# 我如何在 OpenClaw 上打造了一个比我雇过的任何人都强的幕僚长
**作者**: Ryan Sarver
**日期**: 2026-04-06T13:38:01.000Z
**来源**: [https://x.com/rsarver/status/2041148425366843500](https://x.com/rsarver/status/2041148425366843500)
---

我是一名风险投资人,正处于一轮融资中,同时还要参加董事会、帮助被投公司,还在业余做天使投资。这些年来我和非常优秀的人类行政助理和幕僚长共事过,所以我深知什么是真正高效的支持。当第一批 AI API 问世时,我就尝试构建一个 AI 版本的产品,但没能做成。
当 OpenClaw 发布后,我立刻深入研究,再也没有停下来过。我已经帮助不少朋友进行了配置,每个人都问我是怎么设置和增强它的。@ryancarson 的帖子(链接在评论区)关于他如何构建 OpenClaw 助手也非常精彩,看到大家对它的反响,促使我终于决定把我一直在构建的东西写出来。
我现在拥有的系统比我共事过的任何人类幕僚长都更能干。它从不忘记任何承诺,无需吩咐就处理好琐事,无需提醒就标记出重要事项,而且每周都在进步。此外,它从不睡觉,从不疲倦。虽然仍有一些小问题,但每周都在减少。
如果你觉得这些内容有趣,请告诉我。如果有足够多的人感兴趣,我会把整个系统打包并开源。
## 什么是优秀的幕僚长?
在我介绍具体构建了什么之前,值得先思考一下优秀的幕僚长到底做什么。不是职位描述,而是真正的杠杆作用。与我合作过的最优秀的幕僚长会过滤噪音,确保只有正确的事务到达我这里;确保我走进每一场会议时都做好了准备,会后没有任何遗漏;掌握所有进行中事项的全貌并标记出哪些正在拖延;跟踪人际关系,了解每个重要人物的进展;创建每日和每周的节奏,让一切保持运转。
她叫 Stella。她处理以上所有事项,我会在下面逐一详述。但让我的配置真正区别于其他 OpenClaw 构建方案的是两点:底层支撑一切的**记忆层**,以及让系统每周不断进步的**持续改进循环**。我想从这里开始讲,因为正是它们让其他一切都产生了复利效应。
## 记忆:基础设施
会话记忆是个谎言。任何把对话历史当作工作上下文的助手,都会在最令人沮丧的时刻让你失望。
我构建了两层记忆。第一层是**每日笔记**:每天一个 markdown 文件(memory/YYYY-MM-DD.md),作为当天所有事情的原始日志。参加的会议、做出的决策、新增和完成的任务、对话中出现的上下文信息。一个脚本会在一天中从会话中提取信息并自动写入这些文件。
第二层是 **MEMORY.md 中的长期记忆**,由 Stella 自己整理维护。关键人物、活跃项目、经验教训、已做决策。她会定期从每日笔记中综合整理这些内容,这也是她启动时阅读的内容,用来了解当前什么最重要。
每一次会议处理、每一封邮件分拣、每一个任务跟踪都会持续地反馈到这个全貌中。没有这一层,你拥有的是一个有能力的助手,但它患有健忘症。有了它,你拥有的则更像是一个和你并肩工作了数月、从不忘事的人。
我也越来越珍视这一切都存储在扁平的 markdown 文件中,而不是数据库里。我可以打开任何记忆文件,阅读它,在有问题时编辑它,准确理解助手知道什么。我可以把整个系统备份到 git,瞬间恢复任何内容。我和助手对我世界的理解之间没有抽象层,这意味着我更信任它,当出现问题时也能更快修复。
下面是这些层真正融合的地方。我正在管理一轮涉及 100 多个 LP 联系人、横跨多个国家的融资。Stella 跟踪整个管道,维护每个 LP 和联系人的上下文,了解每段关系的进展。对于初次会面,我创建了一条规则:她会研究该基金及其合伙人最近发布的内容,然后准备她发现的要点、这些要点如何与我们的投资主题对应,以及定制化的谈话要点,作为会前简报的一部分。对于持续的关系,她准确知道他们在管道中的位置,上次会面中讨论和承诺了什么,以及关键问题是什么。你无法自动化像融资这样关键的事务,但有这种结构支撑意味着我把时间花在对话本身,而不是管理围绕它的流程。
## 改善(Kaizen):系统自我进化
这可能是我最喜欢的部分,也是让它真正区别于我使用过的任何助手(无论是人类还是 AI)的地方。
每个周五,一个定时任务运行研究工作。Stella 扫描 OpenClaw 社区,检查新的模式,看看其他构建者在做什么,并将发现保存到 `memory/kaizen-research-YYYY-MM-DD.md`。周日早上我们一起回顾。她总结本周的研究,提出最值得尝试的想法,我们讨论要实际改变什么。
但这不仅仅是外部研究。她还会从我们的日常互动中学习。如果我不断纠正某件事,或者某个功能带来的摩擦大于价值,这会被记录在记忆中,最终作为修复建议被提出来。如果分拣过滤器太嘈杂,或者简报格式不对,她会注意到并提出更改建议。
这是人类幕僚长真正无法大规模做到的。他们当然可以从与你共事中学习,但他们无法同时扫描数百个其他构建者在做什么,并每周将其与你的系统进行交叉比对。这种组合意味着系统按照一个节奏可衡量地变得更好,而不是只有在我记得去调整它的时候。
Kaizen 循环也驱动着系统本身的持续重构。我经历了多个周期:构建一个功能,运行几周,看它如何真正融入我的工作流,然后清理它或完全砍掉它。第一版总是太复杂、太嘈杂,或者解决了问题的错误部分。一个你信任的小系统永远胜过一个你会绕开的大系统。Kaizen 流程让这种重构变得有纪律,而不是随意的。
## 会议准备和后续跟进
这是最优秀的人类行政助理花费最多时间的地方,也是 Stella 体现价值的地方。
