1. 从“手动重复”到“智能流转”为什么我们需要办公AI自动化助手如果你每天的工作有超过30%的时间是在重复一些固定的、有明确规则的“体力活”比如把邮件里的附件下载下来重命名再上传到某个网盘或者每天下午四点准时从三个不同的Excel表格里抓取数据手动粘贴到一个汇总表里然后发邮件给领导——那么你正在经历的就是典型的“办公场景自动化”需求。这些任务不复杂但琐碎、耗时且容易出错。过去我们可能会写个Python脚本或者用Excel宏来解决但这需要一定的编程基础维护起来也麻烦。现在情况变了。以OpenClaw为代表的新一代AI自动化助手正在把这件事的门槛降到几乎为零。它不再要求你是一个程序员你只需要用自然语言告诉它“我想做什么”它就能理解你的意图并调用各种工具比如浏览器、文件管理器、API接口去执行。这背后的核心是“智能体”Agent技术的平民化。一个智能体可以理解你的指令规划执行步骤操作软件并处理执行过程中的意外。OpenClaw就是这样一个开源的、可以部署在你本地电脑或服务器上的AI智能体框架。我最初接触OpenClaw是因为团队内部有一个每周都要做的数据周报。流程是登录内部系统导出CSV用Python脚本清洗生成图表插入PPT最后发到群里。每次都要花我近两个小时。当我用OpenClaw配置好这个流程后现在只需要在飞书群里它说一句“生成本周数据周报”剩下的它就全包了。从登录系统到PPT发出全程无人值守我只在最后检查一下结果。这种解放生产力的感觉是实实在在的。所以这篇内容不是一篇简单的安装教程而是一个从零开始手把手带你将OpenClaw打造成你专属办公助手的实战指南。我们会涵盖从环境部署、核心配置、技能编写到接入飞书/微信等日常办公工具以及处理那些官方文档里不会写的“坑”。无论你是技术背景的开发者还是只想提升效率的普通办公族都能在这里找到可落地的方案。2. 部署抉择Docker、裸机与Ollama模型服务搭建部署OpenClaw是第一步也是决定后续使用体验的基础。根据你的使用场景和技术偏好主要有三种路径Docker一键部署、Ubuntu裸机安装以及在Windows或Mac上的本地化部署。每种方式都有其最适合的场景和需要注意的细节。2.1 Docker部署最推荐的一键式方案对于绝大多数希望快速上手、避免环境冲突的用户Docker部署是最佳选择。它把OpenClaw及其所有依赖Python环境、Node.js等打包在一个独立的容器里与宿主机环境隔离做到了真正的“开箱即用”。核心操作与深度解析首先你需要确保宿主机上已经安装了Docker和Docker Compose。OpenClaw社区通常提供一个docker-compose.yml文件这是部署的核心。我们不仅要会运行更要理解这个文件在配置什么。一个典型的docker-compose.yml会包含两个主要服务一个是OpenClaw的后端API服务另一个是前端Web界面。最关键的是环境变量的配置尤其是OLLAMA_BASE_URL和DEFAULT_MODEL。version: 3.8 services: openclaw-backend: image: some-registry/openclaw:latest container_name: openclaw ports: - 3000:3000 # API端口 environment: - OLLAMA_BASE_URLhttp://host.docker.internal:11434 # 关键指向Ollama服务 - DEFAULT_MODELllama3.2:latest # 默认使用的模型 - OPENCLAW_LOG_LEVELINFO volumes: - ./data:/app/data # 持久化数据避免容器重启后技能丢失 restart: unless-stopped openclaw-frontend: image: some-registry/openclaw-ui:latest container_name: openclaw-ui ports: - 8080:80 # Web界面端口 depends_on: - openclaw-backend restart: unless-stopped这里有一个极易踩坑的点OLLAMA_BASE_URL。如果你在宿主机上运行了Ollama一个本地大模型运行框架在Docker容器内localhost指向的是容器自己而不是宿主机。因此你不能简单地写成http://localhost:11434。在Mac和Windows的Docker Desktop环境下可以使用特殊的域名host.docker.internal来指向宿主机。在Linux环境下可能需要使用宿主机的实际IP地址或者配置Docker网络为host模式。注意模型的选择DEFAULT_MODEL直接影响OpenClaw的理解和执行能力。初期建议使用较小的、推理速度快的模型如llama3.2:3b或qwen2.5:7b以便快速测试。等流程跑通后再换用能力更强的llama3.1:8b或qwen2.5:14b等模型。执行部署只需要一行命令docker-compose up -d。之后你就可以通过浏览器访问http://你的服务器IP:8080来打开OpenClaw的Web管理界面了。2.2 Ubuntu裸机部署追求极致性能与控制如果你是在云服务器如AWS EC2、腾讯云CVM上部署或者你的本地机器就是Ubuntu系统并且你希望对整个栈有完全的控制权那么裸机部署是更好的选择。这种方式性能损耗最小也方便直接调试。步骤详解与避坑指南系统准备首先更新系统包并安装必要的依赖如Python 3.9、pip、Node.js 16、Git等。一个常见的遗漏是libssl-dev和build-essential它们是一些Python原生依赖包编译时所必需的。sudo apt update sudo apt upgrade -y sudo apt install -y python3-pip python3-venv git curl wget build-essential libssl-dev克隆代码与创建虚拟环境使用虚拟环境可以完美隔离项目依赖避免污染系统Python环境。git clone https://github.com/openclaw/openclaw.git cd openclaw/backend python3 -m venv venv source venv/bin/activate安装Python依赖这一步最容易出问题。由于OpenClaw依赖一些较新的或特定的库直接pip install -r requirements.txt可能会失败。我的经验是先升级pip和setuptools到最新版然后尝试安装。如果遇到某个包编译失败特别是涉及加密或机器学习的包可能需要单独搜索该包的Ubuntu系统依赖。pip install --upgrade pip setuptools wheel # 如果requirements.txt中有torch可能需要根据CUDA版本从官网指定安装命令 # pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt配置环境变量裸机部署时环境变量通常通过一个.env文件来管理。