基于 OpenClaw 与 Claude 的自动化写作工作流搭建
在信息爆炸的时代，持续输出高质量内容往往面临巨大挑战。我近期重点投入的方向是构建一套自动化的 AI 写作系统，从信息获取到最终发布，尽可能减少手动干预。
为什么需要这套系统？
信息过载的困境
持续关注 AI 领域的朋友应该深有体会：每天打开 X、公众号、GitHub 或技术社区，新内容层出不穷。模型更新、工具迭代、Agent 框架、自动化方案……跟上这些信息本身就已经是一项全职工作。
手动写作的低效循环
更不用说后续的整理、选题、撰写、配图和发布。如果全流程手动完成，写作会迅速变成消耗精力的负担。我也曾陷入这种状态：想持续输出，但写作占用了太多时间。
后来我开始思考：如果写作这件事可以被"系统化"，会发生什么？我不再把 AI 仅仅当作写作工具，而是开始搭建一套完整的 AI 写作工作流。
思路转变：从优化写作到优化流程
大多数人的 AI 写作方式是这样的：
打开 AI → 输入一个 prompt → 生成一段文字
这确实能提高效率，但很快会发现：写作真正耗时的，并不是写那一段文字。
AI 可能只帮你完成了 10% 的工作。剩下的步骤——去哪里获取信息、如何整理素材、如何形成选题、如何组织结构、如何配图、如何发布到不同平台——如果都靠手动完成，效率依然有限。
所以我决定换一个思路：不再优化"写一篇文章"，而是优化"整个写作流程"。我想搭一套从信息输入 → 写作 → 发布，能够自动运转的系统。
系统全貌：我的完整 AI 写作工作流
经过一段时间的搭建，现在的写作流程大致如下：
整个流程已经基本打通。现在我每天不再手动整理信息，也很少从 0 开始写一篇文章，更像是在一个已经准备好的系统中完成创作。
核心涉及的工具包括：OpenClaw (AI Agent 自动化中枢)、Obsidian (知识库)、Telegram (消息推送)、bird CLI (Twitter 数据)、GitHub API (开源动态) 以及 Dajiala API (公众号监控)。
核心环节拆解：五步实现自动化
第一步：让 AI 自动获取信息
写作的第一步，一直是最耗时间的：找信息。
以前我需要刷 X、看 GitHub 趋势、看 AI 新闻、收藏素材。这些操作每天重复，且非常碎片化。现在我把这一步完全交给 AI。
我对 OpenClaw 下达指令：
"我想每天自动获取这些信息：Twitter/X 上的 AI 热点讨论、GitHub 的今日热榜（24 小时内高星项目）、微信公众号（新智元、机器之心、量子位）的最新文章、AI 垂直网站（ai-bot.cn）的今日更新"
OpenClaw 会自动执行以下任务：
- 安装
birdCLI 工具（用浏览器 Token 抓取 X 数据） - 运行
fetch_github_direct.py（调用 GitHub API） - 运行
fetch_wechat.sh（接入第三方公众号 API） - 运行
fetch_aibot.py（爬取 AI 网站，并加日期过滤）
我全程没写一行代码。现在系统每天会自动收集 AI 行业动态、热点讨论、GitHub 趋势和技术更新，然后统一汇总。
这一步完成后，我基本不再手动刷信息，所有内容会自动进入下一环节。
