1. 项目概述：当旧笔记本遇上AI，生产力原地起飞

那天我翻出一台吃灰多年的旧笔记本，i5-4200U的CPU，8G内存，跑个Windows 10都卡得不行。我正琢磨着是拆了当零件卖还是直接扔了，突然刷到个帖子，说有个叫OpenClaw的开源AI助手，能帮你自动处理各种重复性工作。我心血来潮，想着反正这旧本子闲着也是闲着，不如折腾一下，看看这传说中的AI Agent到底有没有那么神。

说干就干。我给它装了个轻量级的Linux Mint系统，然后照着教程一步步把OpenClaw给部署了上去。整个过程比想象中顺利，虽然中间也踩了几个坑，但最终成功让它接入了我的飞书。我给它安排的第一个任务，是处理一批积压的专利相关辅助链接的整理工作——大概有几百条链接，需要分类、去重、提取关键信息并填入飞书多维表格。这活儿要是手动干，至少得花我三四个小时，而且极其枯燥。

部署好之后，我半信半疑地给它下达了指令，然后……我就打开了抖音。等我刷了快三个小时的短视频，回过神来一看，飞书表格里已经整整齐齐地填满了处理好的数据，分类清晰，信息完整。那一刻的感觉，就像是请了个不知疲倦的实习生，而且这个实习生还精通信息处理。这个项目，本质上就是一次“旧硬件+开源AI”的复活实验，它证明了即使没有昂贵的专业设备，我们也能利用现有的、甚至是被淘汰的资源，搭建起一个高效的自动化工作流。这不仅仅是省了几个小时的时间，更是解放了注意力，让你能把精力真正用在思考和创造上。

2. 核心思路与方案选型：为什么是这套组合拳？

决定用旧笔记本跑OpenClaw，并不是一时冲动，而是基于几个核心考量的结果。首先，OpenClaw作为一个开源的AI Agent框架，它的设计目标就是轻量、可定制、易于部署。它不像一些闭源的商业AI服务，对硬件有极高的要求或者存在复杂的网络限制。其次，我的需求很明确：需要一个能7x24小时运行、能处理结构化任务（如整理表格）、并能通过常用办公软件（如飞书）与我交互的自动化助手。最后，成本必须极低，最好为零。

基于这些，我敲定了“旧笔记本 + Linux Mint + Node.js + OpenClaw + 飞书机器人”的技术栈。下面详细拆解一下每个选择的背后逻辑：

2.1 硬件平台：旧笔记本的“废物利用” 这台旧笔记本的配置在今天看来是落伍的，但对于运行一个后台AI服务来说，其实绰绰有余。OpenClaw的核心是调用大语言模型（LLM）的API（如OpenAI、DeepSeek等）或本地模型（通过Ollama），它本身的计算开销并不大，主要压力在于网络I/O和轻量的逻辑处理。8G内存足够运行一个轻量级Linux系统、Node.js环境以及OpenClaw服务进程。选择旧笔记本，一是零成本，二是它本身就是一个完整的、带电池和屏幕的“服务器”，部署调试比树莓派之类的开发板更方便，稳定性也更好。

2.2 操作系统：Linux Mint XFCE版的优势 为什么是Linux Mint，而不是更流行的Ubuntu或纯粹的服务器系统如Debian？原因有三点。第一， 轻量 。Linux Mint的XFCE桌面环境资源占用极低，在旧硬件上运行流畅，为后台服务留出了更多资源。第二， 易用 。它基于Ubuntu/Debian，拥有庞大的软件库和社区支持，遇到任何包依赖或驱动问题，都能轻松找到解决方案。第三， 稳定 。作为长期支持（LTS）版本，它提供了可靠的基础，适合长时间运行服务。在安装时，我用Rufus工具将ISO写入U盘，分区表格式选择了 GPT ，因为现代系统对GPT的支持更好，也能避免一些潜在的引导问题。

