Kimi Claw ट्यूटोरियल: व्यावहारिक उदाहरणों के साथ मार्गदर्शिका

उदाहरण 2: शेड्यूल्ड टास्क सेट करना

इस उदाहरण में, मैंने Kimi Claw से एक शेड्यूल्ड टास्क करने को कहा, जिसमें वेब सर्च और सारांश जनरेशन शामिल था। Kimi Claw ने निर्देश को एक आवर्ती वर्कफ़्लो की तरह समझा और स्वतः हर दिन चलने वाला एक cron‑स्टाइल शेड्यूल्ड टास्क बना दिया।

प्रॉम्प्ट:

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

एजेंट LLMs और मल्टीमॉडल AI में नए पेपर्स, मॉडल रिलीज़ और टूल्स के लिए वेब सर्च करता है, फिर हर सुबह पाँच प्रमुख अपडेट्स के साथ संक्षिप्त सार देता है। स्क्रीनशॉट में दिखाया गया है कि Kimi Claw ने सिर्फ एक प्राकृतिक भाषा प्रॉम्प्ट से रोज़ाना 9:00 AM पर चलने वाली cron‑स्टाइल जॉब स्वतः बना दी। व्यवहार में, यह किसी सरल चैट निर्देश को एक स्थायी बैकग्राउंड टास्क में बदलने जैसा लगता है।

एक और उल्लेखनीय पहलू है टास्क प्रबंधन। मैंने दूसरा समान डाइजेस्ट जोड़कर परीक्षण किया और बाद में दोनों को हटा दिया। यानी, इन शेड्यूल्ड टास्क का निर्माण, अद्यतन, और हटाना फॉलो‑अप चैट कमांड्स जितना सरल था, जिससे चल रही ऑटोमेशन का प्रबंधन हल्का और संवादात्मक हो जाता है।

कॉन्फ़िगर होने के बाद, ये टास्क चैट सत्र से स्वतंत्र रूप से चलते हैं और विशेष सूचना डोमेन्स के लिए Kimi Claw को एक सतत मॉनिटरिंग सिस्टम में बदल देते हैं। हालाँकि, वर्तमान सीमा है ऑपरेशनल विज़िबिलिटी। यद्यपि cron‑जैसी निष्पादन विश्वसनीय रूप से काम करती है, लेकिन निष्पादन लॉग, डिलीवरी इतिहास, या फेल्योर हैंडलिंग में दृश्यता सीमित है, जिससे उपयोगकर्ताओं को टास्क लाइफसाइकल पर न्यूनतम मॉनिटरिंग और नियंत्रण मिलता है।

कुल मिलाकर, यह उदाहरण Kimi Claw की सबसे व्यावहारिक क्षमताओं में से एक दर्शाता है—यानी एक साधारण प्रॉम्प्ट को लगातार जानकारी एकत्रित और सारांशित करने वाली स्थायी cron जॉब में बदलना, वह भी न्यूनतम सेटअप के साथ।

उदाहरण 3: ClawHub स्किल लाइब्रेरी

इस उदाहरण में, Kimi Claw ने ClawHub स्किल लाइब्रेरी के माध्यम से कार्यक्षमता बढ़ाने की अपनी क्षमता का प्रदर्शन किया, जिससे एजेंट केवल सामान्य रीज़निंग पर निर्भर रहने के बजाय एक टास्क‑विशिष्ट विश्लेषण टूल में बदल गया।

प्रॉम्प्ट

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.संचालित द्वारा

प्रॉम्प्ट के बाद, सिस्टम ने स्वतः ClawHub में खोज की, उपयुक्त CSV विश्लेषण स्किल चुनी, और एक संरचित वर्कफ़्लो शुरू किया। तुरंत विश्लेषण चलाने के बजाय, इसने पहले डेटासेट के उद्देश्य और संदर्भ के बारे में कुछ लक्षित प्रश्न पूछे। 

यह चरण‑दर‑चरण इनटेक प्रक्रिया महत्वपूर्ण है क्योंकि यह दर्शाती है कि स्किल एक परिभाषित निष्पादन पाइपलाइन का पालन करती है, न कि एक सामान्य EDA सारांश उत्पन्न करती है।

