1. 项目概述：一个为以色列消费者打造的智能折扣查询技能

如果你在以色列生活或购物，大概率经历过这样的场景：站在超市收银台前，看着钱包里几张不同的信用卡、会员卡和手机里一堆优惠券App，突然有点懵——“今天在Victory超市买这堆东西，到底用哪张卡最划算？” 或者，想给家里囤点牛奶和鸡蛋，打开手机地图，看着周围好几家超市，又犯愁了——“Rami Levy、Shufersal、Victory，哪家的政府限价商品今天最便宜？”

这些问题，正是ClawSavings这个项目要解决的。它是一个运行在OpenClaw智能体生态系统中的“技能”，你可以把它理解为一个专门为以色列消费市场打造的、极度本地化的省钱助手。它的核心工作很简单： 把任何一个商店（或消费场景）映射到当前最优的折扣方案上 。这个“最优方案”可能来自HiTech Zone信用卡的POS折扣、Poalim Wonder积分兑换的优惠券，也可能是政府价格透明网站上的实时比价数据。

我之所以对这个项目感兴趣，是因为它精准地戳中了一个高频、刚需但信息极度分散的痛点。在以色列，各种折扣渠道五花八门：银行信用卡的附加福利（如Cal卡背后的HiTech Zone）、超市自家的会员计划、第三方积分平台（如Poalim Wonder），还有政府强制推行的价格数据。普通消费者根本记不住，也懒得去交叉比对。ClawSavings的价值就在于，它把这些散落在各处的“省钱信息”聚合、结构化，并通过一个类似聊天机器人的智能体接口，让你用最自然的方式（比如在WhatsApp或Telegram群里直接问）瞬间得到答案。

这个项目最初由yhyatt发起，是OpenClaw开源技能生态的一部分。它目前覆盖了以色列72家主流商店和14个消费类别，从超市、餐厅、外卖到药店、时尚、电子产品，几乎涵盖了日常消费的所有场景。对于开发者而言，它展示了一种如何为特定区域市场构建垂直领域AI应用的思路；对于终端用户（尤其是希伯来语使用者），它就是一个能塞进群聊里的“省钱专家”。

2. 核心设计思路：两层知识库与按需加载

当我深入研究ClawSavings的代码结构时，发现它的架构设计非常务实，充满了工程上的“巧思”，完全是从实际运行的成本和效率出发的。这不像一些学院派项目，追求理论上的完美；它的每一个设计决策，背后都有明确的、针对现实约束的考量。

2.1 为什么是“两层”知识库？

这是整个项目最核心的设计。在 discounts.json 这个知识库文件中，数据被清晰地分成了两层：

1. 结构层 ：定义了哪个折扣源（如HiTech Zone Card）覆盖哪个消费类别（如超市），以及能提供的 最大折扣百分比 （ max_pct ）。例如，HiTech Zone Card在超市类别的最大折扣是20%。
2. 交易层 ：存储了具体的、有面额的优惠券交易详情。例如，Poalim Wonder平台上，一张面值300谢克尔的Victory超市礼品卡，当前售价是259谢克尔+50积分。

这个设计的 根本原因在于数据的变化频率和获取成本完全不同 。

• 结构层数据（哪个源覆盖哪类店） ：这类信息非常稳定。银行和积分平台与商家的合作协议不会天天变，一个折扣项目覆盖哪些大类，通常以季度甚至年度为单位更新。因此，这部分数据可以“近乎静态”地处理，手动维护，更新频率很低。
• 交易层数据（具体优惠券价格） ：这类信息变动频繁。优惠券是“商品”，其价格（用积分或现金购买所需金额）会随着库存、促销活动实时波动，可能每周甚至每天都不一样。获取这些实时价格通常需要模拟浏览器登录、抓取网页，成本较高。

把两者分离的好处立竿见影： 用低成本的数据回答大部分问题 。当用户问“在Victory用什么卡最好？”时，智能体可以先从结构层快速回答：“HiTech Zone Card最高能省20%，Poalim Wonder也可能有优惠券。” 这个回答已经解决了80%的疑问。只有当用户明确需要知道“具体能省多少钱”时，系统才需要去触发成本较高的交易层数据刷新。这是一种典型的“延迟计算”和“缓存优先”思想，在资源（特别是AI调用token和网络请求）有限的情况下非常有效。

