使用Kimi Claw构建有日程安排、技能和多步骤自动化功能工作流程

Kimi Claw 是Moonshot AI尝试将对话模型转化为运行于云端的持久化个人 AI 代理的项目。Kimi Claw 不仅能够响应孤立的提示，还能维护长期上下文信息、执行定时任务、从 ClawHub 安装特定任务技能、在专用工作区生成文件，以及连接到 Telegram 等外部渠道。

Kimi Claw 的独特之处在于它专注于持续的工作流程，而非一次性交互。你可以让它每日监控某个领域、利用可复用技能分析数据集、开展多步骤研究，或自动执行重复性任务，所有操作均可通过自然语言完成，无需管理基础设施、API 或自动化工具。

Kimi Claw是什么？

Kimi Claw 是 Kimi 内置的云端个人 AI 代理。它并非像无状态聊天机器人那样运行，而是持续运行，具备以下功能：

• 长期记忆

• 自定义角色和行为

• 计划任务

• ClawHub技能安装

• 文件工作区

• 外部渠道整合

Kimi Claw 的底层运行基于托管云工作空间中的 Kimi K2.5 思维模型。这种经过推理优化的模型专为多步骤规划、工具使用和结构化决策而设计，使 Kimi Claw 能够更可靠地处理研究、日程安排和技能执行等工作流程。

所有执行都在 Kimi 的基础设施中进行，这意味着：

• 无需本地安装

• 无需 API 密钥或环境设置

• 没有服务器或自动化配置

实际上，Kimi Claw 的行为就像一个轻量级的代理运行时，其中自然语言指令可以创建持久的工作流，例如每日研究摘要、数据集分析管道或长时间运行的监控任务。

注意：Kimi Claw 目前仅限 Allegretto 及以上套餐用户使用。

Kimi Claw入门指南

在探索示例之前，让我们先来设置您的个人 Kimi Claw 工作区。整个过程非常快捷，无需任何技术配置，因为所有功能都在云端运行，一分钟内即可完成设置。

• 注册或登录您的Kimi帐户

• 从左侧边栏打开Kimi Claw

• 点击创建 Kimi Claw （或链接现有的 OpenClaw）

• 等待约 30-60 秒，工作区即可初始化

准备就绪后，您将看到一个连接到您的个人代理环境的持久聊天界面。

Kimi Claw：实例与观察

分享我在各种真实场景中测试 Kimi Claw 的实际经验。

示例 1：实时信息助手

在这个例子中，我通过向 Kimi Claw 发送需要从网络上获取实时信息的提示，测试了它的行为是否像一个实时信息助手或一个静态聊天机器人。 

收到提示后，它自动执行实时网络搜索，检索了最新的市场数据，并返回了以印度卢比计价的黄金价格以及当前日期，表明该响应基于最新信息。

查找过程在几秒钟内完成，输出结果包含上下文信息而不仅仅是一个数值，这对于快速决策非常有用。另一个重要的发现是，这种交互方式保持了无状态性和轻量级，其行为更像是一个标准的网页助手，而不会引入任何额外的代理开销。

总的来说，Kimi Claw 在实时信息检索方面表现可靠，但它的真正优势在自动化工作流程中比在简单的实时查询中更加明显。

示例 2：设置计划任务

在这个例子中，我让 Kimi Claw 执行一项包含网页搜索和摘要生成的定时任务。Kimi Claw 将该指令解读为一个循环工作流，并自动创建了一个类似 cron 的定时任务，该任务每天运行。

该代理程序会在网络上搜索LLM和多模态AI领域的新论文、模型发布和工具，然后每天早上提供一份包含五项关键更新的简明摘要。如屏幕截图所示，Kimi Claw仅需一条自然语言提示，即可自动创建了一个类似cron的定时任务，每天上午9:00运行。实际上，这就像将一条简单的聊天指令变成了一个持续的后台任务。

• 另一个值得注意的方面是任务管理

我测试过添加第二个类似的摘要，后来又删除了这两个摘要。因此，创建、更新和删除这些计划任务就像发出后续聊天命令一样简单，这使得持续的自动化管理变得轻量级且对话式。

配置完成后，这些任务将独立于聊天会话运行，有效地将 Kimi Claw 转变为特定信息领域的持续监控系统。然而，目前的局限在于运行可见性。

虽然类似 cron 的执行机制运行可靠，但对执行日志、交付历史记录或故障处理的可见性有限，用户对任务生命周期的监控和控制能力也十分有限。

总的来说，这个例子展示了 Kimi Claw 最实用的功能之一，即，将一个简单的提示符转换为一个持久的 cron 作业，该作业可以持续收集和汇总信息，而设置却非常简单。

