OpenClaw（龙虾）热度过去，我还在用它搭建基金会行业AI智能助手

短短几周，它迅速登上GitHub热榜。朋友圈、微信群、小红书里，到处都有人讨论如何安装部署。一人公司、数字员工、AI自主完成工作成了当时最热门的话题，催生了大量收费部署和远程安装服务。

我也在那时候装了OpenClaw，开始折腾。

但几个月过去，热度退了。很多人卸载了龙虾，转向Codex、Cursor、WorkBuddy等新的Agent产品。

而我，依然在用。

我继续使用它，并不是认定它是目前最好的Agent。更实际的原因是，它已经成为基金会中心网AI智能助手背后的核心编排平台。

今天这篇文章不讲OpenClaw的安装教程和使用技巧。我更想记录一个真实项目：我是如何利用OpenClaw，在一家公益机构，以尽可能低的成本，搭建一套真正服务行业用户的AI智能助手。

一、数据还在各自为战，AI却先来了

2024年初，我加入基金会中心网（CFC），开始负责基金会行业数据相关工作。

CFC一直承担着基金会行业数据基础设施建设的重要工作，积累了国内较为完整的基金会公开数据，包括年报、项目、中基透明指数（FTI）、行业研究等多个维度的数据资源。

当时，国内大模型发展非常迅速，有几家头部AI企业找到我们，希望使用CFC的行业数据训练大模型。

这也引出了一个新的问题：

这些数据，应该如何服务AI？

或者换句话说：

AI时代，数据平台真正的价值是什么？

当时，CFC内部对于数据开放、安全边界和AI应用等问题还在不断探索。与此同时，我们也发现：虽然拥有大量行业数据，但这些数据仍然分散在不同的平台、数据库和文档中，缺少统一整理与结构化组织，AI很难真正理解和使用它们。

我的领导吕全斌老师一直希望，CFC的数据不能只躺在数据库里，还要真正服务整个基金会行业。

AI的快速发展，让这个想法有了新的可能。

但对于公益机构来说，还有一个非常现实的问题：

预算。

相比商业公司，我们没有充足的研发预算，也没有专门的大模型团队。如果完全重新开发一套AI系统，成本和周期都很难接受。

因此，我们需要找到一种成本可控、能够快速验证，同时尽可能复用现有系统能力的方案。

就在这个时候，OpenClaw出现了。

二、选择OpenClaw，不是因为它能自动操作电脑

当时做技术选型，我主要对比了三类方案。

第一类是Dify、MaxKB这类带有可视化工作流的AI应用平台。它们功能很完善——拖拽式编排、内置RAG引擎、模型管理、对话流设计，基本都能开箱即用。但实际搭了几个Demo后，我的感受是：功能越多，配置也越重。一个简单的“用户提问→查知识库→调接口→返回答案”流程，在可视化画布里需要连接不少节点，调试和修改对我来说不够灵活。

这些平台本身各有优势，只是对于CFC这种“已有接口和业务系统，只需要增加一个编排层把它们连接起来”的场景来说，现阶段有些偏重。

第二类是Coze，这类偏向C端场景的Bot搭建平台。它们上手简单，但在系统对接和深度定制方面，未必完全符合我们的需要。

最终让我选择OpenClaw的关键，也不在于它能自动操作电脑。我更看重的是它相对轻量、灵活的编排能力。

定义好工具和接口，再通过自然语言描述Agent的行为逻辑，它就能按照设计好的流程完成调用。需要调整某个步骤时，也不必重新搭建整个流程。

对于CFC来说，一个会点击鼠标的AI并非我们的核心需求。我们真正需要的，是一个能够连接行业数据、知识库和业务系统的智能中枢。

相比完全重构已有系统，我更希望采用一种最小改动的方式：

• 保留原有的数据平台
• 保留已有的接口
• 保留已有的业务系统

AI负责把这些能力重新组织起来，为用户提供一个统一的智能服务入口。

于是，我们开始尝试在基金会中心官网增加AI智能助手。

三、目前已经上线了什么？

截至目前，基金会AI智能助手已经正式部署到基金会中心官网，并陆续接入：

• 基金会百科信息
• 中基透明指数（FTI）数据
• 基金会行业宏观统计数据
• 行业知识库RAG

过去，用户查询行业数据，需要分别打开多个平台、搜索不同页面。

现在，只需要提出一个问题，AI就能够综合多个数据来源，快速给出结果。

四、一个真正上线的AI智能助手，架构是什么样的？

很多人以为，AI智能助手就是接一个大模型，再连一个知识库。

真正开始做之后，我发现远没有这么简单。

为了尽量减少对现有系统的改动，我采用了一套分层架构：前端负责用户交互；中间增加一层BFF（Backend For Frontend，面向前端的后端服务），统一管理会话和请求；OpenClaw负责Agent的调度与编排。

而在OpenClaw和各业务平台之间，我又增加了一层接口整合中间件。

现在回头来看，这也是整个项目最重要的架构设计之一。

原因很简单：CFC原有的平台和接口，并不是为AI设计的。不同系统采用不同的认证方式、返回格式和参数结构。如果让OpenClaw直接调用这些接口，每增加一个平台，就要增加一套适配逻辑，Prompt会越来越复杂，维护成本也会越来越高。

