作者： Yanhua

整理自： Podwise

最近OpenClaw 爆火，到處都在討論。但說實話，大部分內容都在講理論、講架構、講願景。真正用這玩意幹啥？日常工作怎麼落地？講清楚的人不多。

Matthew Berman 最近出了一期視頻，把他用OpenClaw 搭建的所有用例一次性攤開了。不講概念，全是實操。 CRM、知識庫、商業顧問團、安全審查、社群媒體追蹤、影片選題管線、每日簡報、食物日記……一個人，一台MacBook，幹了一個小公司中台團隊的活。

我把他最核心的用例拆開來聊聊。不吹不黑，每個用例是什麼、怎麼跑的、好在哪，一個個過。

用例一：自然語言CRM，30 分鐘從零到可用

這是Berman 展示的第一個用例，也是最直觀的一個。

搭建過程：他用自然語言告訴OpenClaw，「幫我建造一個CRM，從Gmail、Google Calendar 和Fathom 提取數據，過濾掉行銷郵件和冷推銷，只保留有價值的對話和聯絡人。」沒有寫一行程式碼。 30 分鐘就跑起來了。

資料攝取：系統每30 分鐘掃描郵件，每5 分鐘在工作時段檢查Fathom（AI 會議記錄工具）。所有資料存入前，先經過一個LLM 判斷：這封郵件值不值得存？這個聯絡人重不重要？

核心能力：

• 371 個聯絡人，全部可用自然語言查詢。 「我上次和John 聊了什麼？」「X 公司最後跟我對接的是誰？」

• 關係健康評分，自動標記長期沒聯絡的人

• 重複聯絡人偵測和合併建議

• 向量嵌入搜索，支援語義層級的模糊匹配

最驚人的細節：當Berman 在其他場景（例如想影片選題）時，CRM 會主動插嘴：「你之前和某個贊助商聊過類似話題，也許他們願意贊助這期。」系統跨模組連動，不只是被動存數據，而是主動創造連結。

Berman 的原話： 「如果我30 分鐘就能搭一個完全客製化的CRM，再花一兩個小時迭代優化，那我為什麼還要付費給CRM 公司？」

用例二：會議行動項自動追蹤

這個用例和CRM 緊密配合，但值得單獨拎出來。

工作流程：會議結束→ Fathom 轉錄全文→ OpenClaw 匹配CRM 聯絡人→ 提取行動項目→ 發Telegram 給Berman 審批→ 審批通過的自動進入Todoist

幾個關鍵設計：

• 區分「我的」和「對方的」行動項。 對方承諾要給你的東西，系統標記為「waiting on」，自動追蹤對方是否兌現。

• 自我學習過濾。 如果Berman 拒絕了某項行動項目（「這不算我的任務」），系統會學習原因並更新提取規則。下次同類情況不會再抓。

• 每天自動檢查3 次完成狀況。 例如你在會上說「我今天把郵件寄過去」，系統會檢查你是否真的發了，發了就自動打勾。

• 14 天自動歸檔。 超期未完成的自動清理，保持清單乾淨。

這套東西的價值不在於某個單點功能，而是它把「會議後續」這個最容易爛尾的環節完全自動化了。

用例三：個人知識庫，丟個連結進去就行

Berman 長期有一個痛點：看到好內容，收藏了，然後再也找不到了。

他的解決方案極為簡單：所有連結都丟進Telegram，剩下的交給OpenClaw。

系統會自動處理這些類型的內容：

• 文章：直接抓取全文，付費牆網站用瀏覽器自動化登入後擷取

• YouTube 影片：抓取字幕/轉錄文本

• X 貼文：不只抓單條，會自動追蹤整個貼文串，外鏈文章一併攝取

• PDF：直接解析文本

所有內容做向量化嵌入，存入本地SQLite。之後可以用自然語言搜尋：「給我看所有關於OpenAI 的文章」，一鍵檢索。

團隊協作加成：每個入庫內容自動以「Matt 想讓你們看看這個」的形式同步到Slack。團隊知道這是老闆親自讀過的，不是AI 隨便推的。

這個用例的關鍵不是技術多複雜，而是使用門檻極低。不需要打標籤、不需要分類、不需要整理。丟進去就行，AI 幫你做剩下的。

用例四：商業顧問委員會，8 個專家每晚幫你開會

我個人覺得這是整個影片裡最瘋狂的用例。

資料輸入： 14 個業務資料來源。 YouTube 分析、Instagram 每篇互動、X 分析、TikTok 數據、郵件活動、會議記錄、Cron 任務健康狀況、Slack 訊息……基本上涵蓋了他業務的所有維度。

