你是不是也试过：收藏了一堆AI工具，最后只用来查个资料、写几行代码？

真正的AI助手，从来不是“你问它答”的被动聊天工具——能主动按你的节奏干活、定时交付结果的，才叫真正的生产力神器。

最近我用OpenClaw搭了个AI早报推送系统，每天8点自动抓取36氪、量子位、新智元的AI热点，生成3分钟就能读完的精简早报，直接推到飞书私聊里。

不用手动刷资讯，不用操心定时，每天上班前就能拿到整理好的行业干货。

今天就把这套“主动交付式AI”的搭建方法拆透，技术大叔亲测，全程无晦涩术语，新手也能跟着做。

如果你还没有安装搭建AI工具，请左转进入我之前的文章学习：

Claude Code实战1：Claude Code深度介绍（附最全安装指南）

OpenClaw 多模型本地部署实测，安装配置坑点全踩全解

一、先想清楚：为什么“主动交付”才是AI助手的核心？

做AI早报推送前，我踩过不少坑： 每天早上先花20分钟刷3个AI站点，手动挑热点、删重复内容，再整理成可读的格式，最后转发给团队——看似小事，却占了每天最黄金的专注时间。

这也是大多数人用AI的误区：把AI当成“工具人”，却没让它替代“重复劳动”。

OpenClaw的核心价值，就是把“人找信息”变成“信息找人”：

• 你定规则：什么时候推、推什么内容、推到哪；

• 它来执行：自动抓取、去重、生成摘要、准时推送；

• 全程无人工：哪怕你没起床，8点的早报也会准时到。

这才是“主动交付式AI”——不是你用它，是它为你干活。 首先是搭建需求和技术规格说明书，分享我的主要需求和规格截图。当然AI时代，需求管理也是可以跟AI共创完成的；另外还有一个好处是，有需求基线后，后面的功能优化和迭代可以有据可查。AI时代做好需求管理仍然是个好习惯。

二、第一步：搭骨架——用YAML搞定核心规则配置

搭建的核心是“规则先行”，我用YAML做配置文件，不用改一行代码，就能调整推送逻辑。这一步是基础，也是OpenClaw灵活的关键。

1. 先定义“抓取任务”（fetch_jobs）

告诉系统要抓哪些站点、抓多少内容：

fetch_jobs:  - id: "morning_ai"    sources: ["36kr", "量子位", "新智元"]  # 指定数据源    collect_count: 20  # 每次抓20条素材

这里有个小坑我踩过：一开始把collect_count设成50，结果抓取超时，后来调到20刚好——不是抓得越多越好，够用就行。

2. 再定义“推送任务”（push_jobs）

关联抓取任务，指定推送时间、频率、内容模块：

push_jobs:  -id:"push_morning_ai"    fetch_job_id:"morning_ai"# 关联上面的抓取任务    schedule:      -time:"08:00"# 推送时间        frequency:{unit:"day",value:1}# 每天推送    features:      content_blocks:["A","B","C"]# A=要闻，B=选题，C=Top10热点      link_count:10# 只推Top10链接

重点提醒：推送时间要比抓取时间早3分钟（系统自动算），不用手动配——这个细节能避免“推送了但内容还没抓完”的尴尬。

3. 最后配置数据源

给每个站点加开关，方便后续启停：

sources:  -name:"36kr"    enabled:true    url:"https://36kr.com"-name:"量子位"    enabled:true    url:"https://www.qbitai.com"

我建议一开始只开2-3个核心站点，多了容易出问题，比如某个站点访问失败，会拖慢整个抓取流程。

三、第二步：填血肉——抓取+生成，让早报“有料又好读”

配置搭好骨架，接下来要让早报“有内容、不重复、读得爽”——这一步是OpenClaw从“能用”到“好用”的关键。

1. 多数据源抓取：自动降级，不怕站点崩了

我选了3个AI核心站点，但做了“自动降级”逻辑：如果某个站点访问失败（比如量子位服务器卡了），系统会跳过它，只用能访问的站点生成内容，不会直接报错停摆。

这是我踩过的第二个坑：第一次上线时没做降级，某个站点采集失败，整个早报直接推送失败——后来加了这个逻辑，稳定性直接拉满。

2. 去重+锁：避免重复推送的“致命问题”