你需要创建这个文件并填入关键配置如数据库连接、Ollama服务地址、API密钥等。cp .env.example .env nano .env在.env文件中确保OLLAMA_BASE_URLhttp://localhost:11434因为Ollama和OpenClaw在同一台机器上并设置好你的DEFAULT_MODEL。数据库初始化与启动OpenClaw通常使用SQLite开发环境或PostgreSQL。按照文档执行数据库迁移命令后即可启动后端服务。前端部分可能需要单独构建或使用预编译的静态文件。# 数据库迁移 alembic upgrade head # 启动后端服务 python main.py # 在另一个终端启动前端服务假设前端是单独的Node项目 cd ../frontend npm install npm run build npm start裸机部署的挑战在于环境问题的排查但好处是一旦搞定整个系统的状态一目了然后续的性能调优和深度定制也更容易。2.3 模型服务核心Ollama的配置与多模型管理无论采用哪种方式部署OpenClaw其“大脑”——大语言模型服务——通常由Ollama提供。Ollama使得在本地运行Llama、Qwen等开源模型变得非常简单。安装与基础模型拉取在Ubuntu上一行命令安装Ollamacurl -fsSL https://ollama.ai/install.sh | sh。安装后拉取你需要的模型例如ollama pull llama3.2:3b。这个命令会从Ollama的仓库下载模型文件。为OpenClaw配置多模型OpenClaw的强大之处在于可以按任务切换不同的模型。你可以在Ollama中拉取多个模型ollama pull llama3.2:3b # 轻量响应快适合简单任务 ollama pull qwen2.5:7b # 中文理解好综合能力强 ollama pull llama3.1:8b # 能力更强适合复杂规划然后在OpenClaw的Web界面或配置文件中你就可以指定某个技能Skill使用特定的模型。例如处理中文文档摘要的任务可以绑定到qwen2.5:7b模型上。Ollama服务无法连接的常见问题当你启动OpenClaw却看到类似“openclaw llamap svr operator(): got exception: { error: { code: 400...”的错误时十有八九是OpenClaw无法连接到Ollama服务。检查Ollama是否运行执行ollama serve确保服务在后台运行。可以用curl http://localhost:11434/api/tags测试接口是否通。检查网络配置在Docker部署中牢记使用host.docker.internal或宿主机IP。在防火墙或安全组中确保11434端口是开放的。检查模型是否存在错误码400有时也意味着请求的模型名在Ollama中不存在。用ollama list确认模型已成功拉取并且名称完全匹配包括tag。3. 技能Skill开发教会你的助手处理具体办公任务部署好的OpenClaw只是一个空壳它的能力来源于“技能”Skill。技能本质上是一段代码通常是Python它定义了一个具体的、可重复执行的任务流程并且暴露给OpenClaw的AI核心来调用。开发技能是打造专属助手的核心环节。3.1 技能的基本结构与生命周期一个最简单的技能文件例如fetch_weather.py看起来是这样的from openclaw.skill import BaseSkill, SkillMetadata from pydantic import BaseModel, Field # 定义技能的输入参数模型 class WeatherInput(BaseModel): city: str Field(description需要查询天气的城市名称例如北京) # 定义技能本身 class FetchWeatherSkill(BaseSkill): # 技能的元数据用于AI理解和界面展示 metadata SkillMetadata( nameget_weather, description获取指定城市的当前天气情况, input_modelWeatherInput, output_modelstr ) async def execute(self, input_data: WeatherInput) - str: 技能的执行逻辑 # 这里是具体的业务代码例如调用一个天气API # 模拟返回 weather_info f{input_data.city}的天气是晴25摄氏度。 return weather_info关键点解析BaseModel定义输入这使用了Pydantic库来严格定义技能的输入格式。AI在调用这个技能时会尝试从用户的自然语言中提取出city这个参数。清晰的description能帮助AI更准确地提取。SkillMetadata是技能的身份证name是技能的内部标识description是给AI和用户看的说明input_model和output_model定义了技能的接口。execute方法是核心所有的业务逻辑都在这里实现。它可以是调用一个HTTP API、读写本地文件、操作数据库甚至是模拟鼠标键盘通过其他库。技能的生命周期当你把写好的技能文件放到OpenClaw指定的技能目录如./skills/后OpenClaw会在启动时自动加载它。AI在理解用户指令后会从所有已加载的技能中选择最匹配的一个或多个来执行。3.2 实战编写一个“日报自动汇总”技能让我们来编写一个真实的办公技能每天下午自动从钉钉或飞书群假设有导出API或可通过网页抓取抓取每位成员的日报汇总成一份文档并发送给主管。步骤一定义技能输入输出这个技能可能不需要复杂的输入但我们可以设计一个输入来指定汇总哪一天的日报。from datetime import date from openclaw.skill import BaseSkill, SkillMetadata from pydantic import BaseModel, Field from typing import List, Dict class DailyReportInput(BaseModel): report_date: date Field(default_factorydate.today, description需要汇总的日报日期默认为今天) class DailyReportSkill(BaseSkill): metadata SkillMetadata( nameaggregate_daily_reports, description从协作平台抓取指定日期团队的日报并汇总生成一份摘要文档。, input_modelDailyReportInput, output_modelDict # 返回一个包含摘要和文件路径的字典 )步骤二实现复杂的执行逻辑execute方法里会包含多个步骤这正体现了AI智能体的“规划”能力——OpenClaw的AI核心会决定何时调用哪个子步骤。async def execute(self, input_data: DailyReportInput) - Dict: # 1. 