Tutoriel Kimi Claw : guide avec des exemples concrets

Exemple 2 : définir des tâches planifiées

Dans cet exemple, j’ai demandé à Kimi Claw d’exécuter une tâche planifiée incluant une recherche web et la génération d’un résumé. Kimi Claw a interprété l’instruction comme un workflow récurrent et a automatiquement créé une tâche planifiée de type cron qui s’exécute chaque jour.

Invite :

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

L’agent effectue la recherche web des nouveaux articles, sorties de modèles et outils en LLM et IA multimodale, puis livre chaque matin un résumé concis avec cinq informations clés. Comme le montre la capture d’écran, Kimi Claw a automatiquement créé une tâche de type cron à 9 h tous les jours à partir d’une simple instruction en langage naturel. En pratique, c’est comme transformer une instruction de chat en tâche d’arrière-plan persistante.

Autre point notable : la gestion des tâches. J’ai testé l’ajout d’un deuxième digest similaire, puis j’ai supprimé les deux. Créer, mettre à jour et supprimer ces tâches planifiées s’est fait simplement via des commandes de chat de suivi, ce qui rend la gestion de l’automatisation à la fois légère et conversationnelle.

Une fois configurées, ces tâches s’exécutent indépendamment de la session de chat et transforment efficacement Kimi Claw en système de surveillance continue pour des domaines d’information ciblés. La limite actuelle réside toutefois dans la visibilité opérationnelle. Bien que l’exécution de type cron soit fiable, la visibilité sur les journaux d’exécution, l’historique de diffusion ou la gestion des échecs reste limitée, offrant un suivi et un contrôle minimaux du cycle de vie des tâches.

Dans l’ensemble, cet exemple illustre l’une des capacités les plus pratiques de Kimi Claw : convertir une simple invite en tâche cron persistante qui collecte et résume en continu des informations avec une configuration minimale.

Exemple 3 : bibliothèque de compétences ClawHub

Dans cet exemple, Kimi Claw a montré sa capacité à étendre ses fonctionnalités via la bibliothèque de compétences ClawHub, transformant l’agent en outil d’analyse dédié plutôt que de s’appuyer uniquement sur un raisonnement généraliste.

Invite

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.

Après l’invite, le système a automatiquement recherché sur ClawHub, sélectionné une compétence adaptée à l’analyse CSV et lancé un workflow structuré. Au lieu d’exécuter immédiatement l’analyse, il a d’abord posé quelques questions ciblées sur l’objectif et le contexte du jeu de données. 

Ce processus d’onboarding pas à pas est important, car il montre que la compétence suit un pipeline d’exécution défini plutôt que de produire un EDA générique.

Une fois les paramètres clarifiés, la compétence a mené l’analyse de bout en bout : vue d’ensemble des données, contrôles qualité, insights clés et génération de graphiques. La limite principale est apparue dans la gestion des sorties. 

Bien que des graphiques aient été générés, ils n’étaient pas rendus directement dans l’interface de chat. Le système a renvoyé à la place un chemin de fichier : /root/.openclaw/workspace/ev_brand_analysis.png. 

Ce chemin renvoie à l’espace de travail cloud interne, non accessible directement depuis le navigateur. En conséquence, il n’était ni possible d’apercevoir les visualisations ni de les télécharger facilement.

Dans l’ensemble, l’exécution de la compétence est fiable et orientée workflow, utile pour des tâches structurées comme l’analyse de jeux de données. Toutefois, la visibilité sur les artefacts et l’accès aux fichiers restent limités, ce qui réduit l’ergonomie pour les workflows produisant des livrables téléchargeables.

Exemple 4 : tâche de recherche multi-étapes

Dans cet exemple, j’ai demandé à Kimi Claw de gérer une tâche de recherche nécessitant la collecte d’informations provenant de multiples sources et leur synthèse en une comparaison structurée. Après l’invite, l’agent a effectué des recherches web et organisé les résultats dans un rapport clair.

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

J’ai constaté que, plutôt que d’énumérer les informations, la réponse était structurée pour la comparaison, ce qui facilite l’évaluation des compromis entre frameworks. Cela suggère que Kimi Claw applique un workflow de planification pour les tâches de recherche plus larges, où la collecte et la synthèse d’informations se font de concert plutôt qu’en étapes isolées.

Autre point notable : l’efficacité. La tâche s’est terminée dans un délai raisonnable et n’a pas nécessité de clarification ultérieure, ce qui indique que Kimi Claw gère de manière fiable des invites bien définies et à multiples contraintes, même sans instructions étape par étape explicites.

Cependant, les limites de la bêta restent visibles. Bien que la qualité de sortie soit solide, certaines sections manquaient de sources explicites ou d’hypothèses détaillées, pourtant essentielles pour les décisions techniques. Pour des recherches approfondies, une vérification ou validation manuelle supplémentaire peut rester nécessaire.

Malgré ces contraintes de bêta, l’outil est efficace pour transformer une seule invite en note de synthèse structurée qui, autrement, demanderait de multiples recherches et étapes manuelles.

Exemple 5 : analyste IA sur Telegram

Dans cet exemple, j’ai testé la capacité de Kimi Claw à fonctionner comme agent de communication externe en l’intégrant à Telegram à l’aide d’un jeton BotFather (bot de génération de bots).

Invite

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

Kimi Claw a généré des instructions pas à pas, géré l’appairage et confirmé la connexion sans nécessiter de configuration manuelle hors de l’interface de chat. Cela montre que Kimi Claw peut gérer des intégrations externes via des instructions guidées en langage naturel plutôt que par des configurations manuelles traditionnelles.

Cependant, le comportement en exploitation a été inconstant après la connexion. Le bot ne répondait pas de manière fiable dans Telegram, et les interactions en groupe, comme les questions-réponses d’équipe ou l’assistance à la recherche, ne fonctionnaient pas comme prévu. 

Cela concorde avec la documentation actuelle, qui indique que les intégrations de canaux sont encore en bêta et peuvent ne pas fonctionner de manière fiable dans tous les cas.

À retenir : si le parcours d’intégration est fonctionnel, la fiabilité en exécution pour les canaux externes n’est pas encore prête pour la production. La fonctionnalité est prometteuse pour faire de Kimi Claw un assistant d’équipe sur les plateformes de communication, mais pour l’instant, elle reste expérimentale.

Conclusion

Dans ce tutoriel, Kimi Claw montre comment un modèle conversationnel peut fonctionner comme un agent qui gère un travail continu plutôt que des requêtes ponctuelles. Au fil des exemples, il a transformé de simples instructions en langage naturel en tâches planifiées, recherches structurées, analyses pilotées par des compétences et intégrations externes, avec très peu d’intervention humaine.

En parallèle, ces expériences pratiques mettent en lumière ses limites actuelles. Si les workflows de planification et de recherche fonctionnent de manière fiable, la visibilité sur les artefacts, l’accès aux fichiers, les contrôles de supervision et les intégrations de canaux externes restent limités. 

Globalement, Kimi Claw excelle pour des workflows larges et asynchrones comme la veille quotidienne, la recherche multi-étapes et l’automatisation légère. Pour les développeurs, chercheurs et professionnels de la connaissance qui souhaitent explorer des workflows agentiques (sans installer OpenClaw sur leur appareil ni gérer l’infrastructure), c’est un environnement simple et prometteur pour démarrer.

Pour approfondir la conception de workflows agentiques, nous vous recommandons le cours Multi-Agent Systems With LangGraph.