इनपुट्स स्पष्ट होने के बाद, स्किल ने डेटा ओवरव्यू, गुणवत्ता जाँच, प्रमुख अंतर्दृष्टि, और चार्ट जनरेशन सहित एंड‑टू‑एंड विश्लेषण किया। लेकिन, मुख्य सीमा आउटपुट हैंडलिंग में सामने आई। 

हालाँकि चार्ट बनाए गए थे, वे चैट इंटरफ़ेस में इनलाइन रेंडर नहीं हुए। इसके बजाय, सिस्टम ने एक फ़ाइल पथ लौटाया: /root/.openclaw/workspace/ev_brand_analysis.png. 

यह पथ आंतरिक क्लाउड वर्कस्पेस का है, जिसे ब्राउज़र से सीधे एक्सेस नहीं किया जा सकता। नतीजतन, विज़ुअलाइज़ेशन न तो प्रीव्यू किए जा सके, न ही आसानी से डाउनलोड।

कुल मिलाकर, स्किल का निष्पादन स्वयं विश्वसनीय और वर्कफ़्लो‑उन्मुख है, जो डेटासेट विश्लेषण जैसे संरचित कार्यों के लिए उपयोगी बनता है। हालाँकि, आर्टिफैक्ट विज़िबिलिटी और फ़ाइल एक्सेस अभी भी सीमित हैं, जिससे डाउनलोड करने योग्य आउटपुट उत्पन्न करने वाले वर्कफ़्लो के लिए उपयोगिता घट जाती है।

उदाहरण 4: मल्टी‑स्टेप रिसर्च टास्क

इस उदाहरण में, मैंने Kimi Claw से एक शोध‑उन्मुख कार्य कराने की कोशिश की, जिसमें कई स्रोतों से जानकारी इकट्ठा करना और उसे एक संरचित तुलना में समेटना शामिल था। प्रॉम्प्ट के बाद, एजेंट ने वेब सर्च किए और निष्कर्षों को एक स्पष्ट रिपोर्ट में व्यवस्थित किया।

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

मुझे लगा कि क्रमवार सूची देने के बजाय, उत्तर तुलना के लिए संरचित था, जिससे फ़्रेमवर्क्स के बीच ट्रेड‑ऑफ़ का आकलन करना आसान हो गया। यह संकेत देता है कि Kimi Claw व्यापक शोध कार्यों के लिए एक प्लानिंग‑स्टाइल वर्कफ़्लो लागू करता है, जहाँ सूचना प्राप्ति और संश्लेषण अलग‑अलग चरणों के बजाय साथ‑साथ होते हैं।

एक और उल्लेखनीय पहलू है दक्षता। कार्य उचित समय में पूरा हो गया और किसी फॉलो‑अप स्पष्टीकरण की आवश्यकता नहीं पड़ी, जो दर्शाता है कि Kimi Claw स्पष्ट, बहु‑बाधा वाले प्रॉम्प्ट्स को बिना स्पष्ट चरण‑दर‑चरण निर्देशों के भी भरोसेमंद तरीके से संभालता है।

फिर भी, वर्तमान बीटा सीमाएँ दिखती हैं। आउटपुट गुणवत्ता मजबूत होने के बावजूद, कुछ अनुभागों में स्पष्ट स्रोत उद्धरण या मान्यताओं का उल्लेख नहीं था, जो तकनीकी निर्णय‑निर्माण के लिए महत्वपूर्ण हैं। गहन शोध वर्कफ़्लो के लिए अतिरिक्त सत्यापन या मैनुअल वैलिडेशन अभी भी आवश्यक हो सकता है।

इसके बावजूद, बीटा में होने और कुछ परिचालन बाधाओं के बाद भी, यह एकल प्रॉम्प्ट को एक संरचित शोध ब्रीफ़ में बदलने में कुशल है, जो अन्यथा कई मैनुअल खोजों और चरणों की माँग करता।

