Tutorial de Kimi Claw: guía con ejemplos prácticos

Ejemplo 2: configurar tareas programadas

En este ejemplo le pedí a Kimi Claw que ejecutara una tarea programada que incluía búsqueda web y generación de un resumen. Kimi Claw interpretó la instrucción como un flujo recurrente y creó automáticamente una tarea programada de estilo cron que se ejecuta todos los días.

Prompt:

Search for new papers, model releases, and tools in LLMs and multimodal AI at 9:00 AM daily and provide me 5 key updates.

El agente realiza la búsqueda web de nuevos papers, lanzamientos de modelos y herramientas en LLMs e IA multimodal, y entrega cada mañana un resumen conciso con cinco novedades clave. Como se ve en la captura, Kimi Claw creó automáticamente un job tipo cron que se ejecuta todos los días a las 9:00 con un único prompt en lenguaje natural. En la práctica, se siente como convertir una simple instrucción en un proceso en segundo plano persistente.

Otro aspecto destacable es la gestión de tareas. Probé a añadir un segundo boletín similar y después eliminé ambos. Crear, actualizar y borrar estas tareas programadas fue tan sencillo como dar órdenes de seguimiento en el chat, lo que hace que la gestión de automatizaciones sea ligera y conversacional.

Una vez configuradas, estas tareas se ejecutan de forma independiente a la sesión de chat y convierten efectivamente a Kimi Claw en un sistema de monitorización continua para dominios de información específicos. Sin embargo, la limitación actual está en la visibilidad operativa. Aunque la ejecución tipo cron funciona con fiabilidad, hay poca visibilidad de los registros de ejecución, el historial de envíos o la gestión de fallos, ofreciendo un control mínimo sobre el ciclo de vida de la tarea.

En resumen, este ejemplo demuestra una de las capacidades más prácticas de Kimi Claw: convertir un simple prompt en un cron job persistente que recopila y resume información de forma continua con una configuración mínima.

Ejemplo 3: biblioteca de skills de ClawHub

En este ejemplo, Kimi Claw demostró su capacidad para ampliar funcionalidades a través de la ClawHub Skill Library, convirtiendo al agente en una herramienta de análisis específica de tareas en lugar de depender solo de razonamiento general.

Prompt

Search ClawHub and install the best skill for CSV EDA and insights (charts if supported). After installing, run a step-by-step flow and ask me the minimum questions needed, then analyze the dataset.

Tras el prompt, el sistema buscó automáticamente en ClawHub, seleccionó un skill adecuado para análisis de CSV e inició un flujo estructurado. En lugar de ejecutar el análisis de inmediato, primero hizo unas pocas preguntas dirigidas sobre el objetivo y el contexto del dataset. 

Este proceso de intake paso a paso es importante porque muestra que el skill sigue una canalización de ejecución definida, en lugar de producir un EDA genérico.

Una vez aclaradas las entradas, el skill realizó el análisis de extremo a extremo, incluyendo visión general de datos, controles de calidad, insights clave y generación de gráficos. Pero la principal limitación apareció en el manejo de resultados. 

Aunque se generaron gráficos, no se renderizaron en línea en la interfaz de chat. En su lugar, el sistema devolvió una ruta de archivo: /root/.openclaw/workspace/ev_brand_analysis.png. 

Esa ruta se refiere al espacio de trabajo interno en la nube, no accesible directamente desde el navegador. Como resultado, no fue posible previsualizar ni descargar fácilmente las visualizaciones.

En conjunto, la ejecución del skill es fiable y orientada a flujos, lo que la hace útil para tareas estructuradas como el análisis de datasets. Sin embargo, la visibilidad de artefactos y el acceso a archivos siguen siendo limitados, lo que reduce la usabilidad en flujos que producen resultados descargables.

Ejemplo 4: tarea de investigación en varios pasos

En este ejemplo, pedí a Kimi Claw que abordara una tarea de investigación que requería recopilar información de múltiples fuentes y sintetizarla en una comparación estructurada. Tras el prompt, el agente realizó búsquedas web y organizó los hallazgos en un informe claro.