分析流程： 8 個AI 專家角色（財務、行銷、成長、營運等），各自獨立分析全部數據，並行運作。分析完成後它們互相討論發現，綜合分歧，然後合併成一份按優先順序排序的建議清單。

交付方式：每天凌晨自動運行，結果以編號摘要發到Telegram。 Berman 起床後掃一眼，對任何一條都可以追問：「展開說說第3 條。」

這個用例的啟發性在於多Agent 協作模式。不是一個AI 給你建議，而是一群AI 互相辯論後給你建議。就像真正的董事會，財務說要省錢，行銷說要花錢，最後折中出一個務實方案。

用例五：安全委員會，AI 每晚審查AI

和商業顧問類似的架構，但方向完全不同。

運行時間：每晚凌晨3:30（錯開其他任務的時段，避免Anthropic API 配額衝突）。

審查團隊：四個維度的安全專家。進攻視角、防禦視角、資料隱私視角、操作真實性視角。

審查範圍：整個程式碼庫、Git 提交歷史、運行日誌、錯誤日誌、儲存資料。不是靜態規則掃描，是讓AI 真正讀程式碼並理解邏輯。

輸出： Opus 4.6 綜合所有發現，編號後發到Telegram。關鍵問題立即告警。 Berman 可以直接回覆「fix it」，系統自動修復。

自我進化：每次修復後的經驗會被記住，審查規則持續迭代。有些夜晚沒有新建議，因為系統確認目前狀態是安全的。

這個用例最妙的地方是用AI 來審查AI 自身。 Berman 很坦率：提示注入的防護永遠不可能完美。但與其假裝風險不存在，不如讓系統自己每天體檢一次。

用例六：社群媒體追蹤+ 每日簡報

追蹤範圍： YouTube、Instagram、X、TikTok 四個平台。每天自動拉取快照，存入SQLite 資料庫。

資料維度： YouTube 按影片追蹤觀看次數、觀看時間、互動率；其他平台追蹤貼文層級的表現數據。

雙重用途：

• 每日簡報。每天早上發到Telegram，告訴他昨天哪些內容表現好、哪些不好

• 餵給商業顧問委員會。社群媒體數據是14 個資料來源之一，直接參與每晚的業務分析

這裡體現了整個系統的飛輪效應：社群媒體追蹤模組不是孤立運作的，它產生的數據同時服務簡報和顧問委員會兩個下游用例。

用例七：影片選題管線，從一句話到Asana 卡片

觸發方式：在Slack 討論中，任何人在帖子下面回复“ @Claude ，這是一個視頻創意”。

自動化流程：

• 讀取Slack 討論串的完整上下文

• 全網搜尋+ X 趨勢研究

• 查詢知識庫，看是否有相關已存素材

• 查重，檢查是否和已有選題重複

• 產生完整影片大綱：標題建議、縮圖建議、開場hook、影片流程框架

• 做一個「這個選題值不值得做」的評估

• 在Asana 創建專案卡片，附帶所有研究資料和鏈接

Berman 在影片中示範了一個實際案例：Quen 3.5 發布的訊息被分享到Slack，有人標記為影片創意，系統自動產生了完整的選題包，包括Twitter 上不同KOL 的討論、開源社群的反應、以及建議的影片角度。

這個用例的價值：把「靈感捕捉」到「可執行方案」之間的距離壓縮到了接近零。

用例八：記憶系統，讓AI 越用越懂你

大多數人用ChatGPT 的體驗是：每次對話都像初次見面。 Berman 的OpenClaw 不是。

記憶層級：

• 對話記憶：每日對話自動儲存為markdown 文件

• 偏好提煉：從對話中提取寫作偏好、語調風格、關注興趣、股票追蹤、郵件分類規則等，存入memory.md

• 身分更新：每次新對話開始時，系統都會讀取記憶文件，更新identity.md和soul.md

• 向量化檢索：所有記憶文件矢量化，支持RAG 搜索

場景化人格切換： Berman 給AI 配了兩套性格。 Telegram 私聊時像朋友，幽默隨興；Slack 團隊頻道裡自動變成專業同事風格。這些都在soul.md裡定義。