模拟登录或使用Token访问协作平台API # 注意这里需要处理真实的认证可能是OAuth2或Cookie auth_token await self._get_auth_token() # 2. 获取指定日期的所有日报列表 reports await self._fetch_reports_from_platform(auth_token, input_data.report_date) # 3. 使用AI可以再次调用Ollama对日报内容进行摘要分析 # 这里展示了一个嵌套调用技能内部再调用大模型进行分析 summary await self._summarize_reports_with_ai(reports) # 4. 将摘要生成Word或Markdown文档 file_path await self._generate_summary_document(summary, input_data.report_date) # 5. 可选将文档上传到云存储或发送邮件 # await self._upload_to_cloud(file_path) return { message: f{input_data.report_date}的团队日报汇总完成。, summary: summary[:200] ..., # 返回前200字符预览 file_path: file_path } async def _summarize_reports_with_ai(self, reports: List[str]) - str: # 这里构造一个Prompt让大模型做摘要 prompt f请将以下团队成员的工作日报汇总成一段不超过300字的团队整体进展摘要\n\n \n---\n.join(reports) # 调用OpenClaw内置的LLM客户端使用指定的模型 llm_response await self.llm_client.chat_completion( modelqwen2.5:7b, # 指定用哪个模型做摘要 messages[{role: user, content: prompt}] ) return llm_response[choices][0][message][content]经验之谈在技能中调用大模型进行二次处理是非常强大的模式。比如你可以让AI先提取日报中的“风险项”再生成摘要或者让AI对日报内容进行情感分析判断团队士气。3.3 技能调试与真实环境对接调试技巧不要一开始就对接真实的飞书API。先写一个“模拟”版本用固定的测试数据返回确保技能的框架和OpenClaw的调用流程是通的。然后逐步替换成真实的API调用模块。处理真实API对接飞书、钉钉、企业微信等平台通常需要获取开发者权限在企业后台创建自建应用获取App ID和App Secret。管理访问令牌Token通常有过期时间如2小时技能里需要实现Token的自动获取与刷新逻辑。一个常见的坑是把Token硬编码在技能文件里更好的做法是将其作为配置项存放在OpenClaw的环境变量或加密的配置数据库中。处理API限流与错误平台API都有调用频率限制。你的技能必须包含重试机制和友好的错误处理例如当API返回“频率过高”时等待一段时间再重试而不是直接让整个技能失败。技能配置化一个健壮的技能应该尽可能将可变部分如API地址、Token、目标群聊ID配置化。OpenClaw通常支持为技能设置配置项这样你可以在Web界面上修改这些参数而无需改动代码。4. 记忆与会话管理解决“第二天就失忆”的问题一个常见的抱怨是“我的OpenClaw第二天就不知道昨天会话的内容了怎么处理” 这触及了AI智能体一个核心问题记忆Memory。默认情况下许多开源智能体框架包括OpenClaw的某些配置是“无状态”的每次对话都是独立的模型不会自动记住之前说过什么。4.1 记忆的层次与实现方案OpenClaw的记忆系统通常分为几个层次短期会话记忆在单次对话上下文中记住之前的问答。这通常由大模型本身的长上下文窗口来保证例如一个128K上下文的模型可以记住本次对话中相当多的历史记录。这部分是开箱即用的只要你没有刷新页面或开始新会话。长期记忆跨越不同会话、不同天数的记忆。例如你昨天告诉助手“我的项目代号是‘天蝎计划’”今天你问“那个项目进度如何”它需要能关联起来。这才是问题的关键。长期记忆的常见实现方式向量数据库存储这是最主流和有效的方法。将对话中的关键信息如用户提到的事实、偏好、任务结果转换成向量Embedding存储到向量数据库如Chroma、Qdrant、Weaviate中。当用户提出新问题时先将问题转换成向量然后在向量数据库中搜索最相关的历史记忆并将其作为上下文提供给大模型。OpenClaw的架构通常支持集成这类向量数据库。传统数据库摘要存储另一种更简单的方式是在每次长对话结束时让AI自动生成一份关于本次对话的“摘要”例如“用户讨论了X项目提到了截止日期是周五偏好使用蓝色主题”然后将这份纯文本摘要存储到SQLite或PostgreSQL中。下次对话开始时先加载这些历史摘要作为背景信息。4.2 在OpenClaw中配置与使用向量记忆假设你的OpenClaw部署使用了支持向量记忆的版本配置步骤可能如下安装并运行向量数据库以Chroma为例你可以用Docker快速启动一个。docker run -d -p 8000:8000 chromadb/chroma配置OpenClaw连接向量库在OpenClaw的配置文件.env或Web管理界面中添加向量数据库的连接信息。MEMORY_TYPEvector VECTOR_DB_URLhttp://localhost:8000 VECTOR_DB_TYPEchroma EMBEDDING_MODELtext-embedding-ada-002 # 或用本地模型如BGE理解记忆的写入与读取写入当用户与OpenClaw进行有信息量的对话时系统可以自动或根据规则将对话片段生成向量存入数据库。你也可以在技能中主动调用记忆存储API保存重要的任务结果。读取当用户发起新对话时OpenClaw会将用户的问题向量化并从向量库中检索出最相关的几条历史记忆自动拼接到本次对话的上下文System Prompt或历史消息中里再发给大模型。这样模型就能“想起”过去的事情。实操心得向量记忆不是万能的。它可能会检索到不相关的旧记忆噪声或者遗漏关键信息。为了提高记忆质量我通常会做两件事对记忆进行预处理在存储前让AI对要记忆的文本进行一步“提炼”只保存核心事实谁、什么时候、做了什么、结果如何而不是存储冗长的原始对话。设置记忆的“有效期”和“重要性”标签对于一些临时性信息如“我今天下午3点开会”可以设置24小时后自动过期。对于重要信息如“我的手机号是138xxxx”可以打上高优先级标签确保每次都能被检索到。4.3 处理记忆带来的新挑战启用长期记忆后你可能会遇到新问题隐私问题所有对话历史都可能被存储。你需要明确告知用户并有数据清理的机制。信息冲突如果用户说“我喜欢咖啡”但后来又说“我其实更喜欢茶”向量库中可能同时存在两条矛盾的记忆。高级的系统会引入“记忆更新”机制或者让AI在检索到矛盾信息时主动向用户确认。性能开销向量检索和Embedding生成需要计算资源。对于个人或小团队使用这个开销通常可以接受但如果用户量很大需要监控数据库性能。