基于OpenClaw框架的AI智能体开发：从定时提醒到自动化技能实践

1. 从“渴了才喝水”到“定时提醒”：一个程序员的健康自救

不知道你有没有过这样的体验：早上九点坐到工位前，打开IDE，开始沉浸式coding。等回过神来，一看时间，已经下午两点了。不仅午饭忘了吃，更可怕的是，你发现自己从坐下到现在，一口水都没喝。喉咙干得像撒哈拉沙漠，身体已经在发出警报，但你的大脑还沉浸在解决那个该死的Bug的兴奋感里。这种状态，我们程序员太熟悉了。长期如此，什么肾结石、尿酸高、皮肤干燥，各种毛病都找上门来。

我以前也这样，直到有一次体检，医生看着我的报告直摇头，说你这饮水量严重不足。我才意识到，靠“渴了再喝”这种原始生理信号，在高度专注的编程状态下是完全失效的。我们需要的是外部干预，一个温和但坚定的“打断”。市面上有很多喝水提醒软件，功能花里胡哨，有的甚至要付费订阅。但作为一个程序员，我的第一反应是：这东西，我自己能不能搓一个？要足够轻量、完全可控、不打扰核心工作流，还能有点趣味性。

这就是“OpenClaw”进入我视野的原因。最近，围绕OpenClaw的讨论非常火热，从安装部署到接入飞书、微信，玩法很多。但在我看来，它最吸引我的核心价值是：一个高度可编程、可通过自然语言驱动的自动化智能体框架。这意味着，我不需要去写复杂的GUI或者研究系统通知API，我只需要用人类语言告诉它：“每隔一小时，提醒我站起来活动一下，喝口水”，它就能自己去理解、规划并执行这个任务。这简直就是为我们这种“懒”但又追求极致的程序员量身定做的。

所以，我决定用OpenClaw，花一分钟时间，手搓一个专属于我的、AI驱动的喝水提醒助手。这个项目没有复杂的业务逻辑，没有庞大的代码库，它的全部意义就在于：用最小的代价，解决一个真实、高频的痛点，并享受“自己动手，丰衣足食”的乐趣。下面，我就带你完整走一遍这个“一分钟手搓”的过程，并分享其中我踩过的坑和总结的经验。

2. OpenClaw极速部署：绕过那些复杂的配置陷阱

在开始我们的“喝水提醒器”之前，得先让OpenClaw跑起来。网络上关于OpenClaw安装的教程很多，但信息也相当零碎和矛盾，特别是对于只是想快速体验一下的新手。有人推荐Docker，有人推荐源码，还有各种关于ollama_base_url、default_model的配置错误。我的目标是极简、快速、一次成功，所以我会带你走一条最稳妥的路径。

2.1 环境选择与准备：为什么是Docker？

部署OpenClaw，主要有三种方式：1. 本地Python环境直接安装；2. 使用Docker Compose；3. 结合Ollama部署本地大模型。对于我们的“一分钟手搓”目标，我强烈推荐Docker Compose方案。原因如下：

1. 环境隔离，避免污染：OpenClaw依赖的Python包可能和你本地开发环境冲突，用Docker可以完美避开“装了这个，那个坏了”的经典困境。
2. 一键启动，复杂度低：相比源码安装需要处理虚拟环境、依赖版本、系统服务等问题，Docker Compose通常只需要一个配置文件和一个启动命令。
3. 网络配置清晰：Docker容器内的网络和端口映射是明确的，排错时思路更清晰。

