来源：微信公众号 - 孟健AI编程、书同文Suwin

案例一：用 OpenClaw 做视频 - 播放量从几十涨到 9000

作者：孟健

成果

• 单条播放量：1595（之前平均不到 200）
• 3天总播放：9,018
• 制作时间：15 分钟/条
• 成本：约 ¥0.1/条

传统 vs AI 流程

技术栈

1. OpenClaw - 多 Agent 调度

孟健的团队有 6 个 Agent：

• 墨媒（运营）：选题推送和发布
• 墨笔（创作）：写脚本、调 TTS、编排场景、渲染视频
• 墨影（设计）：封面图和配图

Agent 之间通过 sessions_send 机制协作。

2. Remotion - React 视频框架

用代码写视频，而非传统剪辑：

• 定义模板，换数据出新片
• 核心只需修改 scenes-data.ts

export const scenes = [
  { start: 0.0, end: 3.46, type: 'title', title: '三家巨头\n同一天' },
  { start: 3.46, end: 5.90, type: 'pain', title: '微软说', subtitle: 'Copilot 已经能写掉\n90% 的代码' },
  // ...
];

3. MiniMax 语音克隆

• 30 秒录音样本克隆声音
• 60 秒旁白 3-5 秒生成
• 成本约 ¥0.1/条

4. Whisper - 时间戳对齐

• 本地部署，免费
• 提取每句话的时间戳
• 精确对齐字幕和画面

完整流程

墨媒推选题（每日 9:30 cron）
    ↓
Telegram 推送 5 个选题
    ↓
孟健选一个
    ↓
墨笔写旁白脚本（60秒/200字）
    ↓
MiniMax TTS 生成克隆语音
    ↓
Whisper 提取时间戳
    ↓
墨笔编排 scenes-data.ts
    ↓
Remotion 渲染 MP4
    ↓
墨笔发成片给孟健
    ↓
孟健确认 → 墨媒发布

赛博线框体风格

• 深色背景（#0A0A0F）
• 大字排版 + 关键词高亮
• 线条 IP 角色做批注
• 动效精确对齐音频

踩过的坑

1. TTS 速度：1.0x 太慢，1.3x 太快，1.15x 刚好
2. 时间戳精度：Whisper 偶尔飘几百毫秒，需人工复核
3. 字体加载：服务器渲染时字体可能缺失，需把字体放 public/ 目录
4. 音效对齐：按帧计算，需要 Math.round(seconds * 30)
5. 别省模型：内容创作用 Sonnet 会导致质量断崖

成本

案例二：Clawdbot 爆火 - AI 工具从员工升级成管理层

作者：书同文Suwin

核心观点

Clawdbot（OpenClaw）= 中层管理，不是普通 AI 助手

• 以前的 AI（ChatGPT）= 聪明的实习生（只能动嘴） -后来的 AI CLI = 能干活的新人员工（长出了手）
• OpenClaw = 中层管理（能指挥其他 AI 工具）

它能做什么

案例：配置开发环境

以前：手动安装 OpenCode、配置 oh-my-zsh、安装 Skills → 需要大半天

现在：发一条消息

"帮我配置好 OpenCode 和 oh-my-opencode，然后安装 glm-image 和 article-illustrator 这两个 Skills"

OpenClaw 全自动完成：

• 找安装包
• 执行命令
• 配置环境变量
• 处理报错

案例：一条龙服务

1. 发送文章 → 配图 → 导出 Markdown
2. 打开浏览器 → 登录 X → 发布帖子

你只需要发消息，OpenClaw 安排 AI 干活

跟 Cowork 的区别

两个典型误区

1. 把它当成普通 AI 助手 - 就像雇了个能调度整个技术团队的项目经理，却只让他帮你买咖啡
2. 被云服务器部署吓跑 - 普通人用 Mac/Mac mini 就行，不需要 VPS

安装（macOS）

# 安装 OpenClaw
npm install -g openclaw@latest

# 启动配置向导
openclaw onboard --install-daemon

案例三：睡前一句话，起床两个产品

作者：慢页

成果

• 服务号：自动生成纪念卡功能
• 微信小程序：拼豆图纸生成工具
• 成本：0 元
• 用户参与：只帮忙扫了 2 次码

背景

作者是完全不懂代码的小会计。

之前试过用 Codex 和 Claude Code 每次都做到一半卡住：

• 服务器配置出问题
• 微信接口调不通
• 各种依赖装不上

服务号实现

需求

用户在公众号发照片 → 系统自动生成纪念卡 → 自动发回给用户

技术架构

• 腾讯云服务器：Node.js + Express 网关
• Redis 队列：异步处理任务
• Seedream4：AI 生成融合图
• 微信客服消息：自动回复图片

OpenClaw 做了什么

1. 搭建 Node.js 环境
2. 写 Express 网关接收微信回调
3. 配置 Redis 队列
4. 申请 HTTPS 证书（certbot）
5. 配置 Nginx 反向代理
6. 微信公众号后台配置
7. 排查并修复 Bug

遇到的问题

• 40164 invalid ip：OpenClaw 自己查文档，去公众号后台加白名单
• PIL 模块缺失：自动诊断，pip install 解决
• 多线程并发 Bug：1 分钟定位并修复

小程序实现

需求

把之前的拼豆工具改成微信小程序

OpenClance 做了什么

1. 写小程序端代码（选图、上传、预览）
2. 写后端 API
3. 配置 Nginx 路由
4. 填写小程序开发平台配置
5. 上传代码、配置体验版
6. 接 AI 生成能力

遇到的问题

• JavaScript 语法兼容：可选链操作符不支持 → 改传统判空写法
• JSON require 报错：小程序不支持 → 转成 JS 模块导出

他花了多少钱

0 元

案例四：向 OpenClaw 提问的高阶技巧

作者：书同文Suwin

技巧一：反复追问，像剥洋葱一样深入

问题：一次提问解决不了复杂问题

方法：

• 对话越长，上下文越多，理解越精准
• 每问一轮，AI 给出的行动就更精准

案例：

• 第一次：帮我把环境配置好 → 配置细节不对
• 第二次：去官方文档确认步骤 → 每步验证
• 第三次：每步可能遇到什么问题 → 最终成功

技巧二：提高信息密度，像写合同一样写提示词

问题：AI 回答太笼统

方法：设定具体领域、评价标准、量化指标、输出格式

对比：

• 普通：对比中美 AI 水平
• 高密度：请从大模型、AI芯片、开源生态、顶会论文、商业落地 5 个维度，各 3 个指标，2023 至今数据，用表格对比

技巧三：预设逻辑，先校准 AI 的价值观

问题：AI 默认搜大多数人肤浅的看法

方法：先给评价标准，让 AI 按标准处理

案例：

• 先告诉 AI：评价 AI 编程工具分三级
• 高级：能理解架构、主动发现问题
• 中级：能完成任务、需人类纠正
• 基础：只能做代码补全
• 再让 AI 评估 → 理性得多

技巧四：多案并行，让 AI 内部开辩论会

问题：一个问题只有一个答案

方法：让 AI 给多个独立方案，对比优缺点

案例：

• 问：帮我自动化文章配图
• 改进：给我 5 个逻辑独立的方案，对比开发难度、运行成本、效果稳定性

核心总结

1. OpenClaw = 中层管理，能调度其他 AI 工具
2. 视频制作流水线：选题 → 脚本 → TTS → 渲染 → 发布
3. 成本极低：约 ¥0.1/条
4. 提问技巧：追问 + 高密度 + 预设逻辑 + 多方案

2026-02-21 9527 整理