对于“第二天失忆”这个问题最根本的解决方案就是开启并正确配置长期记忆功能。这意味着你的OpenClaw助手将从一次性的问答工具升级为一个真正能积累知识、了解你习惯的长期伙伴。5. 深度集成将助手接入飞书、微信与日常工作流让助手运行在Web页面上只是第一步真正的效率提升在于让它融入你已有的工作流在飞书、微信、钉钉等你每天使用的工具里直接调用它。5.1 接入飞书机器人飞书提供了完善的机器人API可以让OpenClaw成为一个“群聊成员”。核心步骤在飞书开放平台创建应用获得App ID和App Secret。配置事件订阅与消息卡片为了让机器人能接收群聊消息你需要配置“事件订阅”的请求网址URL这个URL就是你的OpenClaw服务暴露给公网的一个API端点例如https://your-openclaw-server.com/feishu/webhook。你需要用工具如ngrok或通过云服务器的公网IP端口来暴露这个服务。在OpenClaw中实现飞书消息处理器你需要编写一个HTTP端点用于验证飞书服务器发来的验证请求并处理各类消息事件。当收到一条机器人的文本消息时这个处理器需要解析出纯文本指令。调用OpenClaw的核心AI引擎处理这个指令。将AI返回的结果格式化成飞书支持的消息卡片或文本再发送回群聊。技术细节与避坑签名验证飞书所有请求都带有签名你必须在服务器端验证此签名以确保请求来源合法这是安全的关键。异步处理与超时AI处理可能需要十几秒而飞书服务器请求有超时限制如5秒。因此你不能同步处理。正确的模式是收到消息后立即返回一个“接收成功”的响应然后在一个后台任务中异步调用AI处理完毕后再通过飞书的“发送消息”API将结果主动推送到群聊。OpenClaw的技能异步执行架构天然支持这种模式。消息安全确保你的Webhook端点URL不会被他人恶意调用。除了签名验证还可以在OpenClaw侧设置一个飞书App Secret的白名单。5.2 接入微信个人号或企业微信接入微信相对复杂因为个人微信没有官方机器人API。通常有两种方案使用企业微信流程和飞书类似通过企业微信开放平台创建应用配置接收消息的API。这是合规且稳定的方案。使用第三方库针对个人微信例如itchat或wechaty等库通过模拟网页微信登录来实现。但必须注意这种方式违反微信用户协议有封号风险且随着微信更新极易失效不推荐用于任何严肃或生产环境仅适合个人技术研究。如果选择企业微信方案其配置流程与飞书高度相似创建应用、配置接收消息的URL、验证Token、加解密消息、异步处理回复。OpenClaw的后端需要增加一个专门处理企业微信Webhook的路由。5.3 打造自动化工作流定时任务与事件触发除了被动响应消息OpenClaw更强大的能力是主动执行任务。定时任务Cron Jobs你可以配置一个技能让它每天上午9点自动运行。例如一个“晨会简报”技能每天9点自动从JIRA、GitLab抓取数据生成项目进度简报并发送到指定的飞书群。在部署上你可以使用Linux系统的crontab或者更优雅地使用OpenClaw内部可能支持的调度模块或集成Celery等分布式任务队列来管理这些定时任务。# 在crontab中配置每天上午9点执行 0 9 * * * curl -X POST http://localhost:3000/api/skill/trigger/daily_morning_report事件触发让技能由外部事件驱动。例如当GitLab有新的Merge Request时通过GitLab的Webhook通知你的OpenClaw服务器触发一个“代码审查提醒”技能该技能会分析MR的改动并相关的工程师。这需要OpenClaw提供一个通用的Webhook接收接口并能根据事件类型路由到不同的技能。将一切连接起来想象这样一个场景每天下午5点50分定时任务OpenClaw自动运行“日报提醒”技能在飞书群里每位成员。成员在群里直接回复日报内容飞书消息接入。OpenClaw收到后调用“日报解析与存储”技能处理。晚上6点30分另一个定时任务触发“日报汇总”技能将所有人的日报汇总、分析生成摘要文档并自动发送给主管邮箱通过邮件技能。这一切无需人工干预形成了一个完整的自动化工作流闭环。6. 进阶配置与生产环境考量当你的OpenClaw助手开始处理真实业务时就需要从“玩具”升级到“工具”考虑稳定性、性能和可维护性。6.1 性能优化与模型管理模型选型与分级不要所有任务都用最大的模型。根据任务复杂度分级调用轻量级模型3B-7B用于意图识别、简单分类、信息提取。响应快资源占用低。中型模型7B-14B用于多数规划、摘要、文案生成任务。是能力与速度的平衡点。大型模型70B仅用于最复杂的逻辑推理、代码生成或创意写作。可以通过OpenClaw的配置为不同技能绑定不同模型。推理加速使用vLLM、llama.cppGGUF格式等推理引擎来替代Ollama的原生推理可以大幅提升吞吐量降低延迟尤其是在同时处理多个请求时。GPU资源管理如果使用GPU需要监控显存使用。多个模型同时加载可能导致显存溢出。可以配置模型在闲置一段时间后自动卸载需要时再加载虽然会带来冷启动延迟。6.2 监控、日志与错误处理一个运行在生产环境的系统必须是可观测的。结构化日志确保OpenClaw和你的技能都输出结构化的日志JSON格式记录每个请求的ID、用户指令、调用的技能、耗时、结果状态以及任何错误信息。这样便于用ELKElasticsearch, Logstash, Kibana或LokiGrafana进行日志聚合和查询。关键指标监控监控API的响应时间、错误率、大模型Token的消耗速度。为技能执行设置超时时间例如30秒避免一个卡住的技能阻塞整个系统。错误告警当技能连续失败、或模型服务不可用时应能触发告警通过邮件、飞书机器人等通知你。6.3 安全与权限技能权限沙箱不是所有技能都应该能被所有人触发。你需要建立一套简单的权限系统。例如在飞书群中只有管理员才能触发“服务器重启”技能。这可以在消息处理层通过识别用户ID来实现访问控制。敏感信息处理技能在执行时可能会接触到API密钥、数据库密码等。绝对不要将这些信息硬编码在技能文件中或打印到日志里。必须使用环境变量或安全的密钥管理服务如HashiCorp Vault来存储在运行时动态注入。输入验证与过滤对用户输入进行基本的清理和验证防止注入攻击。虽然大模型本身有一定抗攻击性但前置的过滤仍是好习惯。6.4 版本管理与持续集成当你的技能越来越多就需要像管理代码一样管理它们。使用Git将所有的技能代码、配置文件纳入Git仓库管理。技能热重载有些OpenClaw版本支持热重载技能文件。如果不支持你可能需要配置一个简单的流程将新技能文件推送到服务器特定目录然后发送一个HTTP信号通知OpenClaw重新加载技能或者直接重启后端服务如果使用了Docker可以滚动更新容器。测试为复杂的技能编写单元测试和集成测试确保逻辑正确。可以模拟API的返回测试技能在各种情况下的行为。走到这一步你的OpenClaw已经不再是一个简单的实验项目而是一个能够持续、稳定、安全地为团队创造价值的AI生产力工具。从解决一个具体的重复性任务开始逐步扩展它的技能库优化它的工作流你会发现那些曾经消耗你大量时间的“琐事”正在悄然无声地被自动化处理而你则可以更专注于那些真正需要创造力和判断力的工作。 OpenClaw AI办公自动化实战：从部署到技能开发与飞书集成