所以，请确保你的机器上已经安装了Docker和Docker Compose。如果没有，去Docker官网下载安装，这是基础，此处不赘述。

2.2 获取并调整docker-compose.yml：关键参数解析

OpenClaw官方或社区通常会提供一个docker-compose.yml模板。但直接使用很可能失败，我们需要进行关键调整。以下是一个经过我实测可用的精简版本，我将其保存为docker-compose.yml文件：

version: '3.8' services: openclaw: image: crestodian/openclaw:latest # 使用稳定的镜像标签，而非latest有时更安全 container_name: openclaw restart: unless-stopped ports: - "3000:3000" # 将容器内的3000端口映射到宿主机的3000端口 environment: - OPENCLAW_LOG_LEVEL=INFO - OPENCLAW_DATABASE_URL=sqlite:///./data/openclaw.db # 使用SQLite，简单 - OPENCLAW_SERVER_HOST=0.0.0.0 # 重要！允许外部访问 volumes: - ./data:/app/data # 持久化数据，避免容器重启后数据丢失 - ./skills:/app/skills # 挂载本地skills目录，方便自定义技能 command: uvicorn openclaw.main:app --host 0.0.0.0 --port 3000 --reload

关键点与避坑指南：

• 镜像选择：crestodian/openclaw:latest是一个常见的社区镜像。如果latest拉取失败或启动有问题，可以尝试指定一个具体的版本号，如crestodian/openclaw:2.7.9。网络上搜索“openclaw 2.7.9免费版”提到的就是这个版本。
• 端口映射：“3000:3000”左边是宿主机端口，右边是容器内端口。你可以把左边的3000改成任何你喜欢的、未被占用的端口（如8080）。
• OPENCLAW_SERVER_HOST：这是最大的坑！很多教程忽略了这一点。如果不设置为0.0.0.0，容器内的服务只会监听本地回环地址，你从宿主机浏览器通过localhost:3000或通过IP访问都会失败。务必检查！
• ** volumes（卷挂载）**：挂载./data是为了持久化数据库和配置；挂载./skills是我们后续自定义“喝水提醒”技能的关键，它让你可以在宿主机上编辑文件，直接影响容器内的技能库。
• ** command**：这里的命令直接启动了OpenClaw的FastAPI应用。--reload参数在开发时很有用，但生产环境建议去掉。

2.3 启动与验证：看到界面才算成功

在包含docker-compose.yml文件的目录下，打开终端，执行一条命令：

docker-compose up -d

-d参数代表后台运行。如果一切顺利，你会看到Docker拉取镜像并启动容器。接下来，验证服务是否正常：

1. 查看容器状态：docker-compose ps。应该看到openclaw服务的状态是Up。
2. 查看日志：docker-compose logs -f openclaw。观察启动日志，有没有ERROR报错。常见的错误包括：端口被占用（换端口）、环境变量配置错误、镜像拉取失败等。如果看到类似Application startup complete.的日志，基本就成功了。
3. 访问Web界面：打开浏览器，访问http://localhost:3000（如果你改了端口，就换成对应的，如http://localhost:8080）。如果能看到OpenClaw的Web UI界面（可能是一个简单的聊天窗口或管理面板），恭喜你，部署成功！

注意：如果访问不到，请按以下顺序排查：① 确认容器状态是Up；② 确认宿主机防火墙是否放行了对应端口；③ 检查docker-compose logs是否有明确错误；④ 确认OPENCLAW_SERVER_HOST环境变量已设置为0.0.0.0。

至此，OpenClaw的运行环境已经就绪。它现在就像一个空有大脑（框架）但没有技能（具体能力）的智能体。接下来，我们要教给它第一个，也是最重要的一个技能：提醒我喝水。

3. 手搓核心技能：让OpenClaw学会“定时提醒”

OpenClaw的能力扩展依赖于“Skill”（技能）。一个Skill本质上就是一个Python文件，里面定义了这个技能能做什么、需要什么参数、以及具体的执行逻辑。我们的目标是创建一个“定时提醒”技能。网络上有很多复杂的Skill例子，但对于喝水提醒，我们要追求极致简单。

3.1 创建技能文件：结构比想象中简单

首先，在宿主机上，进入与docker-compose.yml同级的目录（如果你按照上面挂载了./skills）。创建一个名为drink_reminder_skill的文件夹，并在里面创建__init__.py和skill.py两个文件。结构如下：