2.2 令牌高效加载机制

OpenClaw这类智能体在运行时，每次读取文件内容都会消耗Token（可以理解为处理能力和成本的单位）。 discounts.json 如果完整加载，内容会很长，消耗的Token也多。ClawSavings采用了一种“按需读取”的聪明办法。

它的流程是这样的：

1. 首先，它维护一个极小的、常驻内存的 快速查询表 （ quick_lookup.store_to_category ）。这个表只做一件事：把商店名字（如“Victory”）映射到其所属的类别（如“supermarkets”）。这一步消耗的Token极少（约200个）。
2. 确定了类别后，智能体 只去读取 discounts.json 中属于该类别的数据片段 ，以及一些必要的源信息元数据。这样一来，每次查询加载的数据量从整个文件缩减到了一个类别，Token消耗从可能的上万降到了800-1200个。

根据项目文档的说法，这减少了约75%的Token消耗。在AI应用按Token计费的大背景下，这个优化直接关系到项目的可持续性和响应速度。我自己的经验是，在处理大规模、结构化的参考数据时，这种“索引+片段加载”的模式是降低运营成本的关键，远比一味追求更强大的模型来得实在。

2.3 按需缓存刷新策略

缓存策略和两层知识库的设计是联动的。交易层数据中的每个优惠券条目都有一个 cached_at （缓存时间）标记和30天的TTL（生存时间）。

当查询到来时：

1. 系统先检查所需数据的 cached_at 。如果它不存在，或者距离现在超过30天，则被视为“过期”。
2. 关键点来了：系统不会让用户等待。 它会立即用结构层中的 max_pct （最大折扣百分比）给出一个初步的、保守的答案。例如：“目前数据显示，通过Poalim Wonder在Victory消费最高可能有约13%的折扣。”
3. 同时，如果本次查询确实需要精确价格（或者系统决定在后台更新），它会 异步触发 一个数据刷新任务（ scripts/refresh_deals.py ）。这个任务会启动浏览器，模拟登录相应网站，抓取最新的优惠券价格。
4. 刷新成功后，更新 discounts.json 中对应条目的 deals 数组和 cached_at 时间戳。
5. 下一次相同的查询，用户就能立刻得到精确的、带具体金额的答案。

这个策略平衡了“准确性”和“响应速度”。用户永远不会面对一个空白的、正在加载的界面，总能立刻得到一个有用的答案（哪怕是基于稍旧的数据或估算）。后台的刷新过程对用户是无感的。这在实际产品中非常重要，即使用户感知到的数据不是“实时秒级更新”，连续的、快速的交互体验也比一次漫长的等待要好得多。

注意 ：这种异步刷新机制要求部署环境能够执行后台任务。如果是简单的服务器less函数，可能需要结合消息队列或定时触发器来实现，否则“异步刷新”这一步可能会失败。

3. 折扣源解析与数据维护实操

要理解ClawSavings能做什么，首先得搞清楚它背后连接的这些以色列本土折扣源。这不仅仅是技术集成，更是对当地商业生态的理解。

3.1 五大折扣源深度剖析

1. HiTech Zone Card (כאל)

   • 类型 ：POS机刷卡折扣。这是最直接、无感的省钱方式。结账时使用指定的信用卡（通常是Bank Hapoalim的Cal卡），折扣直接在账单上扣除。
   • 覆盖范围 ：最广，涵盖食品连锁、药店、餐厅、时尚、旅游等。它不依赖于优惠券，是卡组织与商户直接谈的合作。
   • 认证要求 ：需要持有该实体信用卡。ClawSavings在这里的角色是“提醒器”，告诉你在这个店用这张卡有折扣，但它无法替你完成支付认证。

2. HiTech Zone Club

   • 类型 ：折扣券/礼品卡购买。这是一个会员制平台，提供低于面值的各类商业礼品卡。比如花90谢克尔买一张100谢克尔的咖啡店卡。
   • 覆盖范围 ：约500家企业，跨所有类别。
   • 认证要求 ：需要HiTech Zone网站的登录账号。ClawSavings若要做自动化刷新，就需要处理登录会话（Cookie、Token），这是数据抓取中比较复杂的一环，涉及模拟登录和会话保持。