于是，这层中间件统一负责五件事情：

• 接口认证
• 参数转换
• 数据清洗
• 返回格式统一
• 错误处理

对于OpenClaw来说，它始终只需要面对一套相对统一、干净的数据接口。

对于原有业务系统来说，也几乎不需要进行大的改造。

虽然整个调用链路变长了，但在现有业务基础上，这是改动较小、风险相对可控的一种实现方式。

五、自己挖的坑：把所有东西都塞进一个Agent

刚开始接触OpenClaw时，我对Agent的理解有一些偏差。

我以为，一个Agent就应该包含所有能力——工具、知识库、接口、对话全部放进去，再针对不同入口配置不同角色。

于是项目初期，我真的这么做了。

一个主Agent，什么都往里放。

一开始觉得很方便。

后来问题越来越多。

接入的数据越来越多，Prompt越来越长；角色越来越复杂，权限开始混乱；不同业务之间相互影响，甚至出现回答偏离设定范围的情况。

当时我一直以为，是Prompt没写好，或者配置没有调对。

后来我才意识到，继续修改某一句Prompt解决不了根本问题。真正不合理的，是把所有东西都塞进一个Agent这套设计思路。

OpenClaw的Agent更适合承担相对清晰、单一的职责，而不是做成一个大而全的超级Agent。

于是，我重新拆分了整个架构。

主Agent只负责统一调度和工具编排，不再承载所有具体业务逻辑；不同业务场景分别由独立的业务Agent负责。官网智能助手、内部测试等不同场景彼此隔离，各自管理用户身份、权限、工具授权、会话上下文和安全边界。

同一个业务Agent又可以服务H5、小程序、App等多个终端，共享同一套角色、权限和上下文规则。无论用户从哪个入口进入，获得的服务体验都可以保持一致。

六、从回答问题，到逐步理解业务

提到AI，大部分人的第一反应还是聊天。

但智能问答只是第一步。

我更关心的是，它能不能开始理解业务。

现在，用户已经可以直接查询某家基金会的信息、公益项目、FTI数据以及行业统计数据。

接下来，我们希望它还能完成更多具体业务，例如：

• 查询基金会FTI结果
• 自动定位未通过的指标
• 分析问题原因
• 通过自然语言补充材料
• 更新相关指标
• 根据不同用户身份提供差异化服务

这意味着，AI将从查得到逐步走向办得成：不仅把答案告诉用户，还能真正帮助用户把事情向前推进一步。

七、下一步

目前，AI智能助手还只是第一阶段。

未来，我们计划继续接入更多行业数据，包括历年FTI数据、行业数据大屏、基金会议题领域分类、SDG项目数据及研究成果、行业研究报告，以及更多经过结构化整理的行业知识。

这些数据最终将逐步形成一套统一的行业知识体系。

用户不需要知道数据来自哪个平台，也不需要了解背后的数据库结构，只需要提出问题，就能够快速获得相对准确、可理解的信息。

八、写在最后

完成这个项目之后，我最大的收获，其实不是学会了OpenClaw。

过去我一直认为，技术能力决定一个项目能不能做出来。

现在，我越来越觉得，AI正在快速降低技术实现的门槛。真正拉开差距的，更多是另外几件事情：理解业务、发现问题、设计产品、拆解任务、组织数据，以及持续试错。

AI可以帮助我们写代码，也可以完成很多具体工作。

但它替代不了我们理解业务，也替代不了我们思考：真正应该解决什么问题。

回过头来看，支撑这个AI智能助手走到今天的，并非OpenClaw本身，真正的基础是过去一年持续进行的数据治理。

数据规范了，流程清晰了，AI才能真正发挥价值。

真正让AI发挥价值的，不是接入一个大模型，而是先让数据变得可以被AI理解。

OpenClaw或许只是这个阶段的一款工具，未来可能被新的产品替代。

但理解业务、拆解问题，并借助AI把想法真正落地的能力，不会过时。

接下来，我也会继续记录基金会AI智能助手的迭代过程，包括实际使用中遇到的问题、Agent架构调整、数据与知识库建设，以及AI如何逐步从查得到走向办得成。

这些探索未必成熟，却都来自真实的业务和真实的试错。如果你也在思考AI如何进入自己的工作，希望交流具体场景、技术方案或者落地过程中遇到的问题，欢迎在文章下方留言，或者通过公众号后台联系我。

最近，我也准备启动AI工作效率共创计划，希望寻找一些真实的工作需求，一起梳理流程、设计方案，并尝试借助AI做出真正能够使用的工具。

如果你对此感兴趣，可以在公众号后台回复“AI共创”。你不需要提前想好该用什么工具，只需要告诉我：现在最消耗你时间、最容易出错、最希望被改善的一项工作是什么。

希望我们交流的，不只是AI又出现了什么新产品，而是它究竟可以帮助我们解决哪些真实问题。