你的项目目录/ ├── docker-compose.yml ├── data/ （自动生成） └── skills/ └── drink_reminder_skill/ ├── __init__.py └── skill.py

__init__.py可以是空文件，它的存在是为了让Python将这个目录识别为一个包。核心全部在skill.py中。

3.2 编写skill.py：详解每一个参数与装饰器

打开skill.py，开始编写代码。我将逐段解释，让你不仅会抄，更懂为什么这么写。

import asyncio from datetime import datetime from typing import Any, Dict from openclaw.skills import skill, BaseSkill @skill( name="drink_water_reminder", description="设置一个周期性喝水提醒。", inputs={ "interval_minutes": { "type": "integer", "description": "提醒间隔时间（分钟）。", "required": True, "default": 60 }, "reminder_message": { "type": "string", "description": "提醒时显示的消息。", "required": False, "default": "💧 时间到！该站起来活动一下，喝口水啦！" } } ) class DrinkWaterReminderSkill(BaseSkill): """ 一个简单的周期性喝水提醒技能。 """ async def execute(self, inputs: Dict[str, Any]) -> Dict[str, Any]: """ 执行技能：启动一个后台异步任务，每隔指定分钟发送一次提醒。 """ interval = inputs["interval_minutes"] message = inputs.get("reminder_message", "💧 时间到！该喝水啦！") # 获取技能上下文中的消息发送函数（这通常是OpenClaw框架注入的） # 这里假设框架提供了一个 `send_message` 方法来发送提醒。 # 实际方法名可能需要根据OpenClaw版本调整，例如可能是 `notify_user` 或 `send_notification`。 send_notification = self.context.get("send_message") if not send_notification: return { "success": False, "message": "无法发送通知：未找到消息发送接口。" } self.logger.info(f"开始喝水提醒任务，间隔 {interval} 分钟。") # 启动一个后台任务，不阻塞当前执行 asyncio.create_task(self._reminder_loop(interval, message, send_notification)) return { "success": True, "message": f"喝水提醒已启动，每隔 {interval} 分钟提醒一次。" } async def _reminder_loop(self, interval_minutes: int, message: str, sender): """ 后台循环任务，负责定时发送提醒。 """ while True: await asyncio.sleep(interval_minutes * 60) # 转换为秒 try: # 这里调用发送函数。在实际OpenClaw中，这可能会触发桌面通知、发送聊天消息等。 # 例如：await sender(text=message) # 由于我们是在极简演示，这里先打印日志，并假设sender是一个可调用的异步函数。 self.logger.info(f"发送提醒：{message}") # 模拟发送动作。在实际集成中，你需要根据OpenClaw的API替换这里。 if callable(sender): await sender(message) except Exception as e: self.logger.error(f"发送提醒时出错：{e}")

代码深度解析与避坑点：

1. @skill装饰器：这是OpenClaw框架识别一个技能的关键。它定义了技能的元数据。

   • name: 技能的唯一标识符，后续我们通过这个名字来调用技能。
   • description: 对技能的自然语言描述，这很重要！因为OpenClaw的LLM（大语言模型）会通过这个描述来理解何时该调用这个技能。
   • inputs: 定义技能需要的输入参数。这里我们定义了两个：
     • interval_minutes: 整数类型，必须提供，默认60分钟。这个设计很关键，它让技能变得可配置。
     • reminder_message: 字符串类型，非必须，有一个友好的默认值。这增加了技能的灵活性。

2. BaseSkill类与execute方法：所有技能都必须继承BaseSkill并实现execute方法。这个方法是技能的入口点，当OpenClaw决定调用这个技能时，就会运行它。

   • inputs参数：接收到的就是用户在调用时提供的参数，会匹配@skill装饰器中定义的inputs结构。
   • 异步async：execute方法是异步的。这是因为OpenClaw本身是异步框架，为了不阻塞主线程，特别是在执行定时、IO等操作时。