3. HiTech Zone PRO²

   • 类型 ：现金返还+商店折扣。这是HiTech Zone的升级服务，在网站消费有返现，在特定合作商店有额外折扣。
   • 覆盖范围 ：相对特定，集中于线上和PRO²专属商店。
   • 认证要求 ：同样需要登录。其数据结构可能与Club不同，需要单独适配。

4. Poalim Wonder

   • 类型 ：积分兑换优惠券。Bank Leumi（邮政银行）客户可以将信用卡消费累积的积分，以非常优惠的比例兑换成合作商店的礼品卡。这是以色列非常主流的一种积分消费方式。
   • 覆盖范围 ：主流食品连锁、外卖、时尚、体育、礼品店等。它的优惠力度往往很大（见后文示例表格）。
   • 认证要求 ：免费注册即可。对于爬虫来说，其页面结构可能相对友好，但同样需要注意反爬机制。

5. 政府价格透明度数据

   • 类型 ：全商品价格对比。以色列法律要求大型超市连锁每日上传数百种受监管商品的价格。这是一个公开的、标准化的数据源（通常以XML格式提供）。
   • 覆盖范围 ：所有主要超市连锁（Shufersal, Rami Levy, Victory等）。
   • 认证要求 ：无。这是最“干净”的数据源，可以直接通过API或下载文件获取，稳定性高，是进行“哪里最便宜”比价的黄金数据。

3.2 数据维护：手动与自动的平衡

维护这样一个知识库，是持续性的工作。ClawSavings采用了混合策略：

季度维护（结构层）

• 操作 ：手动检查 discounts.json 中的 max_pct 和 last_reviewed 字段。
• 检查什么 ：访问HiTech Zone、Poalim Wonder等官网，查看是否有大的合作商户变动、折扣档位调整。例如，HiTech Zone是否取消了某家连锁店的合作？Poalim Wonder的积分兑换比例是否有全局性调整？
• 技巧 ：可以设置一个日历提醒，每季度花半小时进行一次巡检。这部分变动不频繁，手动维护成本可控，且能确保基础框架的准确性。

按需/定期刷新（交易层）

• 自动脚本 ：项目提供了 scripts/refresh_deals.py 脚本。运行 python scripts/refresh_deals.py --source poalim_wonder 即可刷新指定来源的优惠券数据。
• 原理 ：这个脚本很可能使用 selenium 或 playwright 这样的浏览器自动化工具，模拟访问Poalim Wonder的优惠券页面，解析HTML，提取商店名称、面值、现价、所需积分等信息，然后格式化并更新到 discounts.json 的对应 deals 数组中。
• 手动更新 ：当然，你也可以直接编辑 discounts.json 文件。找到对应的商店和折扣源，修改 deals 数组，并将 cached_at 设置为当前日期。这在测试或紧急修正时很有效。
• 部署建议 ：在生产环境中，应该将这个刷新脚本设置为 定时任务 （例如，每周运行一次）。可以使用系统的cron job，或者如果你用云服务，可以使用AWS Lambda的定时触发器、Google Cloud Scheduler等。重要的是处理好错误：网络超时、网站改版导致解析失败等情况，脚本应该有日志记录和重试机制，避免因为一次失败污染了缓存数据。

实操心得 ：在编写这类爬虫脚本时，有两点至关重要。第一， 设置合理的请求间隔 （如 time.sleep(random.uniform(2,5)) ），避免对目标网站造成压力，这也是基本的网络礼仪。第二， 做好异常处理和数据验证 。解析到的价格是否是一个合理的数字？是否比面值还高？在写入 discounts.json 前，应该有一套简单的逻辑校验，防止抓取到错误或异常数据导致智能体给出离谱的建议。

4. 技能集成与OpenClaw智能体交互实现

ClawSavings作为一个“技能”，其灵魂在于 SKILL.md 文件。这个文件定义了智能体（Agent）如何理解用户问题、何时调用本技能、以及调用后如何思考和回复。这是连接底层数据与上层对话的桥梁。

