OpenClaw工作流设计入门,自动化任务编排实例标题)
很多朋友装好OpenClaw之后发现一个问题:这玩意儿确实能跑,但怎么让它"聪明"地干活?比如我想让它每天早上自动查一次天气预报、汇总关键信息后推给我,或者定时检查某个网站有没有更新——这些"自动化"的事情怎么做?答案就是工作流。今天这篇我就从最基础的概念讲起,配合几个实际的自动化任务编排案例,帮你快速上手OpenClaw的工作流设计。
OpenClaw最新版本一键部署包下载地址:https://top.wokk.cn/
什么是工作流
先别被"工作流"这个术语吓到。说白了,工作流就是"把一系列任务按顺序或条件串联起来自动执行"。
举个最简单的例子:你早上起床的流程就是个工作流——闹钟响了 → 起床 → 刷牙洗脸 → 煮咖啡 → 看手机。这些步骤有先后顺序,每一步都是触发下一步的条件。
放到OpenClaw里也是一样的道理。一个工作流通常包含这么几个要素:
触发器(Trigger):什么时候开始执行。可以是定时触发(每天9点)、事件触发(收到一封邮件)、或者手动触发(你发一条指令)。
节点(Node):具体要执行的操作。比如发送HTTP请求、调用AI模型、读写文件、发送消息等。
连接线(Edge):节点之间的关系。顺序执行、条件分支、并行执行等。
变量(Variable):节点之间传递的数据。比如第一个节点获取的天气数据,传给第二个节点用来生成摘要。
把这些东西组合在一起,就是一条完整的工作流。
第一个工作流:每日早报
理论讲完,直接上手。我们的第一个工作流目标是:每天早上8点自动汇总天气、新闻和日程,然后推送到微信。
用YAML格式定义工作流(OpenClaw支持YAML和可视化编辑器两种方式创建工作流,这里用YAML因为更直观):
name: daily-morning-briefing
description: 每日早间简报工作流
trigger:
type: cron
schedule: “0 8 * * *” # 每天8点
timezone: Asia/Shanghai
nodes:
id: get_weather
type: http_request
config:
url: “https://api.weather.com/v1/current?city=Beijing&apikey={{SECRETS.WEATHER_API_KEY}}”
method: GET
output: weather_dataid: get_news
type: http_request
config:
url: “https://api.news.com/v1/top-headlines?country=cn”
method: GET
output: news_dataid: summarize
type: ai_generate
config:
model: glm-4
prompt: |
根据以下信息生成一份简明的早间报告,不超过300字:天气信息:{{weather_data}} 今日要闻:{{news_data}} 要求:口语化风格,突出关键信息,最后附一句今日建议。input:
weather_data: “{{nodes.get_weather.output}}”
news_data: “{{nodes.get_news.output}}”
output: summaryid: send_notification
type: message_send
config:
channel: wechat
target: “你的微信ID”
content: “{{nodes.summarize.output}}”
edges:
- from: get_weather
to: summarize - from: get_news
to: summarize - from: summarize
to: send_notification
来解释一下这段配置:
触发器部分用了cron表达式0 8 * * *,表示每天8:00执行。节点部分定义了4个步骤:获取天气、获取新闻、AI摘要、发送通知。
注意summarize节点。这里我们用了ai_generate类型,让AI模型把天气和新闻数据整合成一段可读的摘要。prompt里用了{{weather_data}}和{{news_data}}这样的模板变量,运行时会被替换为实际数据。
edges部分定义了执行顺序。get_weather和get_news可以并行执行(它们没有依赖关系),summarize等前两个都完成后才开始,最后发通知。
第二个工作流:网站监控
工作流不一定非得是定时执行的,也可以是基于条件的。下面这个例子是监控一个技术博客有没有新文章发布,有的话就推送通知。
name: blog-monitor
description: 监控博客更新
trigger:
type: cron
schedule: “*/30 * * * *” # 每30分钟检查一次
nodes:
id: fetch_page
type: http_request
config:
url: “https://example-blog.com”
method: GET
output: page_contentid: check_update
type: condition
config:
expression: |
{{nodes.fetch_page.output}} contains “{{prev.latest_title}}”
mode: “not_match” # 如果当前页面的最新标题跟上次不一样,说明有更新
output: has_updateid: extract_info
type: ai_extract
condition: “{{nodes.check_update.output}} == true”
config:
model: glm-4
prompt: |
从以下网页内容中提取最新文章的标题和摘要:
{{nodes.fetch_page.output}}返回格式:标题:xxx\n摘要:xxxoutput: article_info
id: notify
type: message_send
condition: “{{nodes.check_update.output}} == true”
config:
channel: telegram
target: “你的Telegram Chat ID”
content: “📰 博客更新:\n{{nodes.extract_info.output}}”id: save_state
type: file_write
condition: “{{nodes.check_update.output}} == true”
config:
path: “/data/blog_monitor/state.json”
content: |
{“latest_title”: “{{nodes.extract_info.output.split(‘\n’)[0].replace(‘标题:’, ‘’)}}”, “last_check”: “{{now()}}”}
这个工作流的亮点在于使用了condition类型节点和condition属性。check_update节点会比对当前页面的最新标题和上次保存的标题,如果不一样就继续执行后续的提取和通知步骤,否则整个流程就到此结束,不会发任何通知。
最后一个save_state节点很重要——它把当前检测到的最新标题保存到文件中,作为下次比对的基准。这就实现了"状态记忆",让监控能持续运行而不是每次都重复检测。
第三个工作流:数据处理管道
工作流不只是能做通知类的任务,也能处理复杂的数据处理逻辑。下面这个例子展示了一个典型的数据处理管道:定期从API获取数据 → 清洗转换 → 存储 → 生成报表。
name:>
