这篇讲一件事：

我在 Mac mini 上跑了一个叫 OpenClaw 的开源 AI Agent 框架，让它帮我在知乎做内容。

30天，从零开始，最终7天累计5万阅读。

不是一篇爆文撑起来的。

是一套系统跑出来的。

OpenClaw 是什么

先说清楚这个东西。

OpenClaw 是一个开源的 AI Agent 运行时。你可以把它理解成：

一个 7×24 小时在线的 AI 助手，住在你自己的机器上，能操作你的工具、读你的文件、帮你执行任务。

它不是一个聊天窗口。

它能连飞书、连浏览器、跑定时任务、管理多个 AI 实例、读写你的代码仓库。

我在一台 Mac mini（M 芯片，32G 内存）上同时跑了三个 OpenClaw 实例：

  • 小虾：主力，负责内容生产、数据分析、策略调整
  • Ada：辅助，跑代码任务和项目维护
  • 小吉：独立实例，跑定时任务和自动化流程

三个实例各有分工，通过飞书跟我沟通。

第一阶段：让 OpenClaw 帮我”稳定产出”

刚开始做知乎，我最大的问题不是写不好。

是节奏不稳。

有感觉的时候连发三篇，没感觉就停好几天。

这种打法在任何内容平台都是慢性自杀。

我做的第一件事，是让 OpenClaw 把生产流程固定下来。

具体怎么做的：

  1. 我在 OpenClaw 里建了一个叫 ZhiForge 的 skill（技能模块），专门负责知乎内容生产
  2. 配了定时任务（cron），每天固定时间触发
  3. ZhiForge 会自动从我的博客知识库里找素材，匹配知乎热门问题，生成回答草稿
  4. 草稿生成后通过飞书推给我审核

从”我想写就写”变成”系统每天推给我，我审核发布”。

这一步解决了节奏问题。

第二阶段：知识飞轮开始转

稳定产出之后，我发现一个有意思的事：

内容开始互相喂养。

博客沉淀的技术文章，被 OpenClaw 拆解成知乎回答的素材。

知乎回答里的评论和问题，又回流成下一轮选题。

高互动的主题，被标记出来，反哺到我正在做的两门在线课程。

这个循环不是我设计出来的。

是 OpenClaw 的 skill 串联天然形成的。

我后来把这套流程叫”知识飞轮”：

flowchart LR
    A[博客素材] --> B[知乎回答]
    B --> C[评论反馈]
    C --> D[下轮选题]
    D --> E[课程迭代]
    E --> A

飞轮一旦转起来，每一环都在给下一环提供燃料。

第三阶段：膨胀，然后翻车

飞轮起势之后，人很容易飘。

我也飘了。

技术内容跑顺了，我就让 OpenClaw 去写盐选故事。

盐选是知乎的付费故事频道，流量大，变现快。

问题是：我不懂故事写作。

让 AI 写故事很容易。让 AI 写出能过盐选审核的故事，完全是另一回事。

我投了 7 篇盐选签约，一篇都没中。

中间有几篇故事在知乎阅读量还不错。

但那是运气。

我判断”运气”的标准很简单：

  1. 说不清它为什么行
  2. 复制不出第二篇同级别
  3. 调整策略只能猜

三条全中，就是运气。

第四阶段：用 OpenClaw 做数据复盘，把自己拉回来

这一步是真正的转折。

我让 OpenClaw 每天晚上 9 点自动跑一次”盐选每日复盘”。

它会做这些事：

  1. 抓取知乎创作者后台数据（阅读、赞同、收藏、分享、评论）
  2. 按内容类型分组对比（技术 vs 故事 vs 混合）
  3. 标记”高收藏低阅读”和”高阅读低收藏”的异常项
  4. 生成策略建议，推到飞书

连续跑了两周，结论非常清楚：

  • 技术实战类内容：收藏率高、分享稳定、复现性强
  • 故事情绪类内容：偶发冲高、波动大、复现差

数据不会跟你客气。

它直接告诉你：回到你有底子的地方。

第五阶段：三次策略收敛

基于复盘数据，我在 OpenClaw 里调了三个参数：

收敛1：问题匹配优先

我让 OpenClaw 在生成内容之前，先扫描问题池。

不是写完再找地方发。

是先找到匹配的问题，再决定写什么、怎么写。

这一步直接改变了命中率。

同样的内容，投对问题和投错问题，数据能差一个量级。

收敛2：回答优先于文章

OpenClaw 的数据对比显示：在当前阶段，回答端分发效率是文章端的 3-5 倍。

所以我把主产能切到回答，文章只做长期沉淀。

收敛3：每轮只改少量变量

我在 OpenClaw 的复盘模板里加了一条硬规则：

每轮迭代只允许改 1-2 个变量。

改多了你根本不知道哪个动作有效。

结果：系统开始自驱

最近 7 天后台数据：

  • 阅读：53,126（单日峰值 +25,976）
  • 赞同：587（单日 +211）
  • 收藏：492（单日 +306）
  • 分享：123（单日 +77）

收藏增速超过赞同增速。

这意味着内容不只是”被看”，而是”被存”。

被存的内容有复利。

OpenClaw 在这套系统里到底干了什么

列一下具体清单：

flowchart TB
    subgraph 小虾[小虾 - 主力实例]
        S1[ZhiForge 选题] --> S2[生成草稿]
        S2 --> S3[去AI检查]
        S3 --> S4[浏览器自动发布]
    end
    subgraph Ada[Ada - 辅助实例]
        A1[代码任务]
        A2[项目维护]
    end
    subgraph 小吉[小吉 - 定时任务]
        J1[每日复盘 cron]
        J2[数据抓取]
        J3[策略建议 → 飞书]
    end
    J2 --> J1
    J1 --> J3
    J3 -.->|纠偏| S1
环节 OpenClaw 做的事
选题 扫描知乎问题池，匹配博客知识库，推荐选题
写作 基于素材生成草稿，执行严格去 AI 检查
发布 定时任务自动触发，通过浏览器自动化发布
复盘 每日抓取数据，分组对比，生成策略建议
纠偏 标记异常数据，推送调整建议到飞书
多实例 三个实例分工：内容/代码/定时任务

关键点：

OpenClaw 不是替我写内容。

它是替我把”内容生产”变成了一个可观测、可调参、可纠偏的工程系统。

这套方法的核心：从运气系统切回能力系统

我现在把这套打法总结成五条：

  1. 只在有底层积累的赛道放大（我的底子是技术，不是写小说）
  2. AI 负责提速和结构化，不负责替代底层能力
  3. 用连续样本做决策，不用单篇情绪做判断
  4. 每轮只改少量变量，确保结果可归因
  5. 追求可复现，不追求偶然爆发

一句话：

爆款不是目标。能复现爆款的系统才是。

给想试 OpenClaw 的人

OpenClaw 是开源的，GitHub 上就有。

但我要说清楚：工具本身不产生结果。

产生结果的是：

  • 你有没有可被放大的底层资产
  • 你有没有稳定的反馈机制
  • 你愿不愿意被数据纠正

如果这三条你都有，OpenClaw 能帮你把效率拉高一个量级。

如果没有，换什么工具都一样。

这是我这 30 天最大的收获：

敬畏系统，不是保守。是拒绝在运气里自我欺骗。

当你愿意从”我觉得行”回到”数据告诉我行不行”，

增长才会从偶然，变成你能交付的东西。