4.1 技能指令剖析

SKILL.md 里通常包含以下几部分关键指令，我根据常见模式进行还原和解读：

1. 技能描述与触发 ：告诉智能体“你是谁，干什么的”。

   你是一个以色列消费折扣专家。当用户询问在特定商店使用哪种支付方式最划算、哪里购买某类商品最便宜，或者查询特定品牌的优惠券时，你应该使用本技能。
   核心能力：比较HiTech Zone Card、HiTech Zone Club/PRO²、Poalim Wonder以及政府价格数据，为用户提供最优省钱方案。
   

2. 查询理解与参数提取 ：教智能体如何从用户凌乱的自然语言中提取关键信息。

   用户可能这样问：
   - “在Victory用什么卡好？” -> 提取商店：Victory
   - “买牛奶去哪家超市便宜？” -> 提取商品类别：牛奶 (属于超市)， 模式：比价
   - “Wolt有折扣吗？” -> 提取商店：Wolt， 模式：优惠券查询
   
   你需要识别出：目标商店（或商品）、用户关心的折扣类型（刷卡折扣、优惠券、纯比价）。
   

3. 决策与执行逻辑 ：这是技能的核心“思考”过程。

   步骤：
   1.  确定商店和类别：使用 quick_lookup 映射商店到类别。
   2.  加载数据：仅加载该类别对应的 discounts.json 片段。
   3.  分析可用折扣源：
       a. 如果有政府价格数据且用户问比价，优先展示跨超市价格对比。
       b. 检查所有覆盖该商店的折扣源（HTZone Card, Club, Poalim Wonder）。
       c. 对于每个源，如果有缓存的有效具体交易（deals），则计算实际节省金额（面值-现价）。
       d. 如果无缓存但结构层有 max_pct，则告知最大可能折扣，并提示价格需刷新。
   4.  排序与推荐：将所有选项按节省金额或折扣比例从高到低排序。
   5.  生成回复：用清晰、有条理的列表呈现结果，注明数据来源和缓存时间。
   

4. 回复模板 ：确保输出格式友好、一致。

   针对“Victory用什么卡”的回复示例：
   
   🛒 **在 Victory 的最佳折扣方案** (数据更新于 2026-03-10)
   
   1.  **Poalim Wonder 优惠券** (节省最多)
       - ₪300 面值礼品卡，售价 ₪259 + 50积分。
       - **实际节省：₪41** (约 13.7% 折扣)
       - 需使用 Bank Leumi 积分兑换。
   
   2.  **HiTech Zone Card (כאל) 刷卡折扣**
       - 直接刷卡享受折扣。
       - **最高折扣：20%** (基于历史合作数据，结账时自动扣除)。
       - 需持有 Bank Hapoalim 的 Cal 信用卡。
   
   💡 提示：Poalim Wonder 券需提前兑换，HiTech Zone Card 最方便。政府数据显示 Victory 的牛奶今日价格为 ₪5.9，与 Shufersal 持平。
   

4.2 在OpenClaw中部署与调试

部署过程本身很简单，就是复制文件夹：

cp -r clawsavings ~/.openclaw/workspace/skills/

OpenClaw框架应该会自动扫描 skills 目录并加载新技能。关键在于后续的调试。

• 测试查询 ：在OpenClaw的对话界面中，尝试用希伯来语或英语（取决于技能配置）输入各种查询。例如：“קפה לנדוור הנחה”、“discount for Castro”、“cheapest supermarket for eggs”。
• 查看日志 ：OpenClaw通常会有运行日志，记录智能体是否识别了技能、调用了哪些函数、加载了哪些数据。通过日志可以判断参数提取是否正确、数据加载是否完整。
• 验证输出 ：检查回复是否准确引用了 discounts.json 中的数据，排序逻辑是否正确，对于过期数据的提示是否清晰。

注意事项 ：技能的成功运行高度依赖OpenClaw主框架的版本和配置。确保你的OpenClaw版本支持技能加载机制，并且模型有足够长的上下文窗口来处理 discounts.json 中加载的数据片段。如果回复出现混乱或包含无关信息，可能是智能体没有正确地将问题路由到本技能，需要检查 SKILL.md 中的触发描述是否足够精确。

