10分钟,教你用OpenClaw+Chrome插件生成一份AI每日简报

大家好,我是岳哥。

最近在自己电脑上安装了OpenClaw(原名Clawdbot),越用越上瘾,中午吃饭的时候都还在用手机飞书给它下命令。

花了点时间让它帮我做了一个AI每日简报,可以看下效果。

这个是基于X和Brave Search搜索全网信息源生成的,我个人认为效果还是挺不错的,直接在飞书上就可以看到了。

下面给大家分享一下要如何实现这个功能。

安装OpenClaw和飞书插件

这个前面有详细介绍,包括飞书插件安装失败的解决办法,都有给大家分享,跟着教程操作都可以安装成功的。

具体链接如下:

Clawdbot/Moltbot安装教程,接入飞书本地搭建你的AI助理平台

教你如何解决OpenClaw安装飞书插件失败的问题

安装Chrome插件

这个是OpenClaw开发的一个Chrome插件,可以根据你的要求使用Chrome打开你要搜索的信息关键词的相关网页。

这个插件分为三个部分:

  • 浏览器控制服务(网关或节点):代理/工具调用的API(通过网关)
  • 本地中继服务器(环回CDP):控制服务器与扩展之间的桥接(默认设置)http://127.0.0.1:18792
  • Chrome MV3 扩展:通过连接激活标签页,并将 CDP 消息传入中继chrome.debugger
1、将插件安装到本地路径上

用管理员权限打开你的终端或PowerShell,输入如下命令:

openclaw browser extension install
2、打印已安装的插件路径

输入命令,可以查看插件具体安装在哪个地方:

openclaw browser extension path
3、打开Chrome的插件设置

打开Chrome浏览器,在浏览器里输入:

chrome://extensions

启用开发者模式,然后启用OpenClaw 的浏览器插件。

使用OpenClaw Browser Relay插件

安装OpenClaw插件成功后,我们会在Chrome的地址栏看到这个图标,将他点击一下,使它出现“ON”状态即可控制当前浏览器页面了。

后续我们想搜索对应的信息源,你只需要打开这个信息源的页面即可,记得等你的账号,这里它不会获取你的账号密码权限,只是模拟你的行为来操作网页。

生成AI每日简报

这里我是在网上找了一个比较简洁的每日简报模板,让Gemini帮我生成一个HTML网页形式,然后再利用OpenClaw来转成图片,具体步骤如下:

1、获取HTML代码

网上搜索一个简报图片(大家可以直接用我生成的图片也行),让Gemini生成一个对应的HTML网页:

2、将获取到的网页内容转成Skills

为了让OpenClaw每天定时发给我们,最好将这个简报打包成SKills。

直接给它提要求即可。

# 每日 AI 简报生成器 (HTML Style) ## 目标 (Goal) 生成一份结构清晰、内容简洁、且具有现代美感的每日 AI 行业简报 HTML 文件**。输出格式必须遵循指定的 HTML/CSS 样式,使用卡片式布局。 ## 约束条件 (Constraints) *   **数据来源优先级: 主要使用 OpenClaw Browser Relay 插件从当前浏览器会话获取实时信息。如果信息不足,次要使用 brave_search 工具。 *   搜索内容: 仅限人工智能 (AI) 相关主题:产品发布、行业新闻、热点事件、教程技巧等。 *   格式要求: 必须输出**完整且格式正确的 HTML 文档**,包含 <style> 标签或行内 CSS,严格按照以下结构组织内容。 *   简洁明了: 每条新闻或趋势应控制在 2-3 行的摘要,突出重点。 *   排除信息: 不要包含任何广告或不相关的非 AI 内容。 ## 步骤 (Steps) 1.  确定日期: 确定简报的生成日期。 2.  执行信息获取:     *   首选: 尝试使用 OpenClaw Browser Relay 工具从浏览器获取最新 AI 相关新闻、趋势和教程。     *   备选: 如果浏览器中继信息不足,使用 brave_search 工具执行补充搜索。 3.  筛选信息: 从获取的结果中筛选出最新、最重要且相关的 5-8 条信息。 4.  内容分类: 将筛选出的信息归类到 热门新闻, 热门趋势, `教程与技能分享`。 5.  格式化输出: 严格按照“期望输出格式”使用 HTML 和 CSS 进行排版。 ## 期望输出格式 (Expected Output Format) ```html <!DOCTYPE html> <html lang="zh-CN"> <head>     <meta charset="UTF-8">     <meta name="viewport" content="width=device-width, initial-scale=1.0">     <title>AI 每日简报 - 2026年02月03日</title>     <style>         body {             font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;             margin: 0;             padding: 20px;             background-color: #f4f7f9;             color: #333;             line-height: 1.6;         }         .container {             max-width: 800px;             margin: auto;             background: #fff;             padding: 30px;             border-radius: 8px;             box-shadow: 0 4px 8px rgba(0,0,0,0.1);         }         .header {             border-bottom: 2px solid #007bff;             padding-bottom: 10px;             margin-bottom: 20px;         }         .header h1 {             margin: 0;             color: #007bff;         }         .header .date {             display: block;             margin-top: 5px;             color: #6c757d;             font-size: 0.9em;         }         .section-title {             color: #333;             border-left: 4px solid #007bff;             padding-left: 10px;             margin-top: 30px;             margin-bottom: 15px;         }         .news-item {             background: #e9ecef;             padding: 15px;             border-radius: 5px;             margin-bottom: 10px;         }         .news-item strong {             color: #0056b3;             display: block;             margin-bottom: 5px;         }         .footer {             margin-top: 40px;             border-top: 1px solid #ddd;             padding-top: 15px;             font-size: 0.8em;             color: #999;             text-align: right;         }     </style> </head> <body>     <div>         <div>             <h1>AI 每日简报</h1>             <span>02月03日 周二 | 生成时间: 2026年02月03日 14:24</span>         </div>         <h2>热门新闻</h2>         <div>             <strong>SpaceX收购xAI</strong>             <span>2月2日, SpaceX正式收购xAI, 计划将Colossus超算扩展至至少100万GPU。</span>         </div>         <div>             <strong>OpenAI冲刺IPO</strong>             <span>OpenAI据报道正在加速筹备第四季度IPO, 已与华尔街银行进行非正式会谈。</span>         </div>         <!-- 更多新闻项目... -->         <h2>热门趋势</h2>         <div>             <strong>AI IPO热潮</strong>             <span>OpenAI和Anthropic竞相筹备公开募股, 投资者对AI热潮信心高涨。</span>         </div>         <!-- 更多趋势项目... -->         <h2>教程与技能分享</h2>         <div>             <strong>Lex Fridman 2026 AI状态播客</strong>             <span>深度讨论LLM、扩展定律、中国AI发展、智能体和AGI未来。</span>         </div>         <!-- 更多教程项目... -->                  <div>             来源: OpenClaw Browser Relay / X/Twitter + Brave Search         </div>     </div> </body> </html> 按上述要求帮我生成一个AI每日简报的Skills,以图片的形式呈现,热点新闻6条,热点趋势6条,教程和技能4条。
3、安装HTML转图片插件

