基于 OpenClaw 与 Claude 的自动化写作系统搭建实践
一、为什么搭建这套系统？
信息过载的困境
持续关注 AI 技术的人会有同样的感受：信息太多了。
每天打开 X、公众号、GitHub、技术社区，都会冒出大量新内容。AI 模型更新、工具更新、Agent 框架、自动化方案……想跟上这些信息，本身就已经是一项工作。
手动写作的低效循环
整理信息、找选题、写文章、配图、发布到各个平台，如果全部手动完成，写作就会变成一件非常消耗精力的事。
想持续输出，但写作本身占用了太多时间。
关键问题思考
如果写作这件事可以被"系统化"，会发生什么？
于是，不再把 AI 当成写作工具，而是开始搭一套完整的 AI 写作工作流。
二、思路转变：从优化写作到优化流程
大多数人的 AI 写作方式
大多数人使用 AI 写作是这样：
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 只帮你完成了 10%
而是：
- 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
如果这些步骤都靠手动完成，AI 只帮你完成了 10% 的工作。
解决方案
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"。
搭一套从信息输入 → 写作 → 发布能够自动运转的系统。
三、系统全貌：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：
![流程图]
整个流程已经基本打通。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。
下面简单分享这套系统是如何运转的。
核心工具清单：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)、Dajiala API (公众号监控)
四、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。
现在把这一步完全交给 AI。
指令示例
对 OpenClaw 说：
"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 做了什么
它自己安装了 bird CLI 工具（用浏览器 Token 抓取 X 数据），写了 fetch_github_direct.py（调用 GitHub API），写了 fetch_wechat.sh（接入第三方公众号 API），写了 fetch_aibot.py（爬取 AI 网站，还加了日期过滤）。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、技术更新，然后统一汇总。
![日报汇总]
这一步完成后，基本不再手动刷信息。所有内容会自动进入下一环节。