3. 核心逻辑_reminder_loop：这是实现定时功能的关键。

   • asyncio.create_task(): 我们将循环任务创建为一个独立的“后台任务”。这样execute方法就能立即返回响应（“提醒已启动”），而不会一直卡在那里等待循环结束。这是编写友好技能的重要技巧。
   • asyncio.sleep(): 用于实现等待。注意这里乘以60，将分钟转换为秒。
   • sender函数：这是最大的假设和需要适配的点！代码中的sender是我假设的一个由OpenClaw框架提供的、用于发送通知的函数。在实际的OpenClaw版本中，这个函数可能叫send_message、notify，或者需要通过特定的API通道（如WebSocket）来发送。你需要根据你部署的OpenClaw版本的实际API来修改这部分。我们的初版目标只是让技能被成功加载和调用，所以先用logger.info打印日志来验证循环是工作的。

4. 错误处理：在循环中使用了try...except来捕获发送消息时可能出现的异常，并用logger.error记录。这能防止因为一次发送失败导致整个提醒任务崩溃。

3.3 加载技能：让OpenClaw发现它

创建好技能文件后，我们需要让OpenClaw容器知道这个技能的存在。因为之前我们在docker-compose.yml中已经将本地的./skills目录挂载到了容器的/app/skills，所以现在只需要重启OpenClaw容器，它就会自动扫描并加载新技能。

docker-compose restart openclaw

重启后，再次查看日志：docker-compose logs -f openclaw。你应该能在日志中看到类似Loaded skill: drink_water_reminder的信息，这表明你的技能已经被成功加载。

如果没看到加载信息，请检查：① 技能文件夹和文件的路径、命名是否正确；② 技能类是否正确定义并使用了@skill装饰器；③ 挂载的卷是否生效（可以进入容器查看：docker exec -it openclaw ls /app/skills）。

4. 与智能体对话：用自然语言激活你的提醒

技能加载成功后，它还是一个静止的工具。我们需要通过OpenClaw的“大脑”——即集成的大语言模型（LLM）——来理解和调用这个技能。这就是OpenClaw最有趣的地方：你不需要写调用代码，只需要用自然语言告诉它。

4.1 配置LLM连接：给OpenClaw装上“大脑”

默认情况下，OpenClaw可能没有配置LLM，或者配置的是需要API Key的在线模型（如OpenAI）。为了快速测试，我推荐使用Ollama在本地运行一个开源模型，完全免费且隐私安全。

1. 安装并启动Ollama：前往Ollama官网下载安装。安装后，在终端运行ollama run qwen2.5:7b（这是一个不错的轻量级中文模型）。这会拉取镜像并运行模型服务，默认API端口是11434。
2. 配置OpenClaw连接Ollama：这通常需要修改OpenClaw的配置文件。由于我们使用Docker，可以通过环境变量或配置文件挂载来设置。最直接的方法是修改docker-compose.yml，添加Ollama相关的环境变量：

environment: - OPENCLAW_LOG_LEVEL=INFO - OPENCLAW_DATABASE_URL=sqlite:///./data/openclaw.db - OPENCLAW_SERVER_HOST=0.0.0.0 # 新增Ollama配置 - OPENCLAW_LLM_PROVIDER=ollama - OPENCLAW_OLLAMA_BASE_URL=http://host.docker.internal:11434 # 关键！从容器内访问宿主机的服务 - OPENCLAW_OLLAMA_MODEL=qwen2.5:7b

关键点：host.docker.internal是一个特殊的DNS名称，指向宿主机，允许容器内部访问宿主机上运行的服务（这里是Ollama）。如果你的OpenClaw和Ollama不在同一台机器，则需要使用宿主机的真实IP。

3. 重启并验证：docker-compose down然后docker-compose up -d。查看日志，应该能看到OpenClaw成功连接Ollama模型的提示。