这个过程中OpenClaw会提示你需要安装一个HTML转图片插件,我们安装即可。

在终端输入如下两行命令

pip install playwright
playwright install chromium

安装好这个插件跟OpenClaw说安装好了,它就接着干活了。

过程还是很简单的,这样一份简报就完成了。

今天的内容就分享到这里,大家有不懂的可以给我留言。

我创建了几个AI交流群,大家可以在群里交流各种AI工具的使用,欢迎大家进群交流。 公众号后台私信:AI群,我邀请你进群 群里禁止发广告和违规违法言论,违者移出群聊。

Read more

LLaMA-Factory安装教程(详细版)

LLaMA-Factory安装教程(详细版)

本机显卡双3090 使用wsl中ubuntu torch==2.6.0 conda==24.5.0 cuda==12.4 python==3.12.4(python安装不做赘述,有需要我会另开一篇文章) 一、准备工作 首先,在 https://developer.nvidia.com/cuda-gpus 查看您的 GPU 是否支持CUDA。 保证当前 Linux 版本支持CUDA. 在命令行中输入  uname -m && cat /etc/*release 输出如下,不一定完全一样,类似即可 检查是否安装了 gcc . 在命令行中输入 gcc --version

从零到一:无人机航测新手如何用ContextCapture与Pix4D打造完美正射影像

从零到一:无人机航测新手如何用ContextCapture与Pix4D打造完美正射影像 第一次接触无人机航测时,我被那些专业术语和复杂流程搞得晕头转向。直到实际参与了一个小型测绘项目,才真正理解正射影像的价值——它不仅是简单的航拍照片拼接,更是具备精确地理坐标、可测量距离和面积的专业测绘成果。本文将带你避开我踩过的坑,从软件安装到成果输出,手把手教你用ContextCapture和Pix4D这两个行业标杆工具制作高质量正射影像。 1. 航测前的关键准备 在打开软件之前,有三大基础工作直接影响最终成果质量。去年参与某园区测绘时,就曾因忽略这些准备导致整个项目返工。 硬件配置建议: * 处理器:Intel i7/i9或AMD Ryzen 7/9系列(多核性能至关重要) * 内存:32GB起步,大规模项目建议64GB * 显卡:NVIDIA RTX 3060及以上(显存≥8GB) * 存储:NVMe SSD+机械硬盘组合(建议预留500GB以上空间) 飞行规划中常被忽视的细节: # 航高计算示例(地面分辨率GSD=5cm时) def calculate_flight_

UNet上色模型可解释性:cv_unet_image-colorization Grad-CAM热力图分析

UNet上色模型可解释性:cv_unet_image-colorization Grad-CAM热力图分析 1. 项目背景与技术原理 cv_unet_image-colorization 是一个基于UNet架构的深度学习模型,专门用于黑白图像上色任务。该模型通过学习海量的彩色-黑白图像配对数据,掌握了将灰度信息映射到色彩空间的复杂映射关系。 UNet模型采用编码器-解码器结构,编码器负责提取图像的层次化特征,而解码器则通过上采样和跳跃连接逐步恢复空间细节并生成色彩信息。这种架构特别适合图像到图像的转换任务,能够同时保持全局语义一致性和局部细节准确性。 Grad-CAM(Gradient-weighted Class Activation Mapping)是一种可视化技术,可以帮助我们理解模型的决策过程。通过分析模型在生成特定颜色时关注图像中的哪些区域,我们可以更好地理解模型的上色逻辑和决策依据。 2. Grad-CAM原理简介 2.1 基本概念 Grad-CAM通过计算目标类别(在图像上色任务中,可以理解为特定颜色通道)对最终卷积层特征图的梯度,来生成热力图。这些热力