2.3 运行环境：Node.js的必然性 OpenClaw项目是基于Node.js开发的，所以安装Node.js是前提。这里有个关键点： 必须安装与OpenClaw兼容的Node.js版本 。我最初直接安装了最新的Node.js v24.19.0，结果运行OpenClaw时出现了 error: no such module: http_parser 之类的报错。这是因为一些原生模块可能尚未适配最新版本。我的解决方法是，回退到一个稳定的长期支持版本，比如Node.js 18.x或20.x。通过Node版本管理工具（如nvm）可以轻松切换。这提醒我们，在部署开源项目时，盲目追求最新版本可能引入兼容性问题，遵循项目官方文档的推荐版本是最稳妥的。

2.4 AI框架：OpenClaw的定位与能力 OpenClaw不是一个独立的AI模型，而是一个“智能体”（Agent）框架。你可以把它理解为一个“大脑”的“调度中心”。它本身不具备思维能力，但它可以集成各种AI大模型（作为“大脑”），并根据你编写的“技能”（Skill）或接收到的指令，去协调调用不同的工具（如访问网页、读写数据库、操作API）来完成复杂任务。比如，我让它“整理专利链接”，它会分解任务：先调用爬虫技能获取链接内容，再调用AI模型进行摘要和分类，最后调用飞书技能写入表格。这种可编程的、工具调用（Tool Calling）的能力，正是其价值所在。

2.5 交互入口：飞书机器人的便捷性 选择飞书作为交互入口，是因为它是我日常办公的核心工具。通过飞书机器人，我可以用最自然的方式给OpenClaw下达指令，就像跟同事聊天一样。同时，飞书多维表格强大的数据承载和展示能力，非常适合作为AI处理结果的输出终端。整个流程形成了一个闭环：我在飞书说话 -> 机器人接收 -> OpenClaw处理 -> 结果写回飞书表格 -> 我在飞书查看。这一切都在一个我高频使用的应用内完成，无缝衔接，体验非常顺滑。

注意： 在配置飞书机器人时， app secret 复制后粘贴可能不上去，这通常是因为复制的内容包含了不可见的空格或换行符。解决方法是：先粘贴到记事本之类的纯文本编辑器里，清除首尾空格，再重新复制粘贴到配置框。

3. 从零开始的部署实操全记录

理论说得再多，不如动手做一遍。下面我就把整个部署和配置过程拆解成一步步可操作的指南。请确保你的旧笔记本已经安装好Linux Mint系统，并连接到了网络。

3.1 基础系统与Node.js环境搭建 首先，更新系统并安装一些必要的工具。

sudo apt update && sudo apt upgrade -y
sudo apt install -y curl git wget

接下来安装Node.js。为了避免版本问题，我们使用NodeSource维护的仓库来安装LTS版本。

# 安装Node.js 20.x LTS版本（截至撰写时，这是较新且稳定的版本）
curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash -
sudo apt install -y nodejs

安装完成后，验证版本：

node --version # 应输出 v20.x.x
npm --version  # 应输出对应的npm版本

3.2 获取与运行OpenClaw OpenClaw的安装方式非常“Node.js”——直接使用npx运行。这避免了全局安装可能带来的依赖冲突。

# 使用npx直接创建并运行一个OpenClaw项目
npx @openclaw/claw init my-ai-assistant
cd my-ai-assistant

执行 init 命令后，它会引导你进行一些初始配置，比如给你的助手起个名字，选择初始的技能包等。完成初始化后，项目目录下会生成配置文件 claw.config.ts 或 claw.config.js 。

3.3 核心配置详解：连接AI大脑与飞书手脚 OpenClaw的强大在于配置。我们需要修改配置文件，告诉它两件事：1. 用什么AI模型（大脑）；2. 如何连接飞书（手脚）。

  • 配置AI模型（以DeepSeek API为例） 在 claw.config.ts 中，找到 llm 配置部分。如果你使用在线API（如DeepSeek、OpenAI），需要配置API密钥和基础URL。

    // 示例配置片段
export default defineConfig({
  llm: {
    default: 'deepseek',
    deepseek: {
      apiKey: process.env.DEEPSEEK_API_KEY, // 强烈建议使用环境变量，不要写死在代码里！
      baseURL: 'https://api.deepseek.com',
      model: 'deepseek-chat',
    },
  },
  // ... 其他配置
});