उदाहरण 5: Telegram AI विश्लेषक

इस उदाहरण में, मैंने BotFather (एक बॉट जनरेटर बॉट) टोकन का उपयोग करके Telegram के साथ इंटीग्रेशन कर, Kimi Claw की बाहरी संचार एजेंट के रूप में काम करने की क्षमता का परीक्षण किया।

प्रॉम्प्ट

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

Kimi Claw ने चरण‑दर‑चरण निर्देश बनाए, पेयरिंग प्रक्रिया संभाली, और चैट इंटरफ़ेस के बाहर किसी मैनुअल कॉन्फ़िगरेशन की आवश्यकता के बिना कनेक्शन की पुष्टि की। यह दिखाता है कि Kimi Claw पारंपरिक मैनुअल कॉन्फ़िगरेशन वर्कफ़्लो के बजाय गाइडेड प्राकृतिक भाषा निर्देशों के माध्यम से बाहरी इंटीग्रेशन संभाल सकता है।

हालाँकि, कनेक्शन के बाद परिचालन व्यवहार असंगत था। बॉट ने Telegram वातावरण में विश्वसनीय रूप से प्रतिक्रिया नहीं दी, और टीम Q&A या शोध सहायता जैसी समूह‑आधारित इंटरैक्शन अपेक्षा के अनुसार काम नहीं कर पाईं। 

यह वर्तमान दस्तावेज़ीकरण के अनुरूप है, जो बताता है कि चैनल इंटीग्रेशन अभी भी बीटा में हैं और सभी परिदृश्यों में विश्वसनीय रूप से काम नहीं कर सकते।

इस उदाहरण से मुख्य निष्कर्ष यह है कि जहाँ इंटीग्रेशन फ्लो कार्यात्मक है, वहीं बाहरी चैनलों के लिए रनटाइम विश्वसनीयता अभी प्रोडक्शन‑रेडी नहीं है। यह सुविधा Kimi Claw को संचार प्लेटफॉर्म्स पर टीम सहायक में बदलने की क्षमता दिखाती है, लेकिन फिलहाल इसे प्रायोगिक माना जाना चाहिए।

निष्कर्ष

इस ट्यूटोरियल में, Kimi Claw ने दिखाया कि कैसे एक वार्तालापी मॉडल एक ऐसे एजेंट के रूप में कार्य कर सकता है जो एकबारगी प्रश्नों के बजाय चल रहे काम को संभालता है। विभिन्न उदाहरणों में, यह साधारण प्राकृतिक भाषा निर्देशों को शेड्यूल्ड जॉब्स, संरचित शोध, स्किल‑आधारित विश्लेषण, और बाहरी इंटीग्रेशन में बदलने में सक्षम रहा—वह भी कम से कम मानवीय हस्तक्षेप के साथ।

साथ ही, हैंड्स‑ऑन प्रयोग इसकी वर्तमान सीमाएँ भी उजागर करते हैं। जहाँ शेड्यूलिंग और रिसर्च वर्कफ़्लो विश्वसनीय रूप से काम करते हैं, वहीं आर्टिफैक्ट विज़िबिलिटी, फ़ाइल एक्सेस, मॉनिटरिंग कंट्रोल्स, और बाहरी चैनल इंटीग्रेशन जैसे क्षेत्रों में अभी भी सीमाएँ हैं। 

कुल मिलाकर, Kimi Claw दैनिक मॉनिटरिंग, मल्टी‑स्टेप रिसर्च, और हल्की ऑटोमेशन जैसे व्यापक, एसिंक्रोनस वर्कफ़्लो के लिए सबसे अच्छा प्रदर्शन करता है। डेवलपर्स, शोधकर्ताओं, और नॉलेज वर्कर्स के लिए जो एजेंटिक वर्कफ़्लो का पता लगाना चाहते हैं (खासकर अपने डिवाइस पर OpenClaw सेटअप किए बिना और इन्फ्रास्ट्रक्चर मैनेज किए बिना), यह शुरुआत करने के लिए एक सरल और आशाजनक वातावरण प्रदान करता है।

यदि आप एजेंटिक वर्कफ़्लो बनाने के बारे में और सीखना चाहते हैं, तो Multi-Agent Systems With LangGraph कोर्स देखें।