AI早报最忌讳重复发同一内容，我用“内容hash锁”解决：每次生成早报后，系统会计算内容的hash值，存到本地日志里；下次推送前先查hash，重复了就直接跳过。

举个例子：如果3个站点当天的热点高度重合，系统会自动合并，不会把同一条新闻发三遍——这也是“主动交付”的细节：不仅要推，还要推得靠谱。

3. 自动摘要：3分钟速览，不浪费读者时间

我给早报加了“速览模块”，系统会把抓取的内容自动分段、生成摘要，控制在3分钟能读完的长度——毕竟没人愿意上班前读长篇大论。

这里的小技巧：摘要不要追求“全”，要抓“关键”，比如AI融资、技术突破、行业政策，这三类是AI从业者最关心的，优先放。

四、第三步：跑起来——调度+推送，让早报准时到手里

配置和内容都搞定，最后一步是让系统“自己跑起来”，不用你每天手动触发。

1. 选调度工具：macOS用LaunchAgent最稳

我试过Cron和Python的APScheduler，最后选了LaunchAgent（仅限macOS）——系统级调度，不用常驻进程，日志也好查，哪怕重启电脑也能自动恢复。

配置LaunchAgent的小细节：把脚本路径写绝对路径，避免“找不到文件”的问题；日志文件定在固定目录，每天检查一次，能快速定位问题。

2. 推送渠道：飞书OpenAPI为主，Webhook兜底

主渠道用飞书OpenAPI（tenant_access_token + messages），权限可控，还能追溯推送记录；备用渠道设Webhook，万一API出问题，能自动降级推送，避免漏报。

这里要注意：飞书的token要定期更新，我加了个“token过期提醒”，避免突然推送失败——细节决定稳定性。

3. 失败重试：不怕偶尔出问题

系统会记录每次抓取和推送的日志，失败了会自动重试（最多3次），还会把失败原因写到日志里——比如网络超时、站点访问受限，都能快速排查。

我还加了个“推送成功提醒”，推完早报会给我发个私聊，确认当天的早报已经送达，心里有底。

最后看看开发调试的结果展示吧：

关键洞察：AI落地，从来都是“小场景胜过大而全”

做这个AI早报推送系统，我最大的感受是：

现在很多人追求“大模型、全功能”，却忽略了“小场景的自动化”——比如每天20分钟的资讯整理，看似小事，累积下来就是巨大的时间成本。

OpenClaw这类工具的价值，不是炫技式的“AI能力”，而是把“人不想干、又不得不干的重复活”接过来，让你把时间花在更有价值的事上：比如分析早报里的行业趋势，而不是整理早报本身。

AI助手的终极形态，从来不是“什么都会”，而是“在你需要的时候，主动把结果交过来”——这才是“主动交付式AI”的核心，也是AI落地的真正意义。

互动结尾：你想让AI帮你做什么“主动交付”的事？

我搭建这个AI早报推送，前后花了半天时间，现在每天能省20分钟，累积下来一年就是120多个小时——这些时间足够读好几本AI技术书了。

你有没有想过用AI做类似的“主动交付”？比如：

• 每天自动整理行业研报？

• 定时推送竞品动态？

• 每周生成团队工作周报？

评论区聊聊你的想法，欢迎留言索要：这个功能需求和开发规格说明书，配置资料。只要你愿意动手，你也可以的。 如果这篇教程对你有帮助，别忘了点赞、在看，把它分享给同样想让AI“主动干活”的朋友～

关键词标签

OpenClaw实战 | AI自动化 | 早报推送 | 主动交付式AI | 飞书API | 定时调度 | AI落地小场景

Claude Code实战1：Claude Code深度介绍（附最全安装指南）

OpenClaw 多模型本地部署实测，安装配置坑点全踩全解

OpenClaw飞书助手从0到可用，我踩遍6个致命坑（附可复刻实操）