这是我这段时间踩得最疼的一个坑。有一回我在某个 session 里连续讨论了大量背景材料，中间隔了一段时间没继续，再回来追问时发现模型完全不记得之前提到的一个关键假设。我第一反应是"OpenClaw 是不是有 bug"，翻日志才发现，session 的上下文窗口是有容量上限的，超出的部分会按策略被裁剪掉。

理解这个机制很重要：session 的"记忆"不等于"永久存储"。它更像是临时工位，东西多了就得腾地方。如果要长期保存某些信息，应该把它们写入外部知识库或文件，而不是寄托在对话上下文里。我的实际做法是：关键背景资料单独写成context.md文件，每次开启重大问题分析时重新加载一下，而不是指望模型从长对话里回忆。

5.2 坑二：Windows PowerShell 下的引号转义会吃掉你的指令

在 Linux/macOS 的 bash 里，单引号、双引号各司其职，规则相对容易理解。但换到 Windows PowerShell 环境，转义规则完全不同——双引号内的$符号照样会被当作变量前缀处理，单引号又不能包住含单引号的内容。我吃过一次亏：在 PowerShell 里跑openclaw run "请解释$HOME变量的含义"，结果指令传到模型那里时，$HOME已经被替换成了本机路径，模型看到的是具体路径而不是"$HOME 变量"。

这个问题的解决思路有两层。第一层，在 PowerShell 里写指令尽量把$转义为`$，或者改用单引号包裹整个指令。第二层，更建议把复杂指令写进文件再执行，比如openclaw run --prompt-file ./prompt.txt，从根本上避开 shell 解析。我在 Windows 机器上跑重要任务时，几乎都走文件路径，这比调引号规则要省心得多。

5.3 坑三：日志全开时输出太吵，不开时问题又看不见

--verbose、--debug这类参数确实能提供海量信息，但一开起来终端输出会多到找不到北。我一开始图省事，直接在.bashrc里设了默认调试输出，结果每次命令输出几十行附加信息，真正想看的结果被淹没在日志里。

后来我调整了策略：日常运行用默认日志级别，只有任务失败时才临时加--verbose重跑一遍。这样既能保证正常输出的干净，又能在排错时随时"放大镜"。另外，如果你要定位的是网络层面的问题，logs --grep "latency"比开着--verbose肉眼扫描要高效得多。

5.4 坑四：批处理循环里--output的路径必须干净

写 batch 脚本时，--output ./result.json看起来没问题，但如果循环里文件名变量没处理好，很容易把文件写到意外位置或者相互覆盖。有一次我在脚本里漏掉了文件名变量，导致每次循环都往同一个文件里写，跑完之后那个文件只有最后一次任务的结果，前面几轮全白跑了。

要避免这个问题，一个简单的原则是：输出文件名一定要包含输入文件的唯一标识。比如${f%.md}_summary.txt能保证一一对应。跑完后再用文件计数确认一遍，这个习惯能救回大量无效工作。

6. 参数速查表：把常用的参数一次列全

为了方便随时翻阅，我把前面提到的所有高频参数整理成一张表。建议收藏，尤其是刚开始掌握命令行的时候，把表格放在手边可以少走很多弯路。

这条表不是让你全背下来，按需查才是常态。我的个人习惯是：新参数先拿--dry-run跑一遍，确认请求长什么样，再真正执行。这个习惯让我躲过了很多次误操作。

7. 我的日常命令行习惯：几条可以照抄的经验

7.1 用别名把长命令变短

OpenClaw 的命令虽然清晰，但敲多了也累。我的做法是在.bashrc里设置别名，把高频命令缩短：

alias oc='openclaw' alias oc-run='openclaw run --format text' alias oc-json='openclaw run --format json' alias oc-status='openclaw status' alias oc-log='openclaw logs --tail 80'

设好之后，oc-run "..."和oc-json "..."用起来比原生命令顺手很多。特别是oc-json，配合管道就可以非常方便地接入其他工具。

7.2 默认输出格式切换为 JSON 再配 jq

如果不仅是手动跑任务，还想把结果交给脚本处理，我强烈建议把--format json设为默认。JSON 输出的结构化程度远高于纯文本，再配合jq做字段提取，几乎就是一个轻量级的自动化流水线。