4.2 自然语言触发：像和人说话一样下指令

现在，打开浏览器，访问OpenClaw的Web UI（通常是localhost:3000）。你应该能看到一个聊天界面。试着输入：

“请帮我设置一个每隔45分钟提醒我喝水休息一下的提醒，消息就说‘起来动动，看看远方’。”

接下来，神奇的事情会发生（如果一切配置正确）：

1. 意图理解：OpenClaw的LLM会分析你的这句话，识别出你的意图是“设置一个周期性提醒”。
2. 技能匹配：LLM会根据已加载技能的描述（就是我们写在@skill装饰器里的description），发现drink_water_reminder技能的描述（“设置一个周期性喝水提醒”）与当前用户意图高度匹配。
3. 参数提取：LLM会从你的自然语言中提取出关键参数：interval_minutes=45，reminder_message=“起来动动，看看远方”。
4. 技能调用与执行：OpenClaw框架会调用drink_water_reminder技能的execute方法，并传入提取到的参数。于是，我们的后台循环任务就启动了。
5. 结果反馈：你会在聊天窗口收到技能execute方法返回的消息：“喝水提醒已启动，每隔 45 分钟提醒一次。”

此时，查看OpenClaw容器的日志(docker-compose logs -f openclaw)，你应该会看到：

INFO: Loaded skill: drink_water_reminder ... (用户请求日志) INFO: 开始喝水提醒任务，间隔 45 分钟。 INFO: 发送提醒：起来动动，看看远方。

（每过45分钟，就会重复出现“发送提醒”的日志）。

4.3 从日志到真实通知：打通“最后一公里”

到目前为止，我们的提醒还只是停留在服务器日志里。如何让它真正弹到你的电脑桌面上？这就需要根据你的操作系统和偏好，修改技能中的sender函数实现。

方案一：集成系统通知（跨平台）你可以使用Python的plyer库。首先，需要在技能容器内安装这个包。修改docker-compose.yml，在openclaw服务下添加volumes挂载一个自定义的requirements.txt文件，并在启动命令中安装。

1. 创建requirements.txt，内容为plyer。
2. 修改docker-compose.yml:

   volumes: - ./data:/app/data - ./skills:/app/skills - ./requirements.txt:/app/requirements.txt # 挂载依赖文件 command: sh -c "pip install -r /app/requirements.txt && uvicorn openclaw.main:app --host 0.0.0.0 --port 3000 --reload"

3. 修改skill.py中的_reminder_loop方法内的发送部分：

   from plyer import notification # ... 在 _reminder_loop 函数内 ... try: # 发送系统通知 notification.notify( title='喝水提醒', message=message, app_name='OpenClaw健康助手', timeout=10 # 通知显示10秒 ) self.logger.info(f"系统通知已发送：{message}")

   这种方式会在你的电脑上弹出原生系统通知。

方案二：发送消息到即时通讯工具（如飞书、微信）这就是网络热词中“openclaw接入飞书/微信”所做的事情。这需要更复杂的配置，例如在飞书开放平台创建应用、获取权限、配置Webhook等。你需要编写另一个技能或修改现有技能，调用飞书或企业微信的API来发送消息。这超出了“一分钟手搓”的范围，但却是OpenClaw更强大的应用场景。

对于我们最简单的需求，方案一已经足够。它实现了从“自然语言指令”到“桌面物理通知”的完整闭环。你现在拥有了一个完全由自己控制、通过AI对话即可管理的智能喝水提醒器。

5. 优化、扩展与日常使用心得

一个能跑通的demo只是开始，要让这个小工具真正融入日常工作流，变得可靠、好用，还需要一些优化和深度思考。

5.1 技能功能的增强与健壮性提升

最初的技能版本还有很多可以改进的地方：

• 单例控制：目前的技能，每次对话说“设置提醒”，都会启动一个新的后台循环任务。如果你不小心说了两次，就会有两个重复的提醒任务在跑。我们需要在技能类里加一个类变量或利用上下文来标记任务状态，确保同一技能只运行一个实例。

  class DrinkWaterReminderSkill(BaseSkill): _task = None # 类变量，存储后台任务引用 async def execute(self, inputs): if self._task and not self._task.done(): return {"success": False, "message": "喝水提醒任务已经在运行中。"} # ... 其他逻辑 ... self._task = asyncio.create_task(self._reminder_loop(...))

