核心组合：Obsidian + Claude Code + OpenClaw

OpenClaw 和 Claude Code 的组合能定时把各类信息自动存入 Obsidian——提示语、内容选题、邮箱订阅，全部归档。但把 URL、文件、图片丢给 OpenClaw 读取只是第一步，真正拉开差距的是定时任务和记忆系统的配合。

比如搭建一个"第二大脑"，或者定时追踪某个领域的热门视频。入库的知识还能自动去重，在一个基础信息源上直接迭代出一系列有用的定时任务。

KimiClaw：更轻的接入方式

KimiClaw 是 Kimi 推出的手机对话端，不需要飞书的一堆权限就能在手机上操作 OpenClaw。它提供两种接入方式：

  • 一键部署：自带联网搜索和 Clawhub 安装 Skills，40G 云盘存储，云端直接跑一个全新的 OpenClaw 实例，自动配好 K2.5 Thinking 模型和 Kimi Search 联网搜索，大概一分钟搞定。
  • 关联已有实例：如果本地已经有一个长期使用的 OpenClaw，所有配置、记忆、已安装的 Skill 都会完整保留。不用重新配置，一直迭代一个主力实例就行。

第二种方式的价值更大。对于已经在用 OpenClaw 的人来说，避免重复配置、持续积累才是正确的路径。

做个预判：会有更多模型 App 把类似 OpenClaw 这样的 Agent 作为子功能集成进来，就像之前 App 只能对话，现在还能生图生视频生代码一样。

信息快速消化：定时抓取 + 自动摘要

第一个实操场景是 YouTube 视频追踪。安装一个专门处理 YouTube 视频的 Skill（therohitdas/youtube-full），然后设定指令：

  • 每天早上 8 点，抓取关注频道的最新视频
  • 针对过去 24-48 小时内发布的新视频，获取字幕，用 2-3 个要点总结核心内容
  • 附上视频标题、频道名称及链接
  • 记住频道偏好列表，方便随时增删

不想浪费 Token 的话，还有一招——让 KimiClaw 主动维护一个已处理视频列表来避免重复生成：

  • 维护一个 seen-videos.txt 文件，记录已处理的视频 ID
  • 仅针对文件中不存在的新视频获取字幕
  • 处理完成后，将新视频 ID 写入文件

这个排重机制很简单，但省下来的 Token 是实打实的。

目标驱动的任务策划

主动性可以更进一步。让 KimiClaw 转职成目标管理教练——把个人长期目标告诉它，包括职业发展、产品发布、个人成长，然后让它每天早上 8 点根据这些目标，主动策划四到五项当天可以在电脑上完成的任务。

示例目标结构：

  • 职业发展：小红书账号做到 10 万订阅；建立可复现的内容方法论与系列栏目
  • 产品发布：Q3 前发布产品；以跑通核心闭环的 MVP 为交付标准
  • 个人成长：每月阅读 1 本设计相关书；每本书输出结构化笔记并落地到内容或产品中
  • 决策原则：优先做能同时推动增长与产品的事；优先做可复现可沉淀的事

如果你在开发自己的产品，还可以在提示语后面加一句："根据今天我跟你的对话信息，开发一个能解决我问题的小应用原型（MVP）。"灵感不会缺的。

KimiClaw 支持 HTML 预览，这些任务系统还可以做成看板展示，用 Next.js 构建一个 Kanban Board，包含"待办"、"进行中"和"已完成"三列，任务完成时实时同步状态。

邮件订阅的自动过滤与进化

另一个大类信息是邮件里的长文。单独给 AI 配一套邮箱账号，用 Playwright MCP 去订阅优质内容源，做 RSS 订阅也行（目前容易断连，这块还有优化空间）。

然后设定定时任务：

  • 每天晚上 8 点读取过去 24 小时内的所有订阅邮件
  • 提炼核心要点摘要，附上原文链接
  • 完成后询问对内容筛选的评价
  • 根据反馈更新记忆，不断优化筛选偏好

关键在最后一步——这个系统能根据反馈自我进化。比纯用 RSS 或者网页版工具总结多个网页好用很多，因为 OpenClaw 有长期记忆，筛选偏好会越来越精准。

左脚踩右脚：用 Agent 自动扩充信息源

对于不熟悉但需要持续关注的领域，有一个"原地飞天"的提示语策略，用一段时间就能积累一两百个优质信息源。

以财报追踪为例：

  • 每周日 18:00 运行定时任务，搜索下周科技与 AI 公司的财报日历
  • 过滤出关注的公司（NVDA、MSFT、GOOGL、META、AMZN、TSLA、AMD 等）
  • 等待人工确认具体追踪哪几家
  • 为每家公司的财报发布时间分别设置单次定时任务
  • 财报发布后立即抓取结果，整理格式化摘要：超预期/逊于预期、营收、EPS、核心指标、AI 相关亮点、业绩指引
  • 记录常追踪的公司，以便每周自动推荐

一个定时任务触发一系列精准的单次任务，这才是 Agent 该有的调度能力。

最终形态：Obsidian 作为知识库

KimiClaw 连上本地 OpenClaw 后，可以安装 obsidian-direct 的 Skill，直接把 Obsidian 作为知识库。这也是前面所有链路打通的最终目的。

回过头来看这套体系的演进逻辑：联网搜索解决了模型实时获取信息的问题，DeepResearch 解决了短时间获取大规模专业知识的问题，而一个带定时任务和长期记忆的 Agent，解决的是"看了就忘"和"知识库维护成本太高"的问题。

知识库是给 AI 看的，我们看 AI 的输出就好。这句话听起来极端，但对于一人公司来说，这可能就是信息处理效率的天花板该在的位置。当前这条"Agent + 定时任务 + 长期记忆"的路线，壁垒不在工具本身，而在你喂给它的偏好数据和迭代深度——用得越久，别人越难追上。