OpenClaw🦞
最初只是偶然刷到一些博主在夸 OpenClaw 的功能，包括自动写文案、读邮件甚至是自动剪视频，看完其实内心毫无波澜，大概又是某个AI工具的营销宣传。
后面知道可以部署在云服务器上，刚好手上有一个服务器于是尝试了一下，才发现这玩意的潜力真的很大，可以做的事情往往是被想象力限制了。
下面是我自己探索出还不错的用处：
1.智能助手
因为 OpenClaw 有自带的 Cron 定时机制，所以可以完成很多提醒任务或者定时任务。
我让 OC 每天早上推送新闻、天气这个对他来说是基本操作，调用 Brave API 就可以获取到最新的内容。
在我发现他能接入 Notion 之后，我就让他把自己每天做的事情写下来，相当于写一个“龙虾日记”。现在回看，你会发现“龙虾员工”还是做了很多事情。
另外定时功能对于学生党来说也比较有用：给他发一些学习的内容，或者让OC教你英语表达、单词等等，设定好定时的复习时间。这样你就会获得一个特别智能的复习陪读龙虾。
2.播客笔记
听一些有干货的播客时，一直困扰我：我一般是在通勤的路上听，并不能马上掏出手机把想法记录下来，需要空的时候手动去回顾。
我就想到一个思路：把播客转成文字稿，再把文字稿总结或者保存到笔记里。如果按照传统方式来实现，链路还是比较长的，得自己写 Python 爬虫代码，再想办法把语音转成文字，最后再总结保存，是一个比较麻烦的过程。
但是当我把这个链路用自然语言的形式给 OC 描述清楚之后，它就完全全自动地帮我把我提供的小宇宙链接，直接变成一个文字笔记保存到我的 Notion 里了。这样事后想要查看这些播客内容，也会比较方便。
3.Flomo自动打标签
用了三年的灵感笔记 Flomo，一直有个痛点：每次快速记录完想法，我得花不少时间去打标签、做归类。很多时候往往一囤就是一百多条没有打标签的内容，这个过程让我觉得非常耗费精力。
在看到一个叫 flomo-cli 的项目之后，我发现可以让 Agent 通过接口获取到 Flomo 的内容。进而想到OC可以帮我的笔记内容进行自动的打标签和分类。
我先把各个分类的定义用自然语言描述清楚，例如“灵思”分类是记录我平时一些细碎的想法和灵感。然后我让 OC把各个分类的描述和 flomo-cli 这个 Skill 结合到一起，写出了一个新 Skill。将其设置成了一个定时任务，OC就会在每天晚上的预定时间，自动获取当天的或历史的笔记内容，并进行打标分类。分类的过程会把笔记内容和标签分类投喂给LLM，他基于我的标准来进行分类。
经过简单的评估，这个方式节约了我大量的时间。分类的准确率基本在 90% 以上，完全符合标准。这样做还有一个好处，它能获取我的笔记内容，我就可以让它针对某一个分类标签进行提取。比如提取我最近在“灵感”或“困扰”下的内容，形成一份洞察分析报告。通过这种形式，发现了自己很多思维上或者个人感受上的盲区，有种OC突然开悟懂你的感觉。
Codex & Claude Code
我一直是 Cursor 这类编程工具的拥趸，因为它能力不错，并且定义了一种**“AI 写代码、人类 review”**的模式。但是 Codex 和 Claude Code问世后，就彻底颠覆了这个模式，或者说把 Vibe Coding 这种新的编程范式推向了大众。从模型来说，G家和C家的模型能力都大大增强，有了更长的上下文分析能力。并且在训练阶段，针对 Agent 的工具有了专门的输入训练。这些都让这两个工具变得特别好用。
现在只需要和 Agent 说清楚自己的需求就可以了。在不主动要求的情况下，甚至无需 review 代码，功能验证跑通之后，直接提交并进入下一步开发。我只需要给出一个清晰的产品需求说明（PRD），它们就能很好地完成任务。举两个例子：
1. 思维导图软件
我觉得市面上的一些思维导图软件用起来不够丝滑，好用的又要收费，所以干脆想自己做一个，顺便测试下编程工具的能力。我给了一份需求明确的 PRD，没想到几分钟时间，几千行代码就写好了。而且一次性编译通过，打开就是一个完全符合我需求的思维导图软件，用起来非常丝滑。我只需要继续针对细节功能进行查漏补缺和优化，它完全就是一个可用的状态。
2. 公众号排版工具
解决了自己多年的痛点——公众号排版。我的公众号一直想保持固定的版式，如果用秀米的话，每一句话、每一段都要手动排版，非常麻烦。
我想到了用 HTML 的形式，把首标题、大标题、小标题、图片等格式全部固定下来，以后发布都套用这个模板。把需求描述清楚后交给Codex，经过半小时左右的调试，这个工具就完全达到了可用状态。现在的这篇文章，就是用这个排版工具调出来的。它保持了非常好的一致性，极大地提高了排版效率。
Typeless
虽然自己已经用了很多 AI 产品，但用到 Typeless 的时候还是让我觉得很惊艳。