1. 从“手动重复”到“智能流转”为什么我们需要办公AI自动化助手如果你每天的工作有超过30%的时间是在重复一些固定的、有明确规则的“体力活”比如把邮件里的附件下载下来重命名再上传到某个网盘或者每天下午四点准时从三个不同的Excel表格里抓取数据手动粘贴到一个汇总表里然后发邮件给领导——那么你正在经历的就是典型的“办公场景自动化”需求。这些任务不复杂但琐碎、耗时且容易出错。过去我们可能会写个Python脚本或者用Excel宏来解决但这需要一定的编程基础维护起来也麻烦。现在情况变了。以OpenClaw为代表的新一代AI自动化助手正在把这件事的门槛降到几乎为零。它不再要求你是一个程序员你只需要用自然语言告诉它“我想做什么”它就能理解你的意图并调用各种工具比如浏览器、文件管理器、API接口去执行。这背后的核心是“智能体”Agent技术的平民化。一个智能体可以理解你的指令规划执行步骤操作软件并处理执行过程中的意外。OpenClaw就是这样一个开源的、可以部署在你本地电脑或服务器上的AI智能体框架。我最初接触OpenClaw是因为团队内部有一个每周都要做的数据周报。流程是登录内部系统导出CSV用Python脚本清洗生成图表插入PPT最后发到群里。每次都要花我近两个小时。当我用OpenClaw配置好这个流程后现在只需要在飞书群里它说一句“生成本周数据周报”剩下的它就全包了。从登录系统到PPT发出全程无人值守我只在最后检查一下结果。这种解放生产力的感觉是实实在在的。所以这篇内容不是一篇简单的安装教程而是一个从零开始手把手带你将OpenClaw打造成你专属办公助手的实战指南。我们会涵盖从环境部署、核心配置、技能编写到接入飞书/微信等日常办公工具以及处理那些官方文档里不会写的“坑”。无论你是技术背景的开发者还是只想提升效率的普通办公族都能在这里找到可落地的方案。2. 部署抉择Docker、裸机与Ollama模型服务搭建部署OpenClaw是第一步也是决定后续使用体验的基础。根据你的使用场景和技术偏好主要有三种路径Docker一键部署、Ubuntu裸机安装以及在Windows或Mac上的本地化部署。每种方式都有其最适合的场景和需要注意的细节。2.1 Docker部署最推荐的一键式方案对于绝大多数希望快速上手、避免环境冲突的用户Docker部署是最佳选择。它把OpenClaw及其所有依赖Python环境、Node.js等打包在一个独立的容器里与宿主机环境隔离做到了真正的“开箱即用”。核心操作与深度解析首先你需要确保宿主机上已经安装了Docker和Docker Compose。OpenClaw社区通常提供一个docker-compose.yml文件这是部署的核心。我们不仅要会运行更要理解这个文件在配置什么。一个典型的docker-compose.yml会包含两个主要服务一个是OpenClaw的后端API服务另一个是前端Web界面。最关键的是环境变量的配置尤其是OLLAMA_BASE_URL和DEFAULT_MODEL。version: 3.8 services: openclaw-backend: image: some-registry/openclaw:latest container_name: openclaw ports: - 3000:3000 # API端口 environment: - OLLAMA_BASE_URLhttp://host.docker.internal:11434 # 关键指向Ollama服务 - DEFAULT_MODELllama3.2:latest # 默认使用的模型 - OPENCLAW_LOG_LEVELINFO volumes: - ./data:/app/data # 持久化数据避免容器重启后技能丢失 restart: unless-stopped openclaw-frontend: image: some-registry/openclaw-ui:latest container_name: openclaw-ui ports: - 8080:80 # Web界面端口 depends_on: - openclaw-backend restart: unless-stopped这里有一个极易踩坑的点OLLAMA_BASE_URL。如果你在宿主机上运行了Ollama一个本地大模型运行框架在Docker容器内localhost指向的是容器自己而不是宿主机。因此你不能简单地写成http://localhost:11434。在Mac和Windows的Docker Desktop环境下可以使用特殊的域名host.docker.internal来指向宿主机。在Linux环境下可能需要使用宿主机的实际IP地址或者配置Docker网络为host模式。注意模型的选择DEFAULT_MODEL直接影响OpenClaw的理解和执行能力。初期建议使用较小的、推理速度快的模型如llama3.2:3b或qwen2.5:7b以便快速测试。等流程跑通后再换用能力更强的llama3.1:8b或qwen2.5:14b等模型。执行部署只需要一行命令docker-compose up -d。之后你就可以通过浏览器访问http://你的服务器IP:8080来打开OpenClaw的Web管理界面了。2.2 Ubuntu裸机部署追求极致性能与控制如果你是在云服务器如AWS EC2、腾讯云CVM上部署或者你的本地机器就是Ubuntu系统并且你希望对整个栈有完全的控制权那么裸机部署是更好的选择。这种方式性能损耗最小也方便直接调试。步骤详解与避坑指南系统准备首先更新系统包并安装必要的依赖如Python 3.9、pip、Node.js 16、Git等。一个常见的遗漏是libssl-dev和build-essential它们是一些Python原生依赖包编译时所必需的。sudo apt update sudo apt upgrade -y sudo apt install -y python3-pip python3-venv git curl wget build-essential libssl-dev克隆代码与创建虚拟环境使用虚拟环境可以完美隔离项目依赖避免污染系统Python环境。git clone https://github.com/openclaw/openclaw.git cd openclaw/backend python3 -m venv venv source venv/bin/activate安装Python依赖这一步最容易出问题。由于OpenClaw依赖一些较新的或特定的库直接pip install -r requirements.txt可能会失败。我的经验是先升级pip和setuptools到最新版然后尝试安装。如果遇到某个包编译失败特别是涉及加密或机器学习的包可能需要单独搜索该包的Ubuntu系统依赖。pip install --upgrade pip setuptools wheel # 如果requirements.txt中有torch可能需要根据CUDA版本从官网指定安装命令 # pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt配置环境变量裸机部署时环境变量通常通过一个.env文件来管理。