這個用例讓AI 從「工具」變成了「夥伴」。它不只是執行指令，而是真正理解你是誰、你想要什麼。

用例九：食物日記，AI 幫你發現過敏源

這是最出乎意料的用例。

使用方式：拍食物照片發給OpenClaw，它會自動辨識並記錄。每天收到3 次提醒，報告胃部感受。所有資料存入食物日誌。

分析能力：每週觸發一次分析，交叉比對食物記錄和症狀報告，識別模式。

真實成果：系統透過分析照片中的食物成分和Berman 的症狀回饋，發現他的胃對洋蔥敏感。這是他自己完全不知道的。

一個聊天機器人，幫人做了食物過敏原排查。這在以前需要去醫院做專案檢測。

用例十：定時任務+ 自動備份+ 自動更新

這部分不那麼性感，但可能是最重要的基礎設施。

Cron 任務清單：

| 頻率| 任務|

|------|------|

| 每5 分鐘| 檢查Fathom 會議記錄|

| 每30 分鐘| 掃描郵件|

| 每天3 次| 行動項完成檢查|

| 每晚| 文件同步、CRM 掃描、安全審查、日誌攝取、視訊資料刷新、晨間簡報產生|

|每週| 記憶合成、效益預覽|

| 每小時| Git 提交+ 資料庫備份|

備份策略：所有SQLite 資料庫自動發現、加密、打包上傳Google Drive，保留最近7 天。程式碼每小時Git 推送GitHub。任何備份失敗，Telegram 立即告警。

自動更新：每晚9 點檢查OpenClaw 新版本，展示changelog，一句「update」就會自動升級重啟。

API 追蹤：記錄每次LLM 呼叫用了哪個模型、消耗多少token。甚至下載了各模型官方的prompting 指南，讓系統依照實際使用的模型優化prompt 寫法。

這套基礎設施的設計概念就一條：你睡覺的時候，系統在工作；系統出問題的時候，你第一時間知道。

圖像和影片生成：按需創作視覺內容

Berman 把Veo（影片產生）和NanoBanana Pro（Gemini 影像產生）連接到了OpenClaw。

使用方式很簡單：在Telegram 裡說“意大利托斯卡納別墅視頻”，系統調用Veo 生成，自動下載發到Telegram，然後刪除本地文件節省空間。圖像同理，告訴它想要什麼，NanoBanana Pro 生成後直接推送。

這個用例本身不算是驚艷，但它的價值在於可以被嵌入到其他工作流程裡。例如影片選題管線產生縮圖建議時，可以直接呼叫影像產生來出圖。

回到全域：這些用例之間的關係才是重點

如果你只看單一用例，會覺得「挺酷，但好像也沒那麼特別」。 ChatGPT 也能幫你查聯絡人，Notion AI 也能幫你整理知識庫。

但Berman 系統的真正威力在於用例之間的資料流：

• CRM 資料→ 餵給商業顧問委員會

• 知識庫內容→ 餵給影片選題管線

• 社群媒體資料→ 餵給每日簡報+ 顧問委員會

• 會議記錄→ 餵給CRM + 行動項系統

• 所有模組的運作日誌→ 餵給安全委員會

每個模組都不是孤島。它們構成了一個互相強化的數據飛輪。這就是為什麼一個人+ 一台MacBook 能產出一個小團隊的效果。

Berman 有一句話我覺得特別到位：「你會開始看到我搭建的所有不同部分是如何相互作用、讓彼此變得更強大的。」

安全提醒：跑之前先繫好安全帶

Berman 在安全上下的功夫值得單獨強調：

• 提示注入防禦：所有外部內容視為潛在惡意，入庫前確定性程式碼預先掃描

• 權限最小化：郵件、行事曆只讀，不給寫權限

• 輸出控制：總結不逐字複述，自動過濾密鑰和令牌

• 發布審批：發郵件、推文前必須人工確認

• 加密備份：雙重密碼保護，.env 檔案永不入庫

他自己說得很清楚：「沒有完美的安全方案。大語言模型是非確定性系統，完全防住提示注入是不可能的。但這不意味著你什麼都不做。」

看完這些用例，我最大的感受是：AI 時代的「全端」不再是指會寫前端和後端，而是指能搭建和管理一整套AI 工作流程。 Berman 不寫程式碼，但他對自己的需求有極為清晰的認知，並且知道怎麼用自然語言把這些需求翻譯成可運作的系統。

這可能是2026 年最值得學習的技能。

基於Matthew Berman 影片「21 INSANE Use Cases For OpenClaw”，播客Podwise整理，原始影片包含每個用例的完整prompt，建議觀看獲取。如果你也在用OpenClaw 或類似框架搭建自己的AI 系統，留言區聊聊你最先搭的是哪個用例。