$ openclaw run "列出三种常见的分布式事务方案" \ --format json | jq '.response[]'

这行命令的效果是把结果里的每一条回答按数组元素打印出来，方便后续做进一步处理。说实话，我第一次在终端里看到自己的 AI 响应能被jq这样拆解时，才真正理解"命令行是给懂自动化的人准备的门票"这句话。

7.3 定期清理 session 列表，保持工作区整洁

session 多了之后，openclaw session list输出会越来越乱。有些 session 只是顺手起的名字，聊完就扔了，堆积起来对后续查找造成干扰。我每周末会集中清理一次，把已经结束任务的会话删除：

# 列出所有会话 $ openclaw session list # 删除不需要的会话 $ openclaw session delete s_abc123

这里要提醒的是，删除 session 之前先确认里面没有还没导出结果的内容。session 的上下文如果还没保存，删除后就无法找回。我在早期就误删过一个存了较多上下文分析的会话，那部分讨论材料只能靠记忆重写，非常痛苦。

7.4 给重要任务写一个"任务脚本"

永远不要把复杂的多步骤任务用一行超长命令完成——回车一敲，万一中间逻辑错了，可能造成不可逆的结果。我的做法是为较复杂的任务单独写一个 shell 脚本，脚本里按步骤分成几个函数，每一步先打印提示再执行：

#!/usr/bin/env bash set -euo pipefail FILES=$(ls docs/*.md) echo "[1/3] 文件扫描完成，共 $(echo $FILES | wc -w) 个文件" for f in docs/*.md; do openclaw run "总结要点：$(cat "$f")" --model fast --output "${f%.md}_summary.txt" done echo "[2/3] 批处理执行完成" COUNT=$(ls docs/*_summary.txt | wc -l) echo "[3/3] 已生成 $COUNT 份总结文件"

set -euo pipefail这一行很关键，它让脚本在遇到未定义变量或某个命令失败时立刻退出，避免"看起来跑完了其实一堆空结果"的虚假成功。再加上每步的进度提示，就算处理到一半出错，你也能立刻知道问题出在第几步。

8. 实战对话示例：把几个指令放在同一情境里看

这一节我会模拟一个真实使用场景，把前文讲到的命令串在一段连续对话里展示。假设你临时接到一个任务：分析某项目里的三份周报，做出一份问题清单。

# 新建会话，准备上下文 $ openclaw session create --name "周报分析" # 依次导入三份周报 $ openclaw run "这份是第1周的周报：$(cat week1.md)" --session "周报分析" $ openclaw run "这份是第2周的周报：$(cat week2.md)" --session "周报分析" $ openclaw run "这份是第3周的周报：$(cat week3.md)" --session "周报分析" # 基于以上材料做问题汇总 $ openclaw run "请梳理这一季度的主要问题，并标注风险等级，输出JSON" \ --session "周报分析" \ --format json

这样做的好处是，模型在汇总时能同时引用三份周报的内容，因为三条指令都在同一个 session 下，上下文是连贯的。如果分别用三个 session 执行，"第三次总结"这步就会缺乏前文的对照信息，分析质量会明显下降。

这个例子也说明了一个观点：session 的用途不只是"聊天续上"，它可以作为小型的多步任务上下文容器来使用。把前置材料一步步喂进去，再在最后一步做综合判断，输出结构化结果，这是命令行方式下非常高效的一种任务模式。

最后再分享一个小经验：如果你发现单次 session 里塞的材料太多导致模型"遗忘"，不要犹豫，直接把关键材料摘成独立文件存下来，然后在每一步任务里显式引用。上下文再大，也不如你把重要的信息写在配置文件里、写在指令里来得可靠。命令行归根结底是关于"控制"——控制输入、控制输出、控制上下文，控制住了，OpenClaw 才能真正成为你顺手的工作流工具。