OpenClaw+百川2-13B自动化写作：从资料收集到Markdown生成全流程

1. 为什么需要自动化写作助手

作为一个技术内容创作者，我经常面临这样的困境：明明有大量技术观点想要表达，却总被繁琐的资料收集、格式调整和排版工作消耗精力。直到发现OpenClaw可以搭配本地部署的百川2-13B模型实现全流程自动化，我的写作效率才真正发生了质变。

这个组合最吸引我的特点是闭环处理能力——从打开浏览器检索最新技术文档，到整理关键信息，再到生成结构完整的Markdown草稿，整个过程无需人工干预。上周我测试用这个方案完成一篇关于微服务架构的文章，传统方式需要3小时的工作量，最终只用了47分钟就完成了初稿。

2. 环境准备与模型对接

2.1 基础环境搭建

我选择在MacBook Pro（M1芯片，16GB内存）上部署整套方案。OpenClaw的安装出乎意料地简单：

curl -fsSL https://openclaw.ai/install.sh | bash
openclaw onboard --install-daemon

配置向导中选择Advanced模式，在模型提供商处填写本地部署的百川2-13B服务地址。我的模型通过星图平台部署在本地服务器，地址是http://192.168.1.100:5000/v1，这里有个小技巧：如果模型服务启用了API密钥验证，需要在~/.openclaw/openclaw.json中补充：

{
  "models": {
    "providers": {
      "baichuan-local": {
        "baseUrl": "http://192.168.1.100:5000/v1",
        "apiKey": "your-api-key",
        "api": "openai-completions",
        "models": [
          {
            "id": "baichuan2-13b-chat",
            "name": "Baichuan2-13B-Chat",
            "contextWindow": 4096
          }
        ]
      }
    }
  }
}

2.2 模型特性适配

百川2-13B-4bits量化版在消费级GPU上表现优异，但需要注意两个特性：

1. 响应速度：相比云端API，本地推理的首次响应时间较长（约15-20秒）
2. 上下文限制：4096的上下文窗口需要合理控制输入信息量

我通过调整OpenClaw的chunk_size参数来解决这个问题，将长文档自动拆分为多个片段处理：

openclaw config set tasks.document.chunk_size 2000

3. 自动化写作全流程实现

3.1 任务拆解与技能组合

整个写作流程被设计为四个阶段，每个阶段对应不同的OpenClaw技能：

1. 信息采集阶段：使用web-researcher技能控制浏览器
2. 内容提炼阶段：调用text-summarizer处理网页内容
3. 草稿生成阶段：通过markdown-generator组织文章结构
4. 成果保存阶段：利用file-manager输出最终文件

安装这些技能只需要一条命令：

clawhub install web-researcher text-summarizer markdown-generator file-manager

3.2 实操案例：生成技术文章

当我需要写一篇关于"Rust并发编程"的文章时，只需向OpenClaw发送自然语言指令：

"请收集最近三个月Rust并发编程的最佳实践，整理出5个核心观点，生成包含代码示例的Markdown文章，保存到~/Documents/Rust-Concurrency.md"

系统会自动执行以下操作：

1. 打开Chrome浏览器，搜索"Rust concurrency best practices 2024 site:github.com"
2. 提取前5个相关页面的正文内容
3. 调用百川模型总结关键知识点
4. 生成包含目录、章节和示例代码的完整Markdown
5. 在指定路径创建文件

3.3 异常处理机制

在实际运行中，我遇到过几种典型问题及解决方案：

问题1：网页结构识别错误

• 现象：技能误将页面广告识别为正文
• 解决：在web-researcher配置中添加CSS选择器白名单

{
  "skills": {
    "web-researcher": {
      "content_selectors": [".article-body", ".markdown-body"]
    }
  }
}

问题2：模型生成内容偏离主题

• 现象：文章包含无关的技术术语
• 解决：在指令中添加明确的负面提示词

"请避免讨论Tokio运行时细节，聚焦标准库的std::thread和std::sync"

问题3：文件权限错误

• 现象：无法保存到指定目录
• 解决：为OpenClaw授予完全磁盘访问权限（Mac系统设置→隐私与安全性）

4. 效果评估与优化建议

经过两周的持续使用，这个方案已经帮我产出了7篇技术博客。与纯人工写作相比，自动化方案展现出三个明显优势：

1. 信息时效性：能自动获取最新社区讨论和GitHub提交，避免引用过时的方案
2. 格式一致性：生成的Markdown完美适配我的博客引擎，省去格式调整时间
3. 灵感激发：模型有时会提出意想不到的技术观点组合

但也存在需要人工干预的环节：

• 技术准确性核查（特别是代码示例）
• 个人写作风格的强化（添加更多口语化表达）
• 引用的权威性验证

我的优化方案是在关键节点设置人工确认步骤。例如修改markdown-generator技能，在以下环节暂停执行：

• 文章大纲生成后
• 代码示例插入前
• 最终保存前

这可以通过在技能配置中添加pause_points实现：

{
  "skills": {
    "markdown-generator": {
      "pause_points": ["outline", "code_block", "before_save"]
    }
  }
}

5. 个人实践心得

自动化写作最大的价值不在于完全替代人工，而是把创作者从重复劳动中解放出来。在使用OpenClaw+百川2-13B的这一个月里，我总结出三条实用建议：

保持适度参与：完全自动化生成的内容缺乏个性，最佳模式是人机协作。我会在模型生成大纲后，手动调整章节顺序并添加个人案例。

建立知识库：为OpenClaw配置专属文件夹存放常用参考资料（我的在~/OpenClaw/knowledge_base），模型在写作时会优先参考这些经过验证的内容。

分层级使用：简单资讯类文章可以90%自动化，核心技术文章则采用"模型生成→人工改写"的两段式流程。不同重要程度的内容适合不同的自动化程度。

这套方案特别适合独立开发者和技术博主，它能将写作过程中的机械性工作压缩到最低限度，让我们更专注于内容本身的价值创造。现在我的写作流程已经从"收集-写作-排版"变成了"审核-优化-发布"，效率提升的同时质量反而更加稳定。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。