你需要创建这个文件并填入关键配置如数据库连接、Ollama服务地址、API密钥等。cp .env.example .env nano .env在.env文件中确保OLLAMA_BASE_URLhttp://localhost:11434因为Ollama和OpenClaw在同一台机器上并设置好你的DEFAULT_MODEL。数据库初始化与启动OpenClaw通常使用SQLite开发环境或PostgreSQL。按照文档执行数据库迁移命令后即可启动后端服务。前端部分可能需要单独构建或使用预编译的静态文件。# 数据库迁移 alembic upgrade head # 启动后端服务 python main.py # 在另一个终端启动前端服务假设前端是单独的Node项目 cd ../frontend npm install npm run build npm start裸机部署的挑战在于环境问题的排查但好处是一旦搞定整个系统的状态一目了然后续的性能调优和深度定制也更容易。2.3 模型服务核心Ollama的配置与多模型管理无论采用哪种方式部署OpenClaw其“大脑”——大语言模型服务——通常由Ollama提供。Ollama使得在本地运行Llama、Qwen等开源模型变得非常简单。安装与基础模型拉取在Ubuntu上一行命令安装Ollamacurl -fsSL https://ollama.ai/install.sh | sh。安装后拉取你需要的模型例如ollama pull llama3.2:3b。这个命令会从Ollama的仓库下载模型文件。为OpenClaw配置多模型OpenClaw的强大之处在于可以按任务切换不同的模型。你可以在Ollama中拉取多个模型ollama pull llama3.2:3b # 轻量响应快适合简单任务 ollama pull qwen2.5:7b # 中文理解好综合能力强 ollama pull llama3.1:8b # 能力更强适合复杂规划然后在OpenClaw的Web界面或配置文件中你就可以指定某个技能Skill使用特定的模型。例如处理中文文档摘要的任务可以绑定到qwen2.5:7b模型上。Ollama服务无法连接的常见问题当你启动OpenClaw却看到类似“openclaw llamap svr operator(): got exception: { error: { code: 400...”的错误时十有八九是OpenClaw无法连接到Ollama服务。检查Ollama是否运行执行ollama serve确保服务在后台运行。可以用curl http://localhost:11434/api/tags测试接口是否通。检查网络配置在Docker部署中牢记使用host.docker.internal或宿主机IP。在防火墙或安全组中确保11434端口是开放的。检查模型是否存在错误码400有时也意味着请求的模型名在Ollama中不存在。用ollama list确认模型已成功拉取并且名称完全匹配包括tag。3. 技能Skill开发教会你的助手处理具体办公任务部署好的OpenClaw只是一个空壳它的能力来源于“技能”Skill。技能本质上是一段代码通常是Python它定义了一个具体的、可重复执行的任务流程并且暴露给OpenClaw的AI核心来调用。开发技能是打造专属助手的核心环节。3.1 技能的基本结构与生命周期一个最简单的技能文件例如fetch_weather.py看起来是这样的from openclaw.skill import BaseSkill, SkillMetadata from pydantic import BaseModel, Field # 定义技能的输入参数模型 class WeatherInput(BaseModel): city: str Field(description需要查询天气的城市名称例如北京) # 定义技能本身 class FetchWeatherSkill(BaseSkill): # 技能的元数据用于AI理解和界面展示 metadata SkillMetadata( nameget_weather, description获取指定城市的当前天气情况, input_modelWeatherInput, output_modelstr ) async def execute(self, input_data: WeatherInput) - str: 技能的执行逻辑 # 这里是具体的业务代码例如调用一个天气API # 模拟返回 weather_info f{input_data.city}的天气是晴25摄氏度。 return weather_info关键点解析BaseModel定义输入这使用了Pydantic库来严格定义技能的输入格式。AI在调用这个技能时会尝试从用户的自然语言中提取出city这个参数。清晰的description能帮助AI更准确地提取。SkillMetadata是技能的身份证name是技能的内部标识description是给AI和用户看的说明input_model和output_model定义了技能的接口。execute方法是核心所有的业务逻辑都在这里实现。它可以是调用一个HTTP API、读写本地文件、操作数据库甚至是模拟鼠标键盘通过其他库。技能的生命周期当你把写好的技能文件放到OpenClaw指定的技能目录如./skills/后OpenClaw会在启动时自动加载它。AI在理解用户指令后会从所有已加载的技能中选择最匹配的一个或多个来执行。3.2 实战编写一个“日报自动汇总”技能让我们来编写一个真实的办公技能每天下午自动从钉钉或飞书群假设有导出API或可通过网页抓取抓取每位成员的日报汇总成一份文档并发送给主管。步骤一定义技能输入输出这个技能可能不需要复杂的输入但我们可以设计一个输入来指定汇总哪一天的日报。from datetime import date from openclaw.skill import BaseSkill, SkillMetadata from pydantic import BaseModel, Field from typing import List, Dict class DailyReportInput(BaseModel): report_date: date Field(default_factorydate.today, description需要汇总的日报日期默认为今天) class DailyReportSkill(BaseSkill): metadata SkillMetadata( nameaggregate_daily_reports, description从协作平台抓取指定日期团队的日报并汇总生成一份摘要文档。, input_modelDailyReportInput, output_modelDict # 返回一个包含摘要和文件路径的字典 )步骤二实现复杂的执行逻辑execute方法里会包含多个步骤这正体现了AI智能体的“规划”能力——OpenClaw的AI核心会决定何时调用哪个子步骤。async def execute(self, input_data: DailyReportInput) - Dict: # 1. 