    在终端中设置环境变量：

    export DEEPSEEK_API_KEY='你的实际API密钥'

    实操心得： 对于旧笔记本，如果网络条件不好或想完全离线运行，可以考虑配置本地模型。这就需要先安装Ollama，然后在OpenClaw配置中指向本地的Ollama服务（如 baseURL: 'http://localhost:11434' ，模型名称为Ollama中拉取的模型名，如 qwen2.5:7b ）。本地模型对硬件要求较高，旧笔记本可能跑不动大参数模型，但可以尝试一些轻量级模型。

  • 配置飞书机器人技能 OpenClaw通过“技能”来扩展能力。飞书机器人就是一个官方或社区提供的技能。你需要先在飞书开放平台创建一个企业自建应用，并获取 appId 和 appSecret 。

    1. 登录 飞书开放平台 ，创建新应用。
    2. 在“凭证与基础信息”页面，拿到 App ID 和 App Secret 。
    3. 在“事件订阅”页面，设置请求网址（Request URL）。这里先留空，等我们服务器启动后，如果有公网IP或使用了内网穿透工具，再将地址填上。同时，订阅“接收消息”事件。
    4. 在“权限管理”页面，为机器人添加“获取用户发给机器人的单聊消息”和“以应用身份发消息”等权限。 回到OpenClaw项目，安装飞书技能插件：
    npm install @openclaw/plugin-feishu

    然后在配置文件中启用并配置该技能：

    import feishuPlugin from '@openclaw/plugin-feishu';
export default defineConfig({
  // ... llm 配置
  plugins: [
    feishuPlugin({
      appId: process.env.FEISHU_APP_ID,
      appSecret: process.env.FEISHU_APP_SECRET,
      encryptKey: process.env.FEISHU_ENCRYPT_KEY, // 如果设置了加密，则需要
      verificationToken: process.env.FEISHU_VERIFICATION_TOKEN,
    }),
  ],
});

    同样，将 appId 和 appSecret 等设置为环境变量。

3.4 运行与测试 配置完成后，就可以启动你的AI助手了。

npm start
# 或者直接使用 claw start
npx claw start

如果一切正常，终端会输出服务启动的日志，包括监听的端口号（默认可能是3000）。此时，你的OpenClaw助手已经在本地运行起来了。

接下来是 最关键也最容易出错的一步：让飞书能找到你的本地服务 。因为你的旧笔记本大概率在家庭路由器后面，没有公网IP。飞书的服务器无法直接访问到你本地的 http://localhost:3000 。

解决方案是使用 内网穿透工具 。这类工具很多，比如Ngrok、Serveo，或者一些国内服务商提供的产品。以Ngrok为例（需要注册账号获取token）：

# 安装ngrok (Linux)
sudo snap install ngrok
# 设置你的authtoken
ngrok config add-authtoken 你的token
# 将本地3000端口暴露到公网
ngrok http 3000

运行后，Ngrok会给你一个临时的公网地址，如 https://abc123.ngrok.io 。将这个地址（后面加上OpenClaw飞书插件指定的webhook路径，通常是 /feishu/webhook ）填回到飞书开放平台“事件订阅”的请求网址中。飞书会发送一个验证请求，如果配置正确，验证会通过，状态会显示为“验证成功”。

至此，桥梁就搭建好了。你可以在飞书里找到你创建的应用，把它拉进一个群聊或者直接和它私聊，发送一句“你好”，如果配置的AI模型工作正常，你应该能收到回复。

4. 实战：打造自动处理专利链接的AI工作流

助手跑起来了，但现在的它就像一个刚出生的婴儿，只会简单的对话。要让它真正帮我处理3小时的工作，我需要教它一项具体的“技能”。这就是OpenClaw最核心的部分：自定义技能开发。

我的目标是：当我向机器人发送一个包含专利链接列表的飞书消息（或一个文档链接）时，它能自动提取链接，访问每个页面，抓取标题、摘要、申请号等关键信息，然后整理并写入指定的飞书多维表格。

