Tutorial su Kimi Claw: guida con esempi pratici

Esempio 2: Impostare task pianificati

In questo esempio, ho chiesto a Kimi Claw di eseguire un task pianificato che includesse una ricerca web e la generazione di un riepilogo. Kimi Claw ha interpretato l’istruzione come un workflow ricorrente e ha creato automaticamente un task pianificato in stile cron che viene eseguito ogni giorno.

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.

L’agente esegue la ricerca web di nuovi paper, release di modelli e tool in ambito LLM e IA multimodale, quindi consegna ogni mattina un riepilogo conciso con cinque aggiornamenti chiave. Come mostrato nello screenshot, Kimi Claw ha creato automaticamente un job in stile cron che gira ogni giorno alle 9:00 usando un semplice prompt in linguaggio naturale. In pratica, sembra trasformare una semplice istruzione in chat in un task in background persistente.

Un altro aspetto degno di nota è la gestione dei task. Ho testato l’aggiunta di un secondo digest simile e in seguito li ho rimossi entrambi. Quindi, creare, aggiornare ed eliminare questi task pianificati è stato semplice quanto impartire comandi di chat successivi, il che rende la gestione dell’automazione continua leggera e conversazionale.

Una volta configurati, questi task girano indipendentemente dalla sessione di chat e di fatto trasformano Kimi Claw in un sistema di monitoraggio continuo per domini informativi specifici. Tuttavia, l’attuale limitazione riguarda la visibilità operativa. Sebbene l’esecuzione in stile cron funzioni in modo affidabile, c’è visibilità limitata su log di esecuzione, storico delle consegne o gestione degli errori, offrendo agli utenti solo un monitoraggio e controllo minimi sul ciclo di vita del task.

Nel complesso, questo esempio dimostra una delle capacità più pratiche di Kimi Claw, ovvero convertire un semplice prompt in un job cron persistente che raccoglie e riassume continuamente informazioni con una configurazione minima.

Esempio 3: Libreria di skill ClawHub

In questo esempio, Kimi Claw ha dimostrato la capacità di estendere le funzionalità tramite la ClawHub Skill Library, trasformando l’agente in uno strumento di analisi specifico per il task invece di affidarsi soltanto al ragionamento generale.

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.

Dopo il prompt, il sistema ha cercato automaticamente su ClawHub, selezionato una skill adeguata per l’analisi CSV e avviato un workflow strutturato. Invece di eseguire subito l’analisi, ha prima posto un piccolo numero di domande mirate sull’obiettivo e sul contesto del dataset. 

Questo processo di intake passo dopo passo è importante perché mostra che la skill segue una pipeline di esecuzione definita invece di produrre un riepilogo EDA generico.

Una volta chiariti gli input, la skill ha eseguito l’analisi end-to-end, includendo panoramica dei dati, controlli di qualità, insight chiave e generazione di grafici. Tuttavia, la principale limitazione è emersa nella gestione dell’output. 

Sebbene i grafici siano stati generati, non venivano renderizzati inline nell’interfaccia di chat. Il sistema ha invece restituito un percorso file: /root/.openclaw/workspace/ev_brand_analysis.png. 

Questo percorso si riferisce allo spazio di lavoro cloud interno, non direttamente accessibile dal browser. Di conseguenza, le visualizzazioni non potevano essere né visualizzate in anteprima né scaricate facilmente.

Nel complesso, l’esecuzione della skill è affidabile e orientata al workflow, risultando utile per task strutturati come l’analisi di dataset. Tuttavia, la visibilità degli artefatti e l’accesso ai file sono ancora limitati, riducendo l’usabilità per workflow che producono output scaricabili.

Esempio 4: Task di ricerca multi-step

In questo esempio, ho provato a chiedere a Kimi Claw di gestire un task orientato alla ricerca che richiedeva di raccogliere informazioni da più fonti e sintetizzarle in un confronto strutturato. Dopo il prompt, l’agente ha eseguito ricerche web e organizzato i risultati in un report chiaro.