Research the top 5 open-source agent frameworks.
Compare:
- Architecture
- Memory model
- Tool support
- Production readiness
Return a structured report.

Comprobé que, en lugar de listar la información de forma secuencial, la respuesta estaba estructurada para comparar, lo que facilitó evaluar los trade‑offs entre frameworks. Esto sugiere que Kimi Claw aplica un flujo de planificación para tareas de investigación más amplias, en las que la recuperación y la síntesis de información suceden de forma integrada y no como pasos aislados.

Otro aspecto destacable es la eficiencia. La tarea se completó en un tiempo razonable y no requirió aclaraciones posteriores, lo que indica que Kimi Claw maneja con fiabilidad prompts bien definidos y con múltiples restricciones incluso sin instrucciones explícitas paso a paso.

Aun así, se notan las limitaciones de la beta. Aunque la calidad del output es buena, a algunas secciones les faltaban citas de fuentes o supuestos explícitos, aspectos importantes para la toma de decisiones técnicas. Para investigaciones más profundas puede ser necesaria verificación adicional o validación manual.

Con todo, pese a estar en beta y con ciertas limitaciones operativas, es eficaz a la hora de convertir un solo prompt en un informe de investigación estructurado que de otro modo exigiría múltiples búsquedas y pasos manuales.

Ejemplo 5: analista de IA en Telegram

En este ejemplo probé la capacidad de Kimi Claw para operar como agente de comunicación externo integrándolo con Telegram mediante un token de BotFather (un bot generador de bots).

Prompt

Configure Telegram channel and test:
Team Q&AMeeting summariesResearch bot for group

Kimi Claw generó instrucciones paso a paso, gestionó el emparejamiento y confirmó la conexión sin requerir configuración manual fuera de la interfaz de chat. Esto demuestra que Kimi Claw puede manejar integraciones externas mediante instrucciones guiadas en lenguaje natural en lugar de los flujos tradicionales de configuración manual.

Sin embargo, el comportamiento operativo fue irregular tras la conexión. El bot no respondió de forma fiable en Telegram y las interacciones en grupo, como Q&A del equipo o asistencia a la investigación, no funcionaron como se esperaba. 

Esto coincide con la documentación actual, que indica que las integraciones de canal siguen en beta y pueden no funcionar de forma fiable en todos los escenarios.

La conclusión clave de este ejemplo es que, aunque el flujo de integración funciona, la fiabilidad en tiempo de ejecución para canales externos aún no está lista para producción. La función apunta maneras para convertir Kimi Claw en un asistente de equipo en múltiples plataformas de comunicación, pero por ahora debe considerarse experimental.

Conclusión

En este tutorial, Kimi Claw ha mostrado cómo un modelo conversacional puede funcionar como un agente que gestiona trabajo continuo en lugar de consultas puntuales. En los ejemplos, fue capaz de convertir instrucciones simples en lenguaje natural en trabajos programados, investigación estructurada, análisis basados en skills e integraciones externas, todo con muy poca intervención humana.

A la vez, los experimentos prácticos también señalan sus límites actuales. Aunque la programación y los flujos de investigación funcionan de forma fiable, áreas como la visibilidad de artefactos, el acceso a archivos, los controles de monitorización y las integraciones con canales externos siguen siendo limitadas. 

En general, Kimi Claw rinde mejor en flujos amplios y asíncronos, como la monitorización diaria, la investigación en varios pasos y la automatización ligera. Para desarrolladores, investigadores y profesionales del conocimiento que quieran explorar flujos con agentes (especialmente sin tener que configurar OpenClaw en su equipo ni gestionar infraestructura), ofrece un entorno sencillo y prometedor para empezar a experimentar.

Si quieres aprender más sobre cómo crear flujos agentic, te recomiendo el curso Multi-Agent Systems With LangGraph.