4.1 技能设计思路 这个任务可以分解为几个子任务，每个子任务对应一个工具函数或调用：

  1. 输入解析 ：从飞书消息中提取出所有URL链接。
  2. 内容抓取 ：并发或依次访问这些链接，下载页面内容。
  3. 信息提取 ：使用AI模型（LLM）分析页面内容，提取出结构化的信息（如标题、摘要、申请号、申请人等）。这里可以利用LLM强大的文本理解和格式化输出能力。
  4. 数据写入 ：将提取出的结构化数据，通过飞书API写入到预先创建好的多维表格中。

在OpenClaw中，一个技能通常由一个“处理器”（Handler）函数构成。这个函数接收上下文信息（如用户消息），然后按照逻辑调用各种工具。

4.2 编写专利链接处理技能 在OpenClaw项目目录下，通常有一个 skills 文件夹。我们在这里创建一个新文件 patent-link-processor.ts 。

// skills/patent-link-processor.ts
import { defineSkill, SkillContext } from '@openclaw/claw';
// 假设我们已经有了访问网页和操作飞书表格的工具
import { fetchWebpage } from '../tools/fetcher';
import { writeToFeishuTable } from '../tools/feishu-table';

export default defineSkill({
  // 技能名称和描述
  name: 'patent-link-processor',
  description: '处理专利链接，提取信息并写入飞书表格',
  // 技能匹配规则：当消息中包含“处理专利链接”时触发
  matches: ['处理专利链接', '整理专利'],
  async handler(ctx: SkillContext) {
    const userMessage = ctx.message.text;
    // 1. 从消息中提取URL（这里简化，实际可用正则表达式）
    const urlRegex = /(https?:\/\/[^\s]+)/g;
    const links = userMessage.match(urlRegex) || [];
    
    if (links.length === 0) {
      await ctx.reply('未在消息中发现有效的链接。');
      return;
    }
    
    await ctx.reply(`发现 ${links.length} 个链接，开始处理...`);
    
    const results = [];
    // 2. 遍历链接，抓取并分析内容
    for (const link of links) {
      try {
        const pageContent = await fetchWebpage(link); // 自定义工具：抓取网页正文
        // 3. 调用LLM提取结构化信息
        const extractionPrompt = `
          你是一个专利信息专家。请从以下网页内容中提取关键信息，并以JSON格式返回：
          {
            "title": "专利标题",
            "abstract": "专利摘要",
            "application_number": "申请号",
            "applicant": "申请人",
            "publication_date": "公开日"
          }
          网页内容：
          ${pageContent.substring(0, 3000)} // 限制长度，避免token超限
        `;
        
        const llmResponse = await ctx.llm.chat.completions.create({
          model: 'deepseek-chat',
          messages: [{ role: 'user', content: extractionPrompt }],
          response_format: { type: 'json_object' }, // 要求返回JSON
        });
        
        const patentInfo = JSON.parse(llmResponse.choices[0].message.content);
        patentInfo.source_url = link; // 记录来源
        results.push(patentInfo);
        
        await ctx.reply(`已处理: ${patentInfo.title || link}`);
      } catch (error) {
        console.error(`处理链接失败 ${link}:`, error);
        results.push({ source_url: link, error: '处理失败' });
      }
    }
    
    // 4. 将结果写入飞书多维表格
    if (results.length > 0) {
      const success = await writeToFeishuTable(results);
      if (success) {
        await ctx.reply(`所有链接处理完成！共 ${results.length} 条记录已写入飞书表格。`);
      } else {
        await ctx.reply('数据处理完成，但写入表格时发生错误。');
      }
    }
    // 附上一个简单的总结
    const summary = `本次共处理 ${links.length} 个链接，成功 ${results.filter(r => !r.error).length} 个。`;
    await ctx.reply(summary);
  },
});

4.3 配置与启用技能 编写完技能后，需要在主配置文件中导入并启用它。

// claw.config.ts
import patentLinkProcessor from './skills/patent-link-processor';
export default defineConfig({
  // ... llm 和 plugins 配置
  skills: [
    patentLinkProcessor,
    // ... 其他技能
  ],
});

重启OpenClaw服务后，这个技能就生效了。现在，我只需要在飞书里把一堆专利链接扔给机器人，并说“处理专利链接”，它就会自动开始工作。而我，就可以安心地去刷抖音了。