在任何外部会议前 60 分钟,一份简报会通过 WhatsApp 发来。它从记忆中提取与会者之前的会议记录,检查最近的邮件往来,查找所有未完成的行动项。对于融资期间的 LP 会议,它包括管道阶段、他们看过哪个版本的演示文稿、上次的问题以及我承诺发送的内容。我走进每一场会议时都比有全职行政助理时准备得更充分。
在会议之后,Stella 通过 Granola API 处理每场会议(可以是任何有 API 的会议记录工具)。她获取笔记,与已处理的内容去重,并提取行动项。我的任务会被发送到 Todoist,带有正确的项目和截止日期。其他人做出的承诺会被跟踪在按人分类的 markdown 文件中,每个团队成员一个文件,这样我可以一目了然地看到谁欠什么或被欠什么。如果我三周前让某人做某事但没有更新,系统知道,因为记录在他们的文件中。
准备和后续跟进两个方面的所有内容都会反馈到记忆中。所以下次我与那个人见面时,循环会在更丰富的背景下重新开始。
## 任务和优先级管理
优秀的幕僚长不只是维护一个待办列表。他们维护进行中事项的全貌,并对今天真正重要的是什么、什么可以等待做出判断。
Stella 在结构化的 markdown 中维护全面的任务全貌,包含所有上下文和历史。这是信息源。重要的近期事项会同步到 Todoist(同样,任何有 API 的任务管理工具都可以),在那里我可以一目了然地看到近期任务。我认为这种分工对于理解代理应该如何与专用工具协同工作很重要。聊天界面适合某些模式,但一个有聚焦视图的专注应用在处理任务列表时仍然非常有价值。Stella 保持两者同步,两者的组合比单独任何一个都好。
每天晚上她运行一次任务扫描。什么到期了,什么逾期了,什么搁置太久,这周有什么要来的。如果某件事连续推迟了五天,她会标记这个模式。如果周二有一场重要会议但准备工作没完成,她会指出来。如果没什么需要注意的,就保持沉默。
## 利益相关者和关系上下文
优秀的幕僚长脑海中有一个 CRM。他们知道谁重要,与每个人的关系进展如何,上次讨论了什么,什么是敏感的。
Stella 以人类无法企及的规模做到这一点。她为我工作的每个人、公司和项目维护持久、结构化的上下文。关系历史、上次联系时间、未完成的承诺、他们在意什么、进展如何。每一次会议处理、每一封邮件分拣、每一个任务跟踪都会持续反馈到这个全貌中。这其实就是记忆在关系上的应用,但值得单独提出来说,因为它是随着时间推移复利效应最明显的部分。
## 信息过滤
Stella 定期在我的个人和工作 Gmail 账户上运行邮件和日历分拣,呈现需要采取行动的内容和值得关注的内容,同时过滤掉其他一切。但过滤只是开始。她自动提取费用收据并将其路由到季度跟踪中,从预订确认生成旅行行程并标记缺口,作为融资任务的一部分起草跟进邮件。当任务写着"就[主题]跟进[某人]"时,她会调出最后的邮件往来,用我的语气起草跟进邮件,并排队等待我审核。
## 运营节奏
Stella 在上午 9 点发送晨报,下午 6 点发送晚间总结,都通过 WhatsApp。晨报包括最高优先级事项、逾期任务、今日日历,以及在我打开笔记本电脑之前需要注意的任何事项。晚间总结包括今天发生了什么、什么停滞了、明天需要准备什么。如果没什么要说的,我就什么也收不到。正是这个部分让它感觉像是在和幕僚长共事,而不是在使用一个工具。她在我没有要求的情况下组织我的一天。
## 研究和情报
每周精选我追踪的 X 账户和我订阅的新闻通讯的摘要,按层级组织(AI 研究员、风险投资人、创始人、运营者),按互动评分并按相关性过滤。它把 45 分钟的刷屏变成几分钟的高价值阅读。
## 判断力 vs 可预测性
一条让上述所有功能可靠运行的设计原则:LLM 负责判断,脚本负责其他一切。任何确定性的事情,比如读取文件、调用 API、发送消息或比较时间戳,都用 Python 实现。LLM 层负责综合、优先级排序、起草,以及任何需要推理而非计算的事情。当你把确定性工作推给 LLM 时,事情会以不可预测的方式出错,你就会不再信任系统。一旦你把层分离做对了,它就变成了你真正依赖的东西。
## 未来方向
我获得有史以来最好的助手,不是通过提出更好的问题,而是通过给系统一个更好的运营模型。我回不去了,而且我只能想象一年后这会发展到什么程度。
如果你想构建类似的东西,或者你已经构建了类似的东西,我想听听。如果有足够多的人感兴趣,我会把它打包分享。
## 相关链接
- [Ryan Sarver](https://x.com/rsarver)
- [@rsarver](https://x.com/rsarver)
- [469K](https://x.com/rsarver/status/2041148425366843500/analytics)
- [@ryancarson](https://x.com/@ryancarson)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [9:38 PM · Apr 6, 2026](https://x.com/rsarver/status/2041148425366843500)
- [469K Views](https://x.com/rsarver/status/2041148425366843500/analytics)
- [View quotes](https://x.com/rsarver/status/2041148425366843500/quotes)
---
*导出时间: 2026/4/7 12:40:48*