• 提供停止命令：一个好的技能应该能随时被终止。我们可以创建另一个技能，或者扩展当前技能，通过一个特定的输入参数（如action: “stop”）来取消_task。

  # 在 inputs 中增加一个 action 参数 inputs={ "action": { "type": "string", "description": "执行的操作，'start' 或 'stop'。", "required": False, "default": "start" }, # ... 其他参数 ... } # 在 execute 方法中根据 action 判断

• 更丰富的提醒消息：可以让提醒消息不那么枯燥，比如随机从一句鼓励的话列表中选取一条，或者附带一些健康小贴士。

5.2 与现有工作流的无缝集成

• VS Code插件：如果你主要使用VS Code，可以探索是否有OpenClaw的VS Code插件，或者自己写一个简单的插件，在IDE内直接与OpenClaw对话设置提醒，体验更沉浸。
• 命令行调用：除了Web UI，OpenClaw通常也提供REST API。你可以写一个简单的Shell脚本remind_me.sh，内容是用curl调用OpenClaw的API来触发技能，然后给这个脚本设置一个键盘快捷键（如Cmd+Shift+H），一键启动喝水提醒。
• 作息结合：将技能升级为“健康守护者”。除了喝水，还可以增加“久坐提醒”、“眼保健操提醒”、“颈椎活动提醒”。只需要修改循环逻辑，或者创建多个类似的技能。

5.3 我踩过的坑与核心经验

1. Docker网络是首要难题：OPENCLAW_SERVER_HOST=0.0.0.0和host.docker.internal这两个配置是解决大部分“连接不上”问题的关键。前者解决“外面访问不了容器”，后者解决“容器访问不了宿主机本地服务”。
2. 技能加载失败静默无声：如果技能文件有语法错误，OpenClaw可能在启动时不会明确报错，只是默默跳过。一定要养成查看完整启动日志的习惯，搜索你的技能名是否出现在“Loaded skill”列表中。
3. LLM的理解偏差：有时你对AI说“提醒我喝水”，它可能不会调用你的技能，而是自顾自地生成一段提醒文字。这说明你的技能描述（description）不够精准，或者LLM的“技能调用”功能未正确启用。优化技能描述，确保其清晰、唯一地定义了功能边界（例如：“设置一个周期性的喝水提醒任务”）。
4. 异步任务的资源管理：我们的技能创建了asyncio.create_task，这是一个“fire and forget”的后台任务。如果OpenClaw服务重启，这个任务就消失了。对于需要持久化的定时任务，更好的做法是利用系统的定时任务（如cron）来定期调用OpenClaw的API，或者使用更专业的后台任务队列（如Celery），但这复杂度就上去了。对于喝水提醒这种轻量级、可接受中断的场景，当前方案是性价比最高的。

回过头看，从“渴了才喝水”到拥有一个AI智能体管家，整个过程的核心并不是多高深的技术，而是一种思维转变：将重复性的、容易被遗忘的自我管理需求，抽象成一个可编程、可对话的自动化技能。OpenClaw这样的框架，降低了实现这一转变的门槛。你不需要是全栈工程师，只需要一点Python基础，加上清晰的思路，就能打造贴合自己习惯的数字助手。

这个“一分钟手搓”的喝水提醒器，就是一个最好的起点。它简单，但完整地走通了从想法、到部署、到技能开发、再到自然语言交互的整个链路。当你看到第一个由你自己描述、自己实现、自己触发的AI提醒出现时，那种感觉，比解决一个生产Bug还要美妙。因为它真正服务于你，服务于你的健康。