示例 3：Clawhub 技能库

在这个例子中，Kimi Claw 展示了它通过ClawHub 技能库扩展功能的能力，将智能体变成了一个特定任务的分析工具，而不是仅仅依赖于一般推理。

收到提示后，系统自动搜索 ClawHub，选择合适的 CSV 分析技能，并启动结构化工作流程。系统并未立即运行分析，而是先询问了一些关于数据集目标和背景的针对性问题。 

这种循序渐进的吸收过程很重要，因为它表明该技能遵循定义的执行流程，而不是生成通用的 EDA 摘要。

输入数据明确后，该技能可以执行端到端的分析，包括数据概览、质量检查、关键洞察和图表生成。

但是，主要限制出现在输出处理方面。 虽然生成了图表，但它们并未在聊天界面中直接显示。系统返回的是一个文件路径： /root/.openclaw/workspace/ev_brand_analysis.png。

此路径指向内部云工作区，无法通过浏览器直接访问。因此，可视化内容既无法预览，也无法轻松下载。

总体而言，这项技能的执行本身可靠且面向工作流程，因此适用于数据集分析等结构化任务。然而，工件可见性和文件访问权限仍然有限，这降低了其在生成可下载输出的工作流程中的可用性。

例 4：多步骤研究任务

在这个例子中，我尝试让 Kimi Claw 处理一项研究型任务，该任务需要从多个来源收集信息并将其综合成结构化的比较报告。接到指令后，该智能体进行了网络搜索，并将搜索结果整理成一份清晰的报告。

我发现，回复并非按顺序罗列信息，而是以比较的方式组织，这使得评估不同框架之间的权衡取舍变得更加容易。

这表明，Kimi Claw 在处理更广泛的研究任务时，采用了一种规划式的工作流程，其中信息检索和综合是同时进行的，而不是孤立的步骤。

另一个值得注意的方面是效率：任务在合理的时间内完成，无需后续澄清，这表明即使没有明确的分步说明，Kimi Claw 也能可靠地处理定义明确、包含多个约束条件的提示。

然而，目前的测试版仍存在一些局限性。虽然输出质量很高，但部分章节缺乏明确的来源引用或假设，而这些信息对于技术决策至关重要。对于更深入的研究工作流程，可能仍需进行额外的验证或人工确认。

然而，尽管它仍处于测试阶段，存在一些操作限制，但它能够有效地将单个提示转化为结构化的研究简报，否则这需要多次手动搜索和步骤。

示例 5：Telegram AI 分析师

BotFather 在这个例子中，我通过使用（机器人生成器机器人）令牌将其与 Telegram 集成，测试了 Kimi Claw 作为外部通信代理的功能  。

Kimi Claw 生成了分步说明，处理了配对过程，并确认了连接，无需在聊天界面之外进行任何手动配置。这表明 Kimi Claw 可以通过引导式自然语言指令来处理外部集成，而无需传统的手动配置流程。

然而，连接成功后，机器人的运行行为并不稳定。它在 Telegram 环境中响应不稳定，群组互动（例如团队问答或研究协助）也无法正常工作。 

这与目前的文档一致，文档表明渠道集成仍处于测试阶段，可能无法在所有情况下可靠运行。

这个例子的关键在于，虽然集成流程功能正常，但外部渠道的运行时可靠性尚未达到生产就绪状态。该功能展现了将 Kimi Claw 打造成跨平台团队助手的潜力，但目前仍应视为实验性功能。

结论

在本教程中，Kimi Claw 展示了对话模型如何作为智能体处理持续性工作，而非一次性查询。通过示例，该模型能够将简单的自然语言指令转化为定时任务、结构化研究、技能驱动的分析以及外部集成，而无需过多人工干预。

与此同时，实际操作也凸显了其目前的局限性。虽然日程安排和研究工作流程运行可靠，但在诸如工件可见性、文件访问、监控控制和外部通道集成等方面仍然存在局限性。 

总体而言，Kimi Claw 在处理诸如日常监控、多步骤研究和轻量级自动化等大规模异步工作流程方面表现最佳。对于希望探索代理工作流程的开发者、研究人员和知识工作者（尤其是在无需在设备上安装 OpenClaw 且无需管理基础设施的情况下），它提供了一个简单且前景广阔的实验环境。