注意事项：

  1. 速率限制与错误处理 ：实际处理中，要对API调用（如LLM、飞书API）做速率限制和重试机制，避免被封。
  2. 内容清洗 ： fetchWebpage 工具需要能有效提取网页正文，过滤广告和导航，可以使用专门的库如 readability 或 cheerio 。
  3. Token限制 ：LLM有上下文长度限制，对于长页面内容，需要采用分段总结或关键信息定位的策略。
  4. 表格结构 ：飞书多维表格需要提前建好，并且 writeToFeishuTable 工具需要知道表格的token和字段映射关系。

5. 避坑指南与效能优化实录

在实际部署和运行过程中，我遇到了不少问题。这里把典型问题和解决方案记录下来，希望能帮你节省时间。

5.1 部署环境常见问题

  • Node.js版本问题 ：如前所述，避免使用太新或太旧的Node.js版本。如果遇到 Error: error installing 24.19.0: node.js v24.19.0 is not yet released or is not ava 这类提示，说明你尝试安装的版本不存在或不可用。使用NodeSource或nvm安装稳定的LTS版本。
  • Linux Mint软件源问题 ：有时默认源速度慢或不可用，可以更换为国内镜像源（如阿里云、清华源），能极大提升安装速度。
  • 权限问题 ：在Linux下，非root用户运行服务监听1024以下端口需要sudo权限。建议让OpenClaw运行在3000等高端口，或者使用Nginx反向代理。

5.2 OpenClaw运行与配置问题

  • 启动报错 openclaw llamap svr operator(): got exception ：这类错误信息通常比较笼统。需要查看更详细的日志。可能是配置文件语法错误、依赖缺失（运行 npm install 解决）、或者环境变量未设置。仔细检查 claw.config.ts 和 .env 文件。
  • 飞书验证失败 ：这是最高频的问题。错误信息可能类似 {"errmsg":"request access: fail invalid redirect uri in h5 case 请求不合"} 。
    • 检查点1：请求网址（URL） 。确保在飞书后台填写的URL是你的公网穿透地址（如 https://xxx.ngrok.io/feishu/webhook ），并且末尾没有斜杠或空格。OpenClaw飞书插件默认的webhook路径通常是 /feishu/webhook ，务必确认一致。
    • 检查点2：环境变量 。确保 FEISHU_APP_ID , FEISHU_APP_SECRET 等已正确设置，并且服务重启后生效。
    • 检查点3：网络可达 。确保你的内网穿透服务运行正常，并且飞书的服务器能访问到这个地址。可以在浏览器里直接访问你的 https://xxx.ngrok.io/feishu/webhook ，如果OpenClaw服务正常，可能会返回一个错误页面（因为不是POST请求），但这至少证明网络是通的。
    • 检查点4：加密密钥 ：如果飞书应用配置了“加密密钥”，那么必须在OpenClaw配置中也填写相同的 encryptKey ，否则消息无法解密。

5.3 技能开发与调试技巧

  • 充分利用日志 ：在技能代码中多用 console.log 或OpenClaw提供的 ctx.logger 输出关键步骤的中间结果，这是定位问题最快的方法。
  • 模拟测试 ：不要每次都通过飞书机器人测试。可以编写一个简单的测试脚本，直接调用技能的handler函数，传入模拟的上下文对象，这样调试效率更高。
  • 处理异步与超时 ：网络请求和LLM调用都可能超时。务必使用 try...catch 包裹，并设置合理的超时时间。对于批量处理，考虑使用 Promise.all 进行并发控制，但要注意目标网站的承受能力。
  • 管理LLM成本与性能 ：如果使用付费API，在技能中记录每次调用的token消耗，便于成本核算。对于旧笔记本跑本地模型，如果响应慢，可以尝试量化程度更高的模型（如4bit量化），或者将信息提取任务设计得更简单，减少上下文长度。