模拟登录或使用Token访问协作平台API # 注意这里需要处理真实的认证可能是OAuth2或Cookie auth_token await self._get_auth_token() # 2. 获取指定日期的所有日报列表 reports await self._fetch_reports_from_platform(auth_token, input_data.report_date) # 3. 使用AI可以再次调用Ollama对日报内容进行摘要分析 # 这里展示了一个嵌套调用技能内部再调用大模型进行分析 summary await self._summarize_reports_with_ai(reports) # 4. 将摘要生成Word或Markdown文档 file_path await self._generate_summary_document(summary, input_data.report_date) # 5. 可选将文档上传到云存储或发送邮件 # await self._upload_to_cloud(file_path) return { message: f{input_data.report_date}的团队日报汇总完成。, summary: summary[:200] ..., # 返回前200字符预览 file_path: file_path } async def _summarize_reports_with_ai(self, reports: List[str]) - str: # 这里构造一个Prompt让大模型做摘要 prompt f请将以下团队成员的工作日报汇总成一段不超过300字的团队整体进展摘要\n\n \n---\n.join(reports) # 调用OpenClaw内置的LLM客户端使用指定的模型 llm_response await self.llm_client.chat_completion( modelqwen2.5:7b, # 指定用哪个模型做摘要 messages[{role: user, content: prompt}] ) return llm_response[choices][0][message][content]经验之谈在技能中调用大模型进行二次处理是非常强大的模式。比如你可以让AI先提取日报中的“风险项”再生成摘要或者让AI对日报内容进行情感分析判断团队士气。3.3 技能调试与真实环境对接调试技巧不要一开始就对接真实的飞书API。先写一个“模拟”版本用固定的测试数据返回确保技能的框架和OpenClaw的调用流程是通的。然后逐步替换成真实的API调用模块。处理真实API对接飞书、钉钉、企业微信等平台通常需要获取开发者权限在企业后台创建自建应用获取App ID和App Secret。管理访问令牌Token通常有过期时间如2小时技能里需要实现Token的自动获取与刷新逻辑。一个常见的坑是把Token硬编码在技能文件里更好的做法是将其作为配置项存放在OpenClaw的环境变量或加密的配置数据库中。处理API限流与错误平台API都有调用频率限制。你的技能必须包含重试机制和友好的错误处理例如当API返回“频率过高”时等待一段时间再重试而不是直接让整个技能失败。技能配置化一个健壮的技能应该尽可能将可变部分如API地址、Token、目标群聊ID配置化。OpenClaw通常支持为技能设置配置项这样你可以在Web界面上修改这些参数而无需改动代码。4. 记忆与会话管理解决“第二天就失忆”的问题一个常见的抱怨是“我的OpenClaw第二天就不知道昨天会话的内容了怎么处理” 这触及了AI智能体一个核心问题记忆Memory。默认情况下许多开源智能体框架包括OpenClaw的某些配置是“无状态”的每次对话都是独立的模型不会自动记住之前说过什么。4.1 记忆的层次与实现方案OpenClaw的记忆系统通常分为几个层次短期会话记忆在单次对话上下文中记住之前的问答。这通常由大模型本身的长上下文窗口来保证例如一个128K上下文的模型可以记住本次对话中相当多的历史记录。这部分是开箱即用的只要你没有刷新页面或开始新会话。长期记忆跨越不同会话、不同天数的记忆。例如你昨天告诉助手“我的项目代号是‘天蝎计划’”今天你问“那个项目进度如何”它需要能关联起来。这才是问题的关键。长期记忆的常见实现方式向量数据库存储这是最主流和有效的方法。将对话中的关键信息如用户提到的事实、偏好、任务结果转换成向量Embedding存储到向量数据库如Chroma、Qdrant、Weaviate中。当用户提出新问题时先将问题转换成向量然后在向量数据库中搜索最相关的历史记忆并将其作为上下文提供给大模型。OpenClaw的架构通常支持集成这类向量数据库。传统数据库摘要存储另一种更简单的方式是在每次长对话结束时让AI自动生成一份关于本次对话的“摘要”例如“用户讨论了X项目提到了截止日期是周五偏好使用蓝色主题”然后将这份纯文本摘要存储到SQLite或PostgreSQL中。下次对话开始时先加载这些历史摘要作为背景信息。4.2 在OpenClaw中配置与使用向量记忆假设你的OpenClaw部署使用了支持向量记忆的版本配置步骤可能如下安装并运行向量数据库以Chroma为例你可以用Docker快速启动一个。docker run -d -p 8000:8000 chromadb/chroma配置OpenClaw连接向量库在OpenClaw的配置文件.env或Web管理界面中添加向量数据库的连接信息。MEMORY_TYPEvector VECTOR_DB_URLhttp://localhost:8000 VECTOR_DB_TYPEchroma EMBEDDING_MODELtext-embedding-ada-002 # 或用本地模型如BGE理解记忆的写入与读取写入当用户与OpenClaw进行有信息量的对话时系统可以自动或根据规则将对话片段生成向量存入数据库。你也可以在技能中主动调用记忆存储API保存重要的任务结果。读取当用户发起新对话时OpenClaw会将用户的问题向量化并从向量库中检索出最相关的几条历史记忆自动拼接到本次对话的上下文System Prompt或历史消息中里再发给大模型。这样模型就能“想起”过去的事情。实操心得向量记忆不是万能的。它可能会检索到不相关的旧记忆噪声或者遗漏关键信息。为了提高记忆质量我通常会做两件事对记忆进行预处理在存储前让AI对要记忆的文本进行一步“提炼”只保存核心事实谁、什么时候、做了什么、结果如何而不是存储冗长的原始对话。设置记忆的“有效期”和“重要性”标签对于一些临时性信息如“我今天下午3点开会”可以设置24小时后自动过期。对于重要信息如“我的手机号是138xxxx”可以打上高优先级标签确保每次都能被检索到。4.3 处理记忆带来的新挑战启用长期记忆后你可能会遇到新问题隐私问题所有对话历史都可能被存储。你需要明确告知用户并有数据清理的机制。信息冲突如果用户说“我喜欢咖啡”但后来又说“我其实更喜欢茶”向量库中可能同时存在两条矛盾的记忆。高级的系统会引入“记忆更新”机制或者让AI在检索到矛盾信息时主动向用户确认。性能开销向量检索和Embedding生成需要计算资源。对于个人或小团队使用这个开销通常可以接受但如果用户量很大需要监控数据库性能。