Kimi Claw 教程：含实践示例的指南

示例 2：设置定时任务

在此示例中，我让 Kimi Claw 执行包含网页搜索与摘要生成的定时任务。Kimi Claw 将该指令解读为一个循环工作流，并自动创建了每天运行一次的类 cron 定时任务。

提示：

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

代理会在每天早上对 LLM 与多模态 AI 的新论文、模型发布与工具进行搜索，并提供包含五条关键信息的简要总结。如截图所示，Kimi Claw 仅用一条自然语言提示就自动创建了每天 9:00 运行的类 cron 任务。实际体验就像把一条简单聊天指令转成了一个持久的后台任务。

另一个值得注意的点是任务管理。我测试了添加第二个类似摘要，随后又将两者删除。创建、更新与删除这些定时任务，只需在聊天中发出后续命令即可，使得持续的自动化管理既轻量又对话化。

配置完成后，这些任务独立于聊天会话运行，有效将 Kimi Claw 变为针对特定信息领域的持续监控系统。不过，当前的限制在于运行可视性。尽管类似 cron 的执行可靠，但对于执行日志、投递历史或故障处理的可见性有限，用户对任务生命周期的监控与控制较少。

总体而言，此示例展示了 Kimi Claw 最实用的能力之一：将简单提示转为持续的 cron 任务，以极少配置不断收集并总结信息。

示例 3：Clawhub 技能库

在此示例中，Kimi Claw 展示了通过 ClawHub 技能库扩展功能的能力，使代理成为面向任务的分析工具，而不仅仅依赖通用推理。

提示

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.技术支持

收到提示后，系统会自动搜索 ClawHub，选择合适的 CSV 分析技能，并启动结构化工作流。它不会立刻运行分析，而是先就数据集目标与背景提出少量有针对性的问题。

这种分步接入过程很重要，说明该技能遵循了明确的执行管线，而不是生成一份通用的 EDA 摘要。

在澄清输入后，技能会端到端完成分析，包括数据概览、质量检查、关键信息与图表生成。但其主要限制体现在输出处理上。

尽管图表已生成，但并未在聊天界面内联渲染。系统返回了一个文件路径：/root/.openclaw/workspace/ev_brand_analysis.png。

该路径指向内部云工作区，浏览器无法直接访问。因此，无法预览或轻松下载这些可视化结果。

总体来看，该技能的执行可靠且面向工作流，适合数据集分析等结构化任务。但在制品可见性与文件访问方面仍有限制，降低了对需产出可下载结果的工作流的易用性。

示例 4：多步骤研究任务

在此示例中，我尝试让 Kimi Claw 处理一个研究型任务，需要从多个来源收集信息并综合为结构化对比。收到提示后，代理执行了网页搜索，并将发现整理成清晰的报告。

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

我发现，它并未按顺序罗列信息，而是以对比为导向组织回答，便于跨框架评估取舍。这表明 Kimi Claw 在更广泛的研究任务上会采用类似规划的工作流，使信息检索与综合同步进行，而非割裂的步骤。

另一个值得注意的点是效率。任务在合理时间内完成，且无需后续澄清，说明即使没有显式的逐步指令，Kimi Claw 也能可靠处理定义明确、包含多重约束的提示。

不过，当前测试版的限制依然可见。尽管输出质量较高，但部分内容缺少明确的来源引用或假设说明，而这些对技术决策很重要。对于更深入的研究工作流，仍可能需要额外的核验或人工验证。

总的来说，尽管仍处测试阶段并有一些运行约束，它依然能高效地将单条提示转化为结构化研究简报，否则这通常需要多次手动搜索与多步操作。

示例 5：Telegram AI 分析员

在此示例中，我通过使用 BotFather（一个机器人生成器）令牌，将 Kimi Claw 与 Telegram 集成，测试其作为外部通信代理的能力。

提示

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

Kimi Claw 生成了分步说明，完成配对流程，并在不依赖聊天界面之外的任何手动配置的情况下确认了连接。这表明 Kimi Claw 能通过引导式自然语言说明处理外部集成，而非传统的手动配置流程。

不过，连接后的运行表现并不一致。该机器人在 Telegram 环境中并未稳定响应，且团队问答或研究协作等基于群组的交互未如预期工作。

这与当前文档一致，即渠道集成仍处测试阶段，可能并非在所有场景中都可靠。

本示例的要点是：尽管集成流程可用，但外部渠道的运行时可靠性尚未达到生产级。该功能在将 Kimi Claw 打造成跨通信平台的团队助手方面很有潜力，但目前应视为实验性。

结语

在本教程中，Kimi Claw 展示了对话模型如何作为代理来处理持续性工作，而非一次性查询。通过这些示例，它能够在较少人工干预下，将简单的自然语言指令转化为定时任务、结构化研究、基于技能的分析，以及外部集成。

同时，动手实验也凸显了其当前边界。尽管调度与研究类工作流运行可靠，但在制品可见性、文件访问、监控控制与外部渠道集成等方面仍有限制。

总体来看，Kimi Claw 最适合广义的、异步的工作流，如每日监控、多步骤研究与轻量自动化。对于希望探索代理工作流的开发者、研究人员与知识工作者（尤其是不想在本地搭建 OpenClaw、也不愿管理基础设施者），它提供了一个简单且有前景的起步环境。

如果您想进一步学习如何构建代理型工作流，推荐查看《使用 LangGraph 的多智能体系统》课程。