Typeless 是一款语音输入 App。其实之前我对语音输入的印象还停留在苹果自带的转文字功能上，十个字里会错两三个，并不能精准地 get 到我的意思。但自从用了 Typeless ，就根本离不开了。
1. 极高的识别率
一些专业名词或者是中英文混杂，它都可以区分得特别清楚。还可以在设置里更改自己的词库和偏好，以后再说起特定词汇时，都会以想要的方式来展示。
2. Whisper 模式
可以轻声地对着麦克风说话。这解决了很多以前语音输入使用率不高的问题。在传统的语音输入场景，通常需要一个安静的环境，特别是在公共场合大声说话难免会有一种不适感。但用 Typeless，你可以小声地和它说“悄悄话”，它完全能精准识别，这一点做得特别惊艳。
3. 文本分段与逻辑处理
当想法比较多、嘴巴跟不上的时候，难免会出现一些语气停顿或者语序错乱的问题。但在最终的识别结果里，它都会帮你整理成一版完全可用、很有条理的文本内容。
当然，现在的同类竞品非常多，因为这类 App 的建立门槛不算特别高，很多家的语音识别模型做得也还可以。但我个人觉得 Typeless 对于提示词还有很多细节的优化都是花了功夫的，暂时还无可替代。另外 Typeless 和 Vibe Coding 特别搭配。它能把你说的需求梳理得更具结构化，对于提交给 AI 的Prompt或者自己浏览，都是直观有逻辑。
题外话
OpenClaw能做什么？
在研究 OpenClaw 的过程中，其实问自己最多的，或者说在 Reddit、小红书等平台上看到最多的问题，就是 OpenClaw 到底能干嘛？所谓的疑问，其实是来源于能否直接创造价值、面对具体生产力的场景。但如果作为个人助手和提高效率的工具，它确实还是挺有帮助的。
我偶然间刷到过一个定义，我觉得是对它最贴切的形容：把它当做一个实习生，不要期望他去赚很多钱，或者完成特别大的项目。他能够勤勤恳恳、不知疲倦地帮你完成一些繁琐细碎的小事，这就足够了。
模型能力
上面讲到的这些 AI 工具，其实最核心的还是模型能力。这一点在 OpenClaw 上体现得非常明显，因为我把它接入过 Opus 4.6、GLM 4.7，Qwen-3.5 Plus 和 Kimi K2.5。每个模型给我的感受特别不一样。最聪明的 Opus 响应速度非常快，可以百分之百完成你安排下去的任务，像是有自己的灵智。对于其他一些弱一点的模型来说，有的时候响应时间会非常慢。因为它在中途遇到了错误，需要不断进行回退推理，下一步的操作结果又错了，再重新推理，就非常耗时，也比较耗 token。所以我希望自己有能力还是给OC吃一些好的token😭。
Vibe Coding
Vibe Coding会让人有一种上瘾的感觉，特别是用了一个好模型，它能够听懂你的需求并且把需求落地，项目运行起来的时候是真的很爽。我发现它的本质其实有点类似于“抽卡机制”。因为模型并不会给你完全不出错地完成任务，但它又能够完成大部分的要求，那么在不断的对话和提需求的过程中，你就会希望它做得越来越好，也希望下一次编译的时候能得到你想要的结果。并且形成了刺激多巴胺的正向循环：提出预期 ->实现需求->需求达成->提出新的需求并再次处理。Vibe Coding 根本停不下来。
工具个性化
今年真的让很多人接触到了 AI 的编程能力，属于小白开箱即用，甚至可以自己做一个 App 。所以在未来，很多大而全的应用可能会流失掉一部分用户。就拿工具类 App 来说，很多用户完全可以通过AI的辅助写一个小 App 来实现自己的需求（哪怕是待办清单、日历或习惯记录等等）。每个用户的需求一定是非常个人化的东西。当使用一个 App 的时候，用户总会有很多怨言，或者希望开发者改进的地方。但是现在这种能力已经提供给了大众，也就是说，用户完全可以把自己的需求提供给 AI 来实现。以此来实现一个高度的定制化需求工具，所以在未来很多的工具一定会走向个性化的趋势。
AI代替工作
现在 Agent 在个人领域是能提高一些效率，但是落地在企业端应用，并没有那么高的替代性。本质上，LLM 是一个语言概率模型，并不能保证它每次产出的内容一定是可靠的。只要它有概率出错，那么在生产环境中，经过的链路越多，出错的概率就会被一直放大，最后出现生产事故。
目前 AI 还是不太能替代人去沟通交流，或者说了解清楚一个项目的上下文，以及对接各方的沟通、博弈。目前 AI 仍有进化的潜力，生成的内容，也需要人去 review ，并不能给它完全的信任。所以加入 AI 的流程还是得具体问题分析，可能并不是每个业务线都适合加入 AI。
每过几个月就有新的东西涌现，MCP、 Skill ……，AI的能力在不断加强，要学习的东西还挺多的，技术也在持续的发展，面对新鲜事物出现，不如抱着试试的心态，也许下一个增长点就在身边爆发。