5. 扩展方向与实战优化建议

ClawSavings项目文档中提到了Roadmap，这些都是很好的扩展方向。结合我开发类似本地化服务的经验，还有一些更深层次的优化点和潜在挑战值得探讨。

5.1 官方路线图解读与实现难点

1. 政府XML价格集成 ：

   • 价值 ：这是实现“精准比价”的杀手锏。从回答“哪家超市便宜”升级到“哪家超市的 1升3%牛奶 今天最便宜”。
   • 实现 ：需要集成类似 OpenIsraeliSupermarkets 这样的开源爬虫库或直接解析政府提供的XML每日数据文件。难点在于 数据对齐 ：政府数据中的商品名称、规格单位需要与用户查询中的口语化名称（如“Milk 3%”、“חלב 3%”）进行匹配。这可能需要构建一个简单的商品同义词映射表。

2. HTZone交易自动化 ：

   • 难点 ：HTZone网站登录通常需要处理更复杂的认证（可能包括双因素认证）。自动化浏览器需要 持久化会话 （保存cookies到文件），并处理登录过期问题。此外，其页面结构可能比Poalim Wonder更复杂，动态加载内容多，需要更稳定的选择器和等待逻辑。
   • 建议 ：使用 playwright 这类现代浏览器自动化工具，它比 selenium 在处理SPA（单页应用）上更可靠。务必使用 headless=False 模式进行开发调试，亲眼看到自动化操作每一步是否成功。

3. 扩展至Max/Isracard ：

   • 意义 ：覆盖以色列另外两大信用卡集团（Max属于Leumi， Isracard是独立的卡组织），将覆盖率提升到接近100%。
   • 挑战 ：每个卡组织的福利体系接口都不同。有的可能提供简单的API（可能性不大），有的可能需要解析复杂的会员网页。工作量是线性的，但价值巨大。

5.2 超越路线图：深度优化思路

1. 个性化推荐 ：

   • 目前的技能是“客观最优”。但用户可能有偏好：A用户就是喜欢用Poalim积分，B用户只关心刷卡无感折扣。可以在技能中增加 用户偏好设置 。例如，在OpenClaw的上下文中记忆用户说过“我只有Cal卡”，那么后续推荐优先展示HiTech Zone Card的方案。

2. 交易历史与趋势分析 ：

   • 在 discounts.json 的 deals 中，不仅可以存当前价格，还可以保留 历史价格数组 。这样就能回答：“Poalim Wonder的Victory券最近是不是涨价了？” 甚至可以给出建议：“历史数据显示，这款券通常在月末折扣更大，可以等等。”

3. 多渠道通知与预警 ：

   • 除了被动查询，可以设置 主动通知 。例如，用户说“监控一下Wolt的100谢克尔券，低于80谢克尔时告诉我”。技能可以结合定时刷新任务，在条件满足时通过Telegram Bot主动推送消息给用户。这从“查询工具”变成了“省钱助手”。

4. 处理模糊与复合查询 ：

   • 用户可能会问：“我今天要去购物，买吃的和用的，怎么最省钱？” 这是一个跨类别（超市、家庭用品）的复合查询。技能需要能汇总多个类别的最优方案，甚至计算出一条最优的购物路线（如果结合地理位置数据）。

5.3 数据质量与可靠性的生命线

对于此类严重依赖外部数据的应用，数据源的可靠性是生命线。

• 数据源监控 ：建立简单的监控，定期（如每天）运行测试查询，检查核心商店（如Victory, Shufersal）的数据是否还能成功获取和解析。一旦失败，立即报警。
• 降级方案 ：当某个折扣源（如Poalim Wonder网站改版）临时无法抓取时，技能应能优雅降级。例如，回复：“Poalim Wonder的实时价格暂时无法获取，但根据上周缓存，其折扣通常在10%-15%。您可以参考HiTech Zone Card的20%刷卡折扣。”
• 法律与合规 ：务必仔细阅读目标网站的 robots.txt 和服务条款。确保你的抓取频率是友好的，不构成攻击。对于公开的政府数据，通常没有问题；但对于银行和商业网站，需保持谨慎。可以考虑在项目中添加明确的免责声明。

ClawSavings是一个出色的范例，展示了如何用相对轻量的技术（结构化数据+规则逻辑+简单爬虫），结合大语言模型的自然语言理解能力，解决一个具体地域内的具体问题。它的架构考虑到了性能和成本，它的数据模型区分了稳定与变化，它的扩展路线清晰务实。无论是想学习构建地域性AI应用，还是单纯想为自己在以色列的生活省点钱，这个项目都提供了极具价值的参考。