对于“第二天失忆”这个问题最根本的解决方案就是开启并正确配置长期记忆功能。这意味着你的OpenClaw助手将从一次性的问答工具升级为一个真正能积累知识、了解你习惯的长期伙伴。5. 深度集成将助手接入飞书、微信与日常工作流让助手运行在Web页面上只是第一步真正的效率提升在于让它融入你已有的工作流在飞书、微信、钉钉等你每天使用的工具里直接调用它。5.1 接入飞书机器人飞书提供了完善的机器人API可以让OpenClaw成为一个“群聊成员”。核心步骤在飞书开放平台创建应用获得App ID和App Secret。配置事件订阅与消息卡片为了让机器人能接收群聊消息你需要配置“事件订阅”的请求网址URL这个URL就是你的OpenClaw服务暴露给公网的一个API端点例如https://your-openclaw-server.com/feishu/webhook。你需要用工具如ngrok或通过云服务器的公网IP端口来暴露这个服务。在OpenClaw中实现飞书消息处理器你需要编写一个HTTP端点用于验证飞书服务器发来的验证请求并处理各类消息事件。当收到一条机器人的文本消息时这个处理器需要解析出纯文本指令。调用OpenClaw的核心AI引擎处理这个指令。将AI返回的结果格式化成飞书支持的消息卡片或文本再发送回群聊。技术细节与避坑签名验证飞书所有请求都带有签名你必须在服务器端验证此签名以确保请求来源合法这是安全的关键。异步处理与超时AI处理可能需要十几秒而飞书服务器请求有超时限制如5秒。因此你不能同步处理。正确的模式是收到消息后立即返回一个“接收成功”的响应然后在一个后台任务中异步调用AI处理完毕后再通过飞书的“发送消息”API将结果主动推送到群聊。OpenClaw的技能异步执行架构天然支持这种模式。消息安全确保你的Webhook端点URL不会被他人恶意调用。除了签名验证还可以在OpenClaw侧设置一个飞书App Secret的白名单。5.2 接入微信个人号或企业微信接入微信相对复杂因为个人微信没有官方机器人API。通常有两种方案使用企业微信流程和飞书类似通过企业微信开放平台创建应用配置接收消息的API。这是合规且稳定的方案。使用第三方库针对个人微信例如itchat或wechaty等库通过模拟网页微信登录来实现。但必须注意这种方式违反微信用户协议有封号风险且随着微信更新极易失效不推荐用于任何严肃或生产环境仅适合个人技术研究。如果选择企业微信方案其配置流程与飞书高度相似创建应用、配置接收消息的URL、验证Token、加解密消息、异步处理回复。OpenClaw的后端需要增加一个专门处理企业微信Webhook的路由。5.3 打造自动化工作流定时任务与事件触发除了被动响应消息OpenClaw更强大的能力是主动执行任务。定时任务Cron Jobs你可以配置一个技能让它每天上午9点自动运行。例如一个“晨会简报”技能每天9点自动从JIRA、GitLab抓取数据生成项目进度简报并发送到指定的飞书群。在部署上你可以使用Linux系统的crontab或者更优雅地使用OpenClaw内部可能支持的调度模块或集成Celery等分布式任务队列来管理这些定时任务。# 在crontab中配置每天上午9点执行 0 9 * * * curl -X POST http://localhost:3000/api/skill/trigger/daily_morning_report事件触发让技能由外部事件驱动。例如当GitLab有新的Merge Request时通过GitLab的Webhook通知你的OpenClaw服务器触发一个“代码审查提醒”技能该技能会分析MR的改动并相关的工程师。这需要OpenClaw提供一个通用的Webhook接收接口并能根据事件类型路由到不同的技能。将一切连接起来想象这样一个场景每天下午5点50分定时任务OpenClaw自动运行“日报提醒”技能在飞书群里每位成员。成员在群里直接回复日报内容飞书消息接入。OpenClaw收到后调用“日报解析与存储”技能处理。晚上6点30分另一个定时任务触发“日报汇总”技能将所有人的日报汇总、分析生成摘要文档并自动发送给主管邮箱通过邮件技能。这一切无需人工干预形成了一个完整的自动化工作流闭环。6. 进阶配置与生产环境考量当你的OpenClaw助手开始处理真实业务时就需要从“玩具”升级到“工具”考虑稳定性、性能和可维护性。6.1 性能优化与模型管理模型选型与分级不要所有任务都用最大的模型。根据任务复杂度分级调用轻量级模型3B-7B用于意图识别、简单分类、信息提取。响应快资源占用低。中型模型7B-14B用于多数规划、摘要、文案生成任务。是能力与速度的平衡点。大型模型70B仅用于最复杂的逻辑推理、代码生成或创意写作。可以通过OpenClaw的配置为不同技能绑定不同模型。推理加速使用vLLM、llama.cppGGUF格式等推理引擎来替代Ollama的原生推理可以大幅提升吞吐量降低延迟尤其是在同时处理多个请求时。GPU资源管理如果使用GPU需要监控显存使用。多个模型同时加载可能导致显存溢出。可以配置模型在闲置一段时间后自动卸载需要时再加载虽然会带来冷启动延迟。6.2 监控、日志与错误处理一个运行在生产环境的系统必须是可观测的。结构化日志确保OpenClaw和你的技能都输出结构化的日志JSON格式记录每个请求的ID、用户指令、调用的技能、耗时、结果状态以及任何错误信息。这样便于用ELKElasticsearch, Logstash, Kibana或LokiGrafana进行日志聚合和查询。关键指标监控监控API的响应时间、错误率、大模型Token的消耗速度。为技能执行设置超时时间例如30秒避免一个卡住的技能阻塞整个系统。错误告警当技能连续失败、或模型服务不可用时应能触发告警通过邮件、飞书机器人等通知你。6.3 安全与权限技能权限沙箱不是所有技能都应该能被所有人触发。你需要建立一套简单的权限系统。例如在飞书群中只有管理员才能触发“服务器重启”技能。这可以在消息处理层通过识别用户ID来实现访问控制。敏感信息处理技能在执行时可能会接触到API密钥、数据库密码等。绝对不要将这些信息硬编码在技能文件中或打印到日志里。必须使用环境变量或安全的密钥管理服务如HashiCorp Vault来存储在运行时动态注入。输入验证与过滤对用户输入进行基本的清理和验证防止注入攻击。虽然大模型本身有一定抗攻击性但前置的过滤仍是好习惯。6.4 版本管理与持续集成当你的技能越来越多就需要像管理代码一样管理它们。使用Git将所有的技能代码、配置文件纳入Git仓库管理。技能热重载有些OpenClaw版本支持热重载技能文件。如果不支持你可能需要配置一个简单的流程将新技能文件推送到服务器特定目录然后发送一个HTTP信号通知OpenClaw重新加载技能或者直接重启后端服务如果使用了Docker可以滚动更新容器。测试为复杂的技能编写单元测试和集成测试确保逻辑正确。可以模拟API的返回测试技能在各种情况下的行为。走到这一步你的OpenClaw已经不再是一个简单的实验项目而是一个能够持续、稳定、安全地为团队创造价值的AI生产力工具。从解决一个具体的重复性任务开始逐步扩展它的技能库优化它的工作流你会发现那些曾经消耗你大量时间的“琐事”正在悄然无声地被自动化处理而你则可以更专注于那些真正需要创造力和判断力的工作。