5.4 让旧笔记本稳定运行

  • 自动启动 ：我们希望笔记本合上盖子也能运行。可以创建一个systemd服务单元文件，将OpenClaw设置为系统服务，并配置为开机自启、故障重启。 
    # 示例 /etc/systemd/system/openclaw.service
[Unit]
Description=OpenClaw AI Assistant
After=network.target
[Service]
Type=simple
User=你的用户名
WorkingDirectory=/path/to/your/openclaw-project
Environment="NODE_ENV=production"
Environment="DEEPSEEK_API_KEY=你的密钥"
# 加载.env文件中的所有环境变量
EnvironmentFile=/path/to/your/openclaw-project/.env
ExecStart=/usr/bin/npm start
Restart=on-failure
[Install]
WantedBy=multi-user.target
    然后使用 sudo systemctl enable openclaw 启用。
  • 资源监控 ：使用 htop 或 glances 监控笔记本的CPU、内存和温度。长期高负载运行需注意散热，可以加个散热底座。
  • 数据备份 ：定期备份你的OpenClaw项目目录，尤其是配置文件、自定义技能和数据库（如果有的话）。

6. 不止于专利：OpenClaw的无限可能

成功处理专利链接只是一个开始。OpenClaw的技能生态是开放的，这意味着你可以教会它做任何事情。它的核心模式是“感知-思考-行动”循环：通过飞书（或其他渠道）感知你的指令，利用LLM进行思考和规划，然后调用各种工具去执行。基于这个模式，我们可以拓展出无数应用场景。

6.1 信息聚合与报告生成

  • 场景 ：每天早晨，让助手自动抓取你关注的行业新闻、社交媒体热点、竞品动态，生成一份简洁的每日简报，并发送到你的飞书。
  • 实现思路 ：编写技能，定时（通过cron job触发）调用RSS阅读、网页爬虫工具获取信息，再用LLM进行总结归纳，最后通过飞书消息或文档发送。

6.2 智能客服与问答知识库

  • 场景 ：将公司内部的产品文档、FAQ、规章制度等资料灌入向量数据库（如ChromaDB）。当员工在群里提问时，助手能自动从知识库中检索相关信息，生成精准回答。
  • 实现思路 ：利用OpenClaw的“记忆”或“知识库”插件，将文档切片并向量化存储。当收到问题时，技能先进行向量检索，再将检索到的片段和问题一起交给LLM，生成基于内部知识的回答。

6.3 自动化流程触发器

  • 场景 ：当飞书多维表格中某个字段被更新时（如“项目状态”改为“完成”），自动触发助手通知相关责任人，并在另一个项目管理工具（如Jira）中创建后续任务。
  • 实现思路 ：利用飞书开放平台的“事件订阅”功能，订阅表格变更事件。当OpenClaw收到事件推送后，解析事件内容，根据规则调用通知API和项目管理工具的API。

6.4 个人娱乐与创意伙伴

  • 场景 ：对助手说“给我写一个关于AI的爆款小红书文案开头”，或者“根据‘夏日海边’这个主题，生成5张图片的提示词”。
  • 实现思路 ：这类创意任务正是LLM的强项。只需编写简单的技能，将用户的创意指令稍作格式化，直接传递给LLM，并将返回的文案或提示词回复给用户。甚至可以进一步集成文生图API，直接返回图片。

6.5 跨平台自动化枢纽 OpenClaw不仅可以接飞书，理论上可以接入任何提供开放接口的平台：钉钉、企业微信、Slack、Discord，甚至是邮箱。你可以让它监控你的邮箱，自动处理特定类型的邮件（如账单、会议邀请），并将重要信息提取出来，同步到你的日历或待办清单中。它就像一个中央调度器，连接起你数字生活中的各个孤岛。

这个项目的魅力在于，它把AI从“聊天玩具”变成了一个可编程的、真正能替你干活的“数字员工”。而启动成本，仅仅是一台被淘汰的旧电脑和一点学习和折腾的时间。当看到它不知疲倦地处理那些繁琐任务时，你获得的不仅仅是效率，更是一种对技术掌控感的满足。我的那台旧笔记本，如今正安静地躺在角落，屏幕漆黑，但里面的“智能体”却在持续运行，随时等待我的下一个指令。这大概就是技术带给普通人的、最实在的浪漫吧。

Logo
亚马逊云科技技术品牌专区

更多推荐

cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！人工智能的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区