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

Ho riscontrato che, invece di elencare le informazioni in sequenza, la risposta era strutturata per il confronto, rendendo più semplice valutare i trade-off tra i framework. Questo suggerisce che Kimi Claw applica un workflow di pianificazione per i task di ricerca più ampi, in cui recupero e sintesi delle informazioni avvengono insieme piuttosto che come passaggi isolati.

Un altro aspetto notevole è l’efficienza. Il task si è concluso in un tempo ragionevole e non ha richiesto chiarimenti successivi, indicando che Kimi Claw gestisce in modo affidabile prompt ben definiti e con più vincoli anche senza istruzioni esplicite passo dopo passo.

Tuttavia, le attuali limitazioni della beta sono ancora visibili. Sebbene la qualità dell’output sia elevata, alcune sezioni mancavano di citazioni di fonti esplicite o di assunzioni, elementi importanti per le decisioni tecniche. Per workflow di ricerca più approfonditi, potrebbe essere ancora necessaria una verifica o validazione manuale aggiuntiva.

Detto ciò, nonostante sia in beta con alcune limitazioni operative, è efficace nel trasformare un singolo prompt in un brief di ricerca strutturato che altrimenti richiederebbe più ricerche e passaggi manuali.

Esempio 5: Analista AI su Telegram

In questo esempio, ho testato la capacità di Kimi Claw di operare come agente di comunicazione esterno integrandolo con Telegram usando un token di BotFather (un bot generatore di bot).

Prompt

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

Kimi Claw ha generato istruzioni passo per passo, gestito l’abbinamento e confermato la connessione senza richiedere alcuna configurazione manuale al di fuori dell’interfaccia di chat. Questo mostra che Kimi Claw può gestire integrazioni esterne tramite istruzioni guidate in linguaggio naturale invece dei tradizionali workflow di configurazione manuale.

Tuttavia, il comportamento operativo è stato incoerente dopo la connessione. Il bot non rispondeva in modo affidabile nell’ambiente Telegram e le interazioni di gruppo, come Q&A del team o assistenza alla ricerca, non hanno funzionato come previsto. 

Questo è in linea con la documentazione attuale, che indica come le integrazioni di canale siano ancora in beta e possano non funzionare in modo affidabile in tutti gli scenari.

La lezione principale di questo esempio è che, sebbene il flusso di integrazione sia funzionale, l’affidabilità runtime per i canali esterni non è ancora pronta per la produzione. La funzionalità mostra potenziale per trasformare Kimi Claw in un assistente di team sulle piattaforme di comunicazione, ma al momento va considerata sperimentale.

Conclusione

In questo tutorial, Kimi Claw ha mostrato come un modello conversazionale possa funzionare come agente che gestisce lavoro continuativo invece di query una tantum. Negli esempi, è stato in grado di trasformare semplici istruzioni in linguaggio naturale in job pianificati, ricerche strutturate, analisi guidate da skill e integrazioni esterne senza molta intervento umano.

Allo stesso tempo, gli esperimenti pratici evidenziano anche i confini attuali. Sebbene i workflow di pianificazione e ricerca funzionino in modo affidabile, aree come visibilità degli artefatti, accesso ai file, controlli di monitoraggio e integrazioni con canali esterni sono ancora limitate. 

Nel complesso, Kimi Claw rende al meglio in workflow ampi e asincroni come il monitoraggio quotidiano, la ricerca multi-step e l’automazione leggera. Per sviluppatori, ricercatori e knowledge worker che vogliono esplorare workflow agentici (soprattutto senza configurare OpenClaw sul proprio dispositivo e senza gestire infrastruttura), offre un ambiente semplice e promettente per iniziare a sperimentare.

Se vuoi approfondire la creazione di workflow agentici, ti consiglio il corso Multi-Agent Systems With LangGraph.