我的自動化飛輪是被一杯水潑出來的。
2025 年 7 月，同事不小心把水潑在我的 MacBook 上，整台無法開機。上面有還沒 commit 的程式碼、沒備份的專案文件。換了一台 M4 Max 128GB，從零重建工作環境。
重建的過程中我意識到一件事：那些以前手動做的事情（備份、檔案整理、信件檢查），只要有一次忘記做，就可能再出一次大問題。所以我把每一個「不能忘記做」的任務都寫進了 OpenClaw 的 Heartbeat。第一個是自動備份。第二個是桌面檔案整理。第三個是信件初篩。一個月後，我有十幾個自動化配方在跑。省下的時間讓我有餘裕去設計更多自動化。
「自動化飛輪」（Automation Flywheel），AI 自動化不是一次性設定。你自動化一個任務，省下時間，用省下的時間自動化下一個任務，省更多時間。飛輪轉得越快，你自動化的速度也越快。第一圈最慢，但一旦轉起來就停不下來。我的飛輪是被一杯水逼出來的，但你不需要等到被痛到。
這篇是給已經裝好 OpenClaw 但還沒真正發揮它潛力的人。從三個方向把它從「偶爾用的工具」升級成「離不開的系統」：自動化工作流、技能擴充、效能調校。
一、Heartbeat：讓 AI 自己做事
OpenClaw 最強大也最被忽略的功能是 Heartbeat。每 30 分鐘，它自動讀取 HEARTBEAT.md 檔案，判斷是否有任務需要執行。
你不需要下指令。它自己會看、自己會想、自己會做。
基本設定
在 OpenClaw 的資料目錄建一個 HEARTBEAT.md：
# 每日排程
- 每天 08:00：查看今天的行事曆事件，用 Telegram 發摘要給我
- 每天 12:00：檢查桌面有沒有新檔案，有的話整理到對應資料夾
- 每天 22:00：整理今天所有 Telegram 對話，產出日報
# 條件觸發
- 如果收到標題含「urgent」或「緊急」的信件，立刻通知我
- 如果系統記憶體使用超過 90%，重啟 OllamaOpenClaw 讀到這些指示後，會自己判斷時間到了該做什麼。不是 cron job 那種死板的排程，是帶有理解力的排程。
進階技巧
動態更新。你可以隨時修改 HEARTBEAT.md，不需要重啟 OpenClaw。下一個 30 分鐘檢查時它就會讀到新指示。
條件邏輯。你可以寫「如果今天是週一，整理上週的所有工作紀錄」。OpenClaw 會理解條件，只在週一執行。
多層排程。日排程、週排程、月排程可以寫在同一個檔案裡。用標題分隔就好。
二、技能擴充：教 AI 新能力
OpenClaw 的 Skills（技能）系統讓你可以教它做新的事情。每個技能就是一個定義檔，描述這個技能做什麼、怎麼做。
安裝社群技能
ClawHub 上有超過 2,800 個社群技能。只裝帶有 verified 標誌的。
# 搜尋技能
openclaw skills search "calendar"
# 安裝
openclaw skills install calendar-manager --verified自訂技能
你可以用自然語言寫自己的技能。在 OpenClaw 的 skills 目錄建一個資料夾：
mkdir -p ~/.openclaw/skills/daily-report建 SKILL.md：
# Daily Report Generator
## 描述
每天結束時，整理今天所有的 Telegram 對話、完成的任務、未完成的任務，
產出一份簡潔的日報。
## 觸發方式
手動觸發或 Heartbeat 排程
## 輸出格式
- 今日完成：[列表]
- 今日未完：[列表]
- 明日待辦：[列表]
- 關鍵數字：[統計]OpenClaw 讀了 SKILL.md 之後就知道怎麼執行這個技能。不需要寫程式碼。
技能組合
技能可以串聯。例如：
「用 calendar-manager 查看明天的行程，然後用 daily-report 整理成摘要，最後用 telegram-notifier 發給我。」三個技能串成一個工作流，一句話觸發。
三、OpenClaw + n8n：確定性和自主性的結合
OpenClaw 擅長需要判斷的任務。n8n 擅長固定流程。兩個搭配是「確定性光譜」（Determinism Spectrum）上最強的組合。
實際案例：自動處理客戶信件
n8n 的部分（確定性，不需要判斷）：
1. 每 15 分鐘檢查 Gmail 有沒有新信件
2. 如果有，把信件內容傳給 OpenClaw
3. 收到 OpenClaw 的回覆後，格式化成固定樣式
4. 存入 Google Sheets 紀錄
OpenClaw 的部分（自主性，需要判斷）：
1. 讀信件內容，判斷是不是需要回覆的
2. 如果需要，判斷緊急程度
3. 草擬回覆
4. 回傳給 n8n
n8n 負責「什麼時候做、格式是什麼、存在哪裡」。OpenClaw 負責「這封信重不重要、該怎麼回」。
設定方式
n8n 用 webhook 節點呼叫 OpenClaw 的 API：
# OpenClaw 開啟 API 模式
openclaw config set server.api_enabled true
openclaw config set server.api_port 3100n8n 的 HTTP Request 節點指向 http://localhost:3100/api/chat，傳送信件內容，接收分析結果。
想了解 OpenClaw 跟 n8n 的完整比較？讀「OpenClaw vs n8n vs Claude Code」。
四、效能調校：壓榨最後一滴性能
如果你用 Ollama 跑本地模型，以下設定讓推理速度提升 30% 到 50%。
GPU Wired Memory（Apple Silicon 必做）
sudo sysctl iogpu.wired_limit_mb=121000這行指令把 GPU 可用記憶體上限從預設值提高到 121GB。不設這個，你的 M4 Max 128GB 只能用到一半的記憶體跑 AI。
每次重開機都要重新執行。建議寫進啟動腳本。
Ollama 環境變數
export OLLAMA_NUM_PARALLEL=25
export OLLAMA_NUM_GPU=99
export OLLAMA_FLASH_ATTENTION=1
export OLLAMA_GPU_DRIVER=metal
export OLLAMA_NUM_THREADS=12逐一解釋：
NUM_PARALLEL=25：允許 25 個並發推理請求。M4 Max 的頻寬足以支撐。
NUM_GPU=99：把盡可能多的模型層載入 GPU。越多層在 GPU 上，推理越快。
FLASH_ATTENTION=1：啟用 Flash Attention 加速。免費的速度提升。
GPU_DRIVER=metal：指定用 Apple 的 Metal GPU 加速。
NUM_THREADS=12：CPU 線程數。M4 Max 有 16 核，留一些給系統。
模型選擇指南
| 記憶體 | 推薦模型 | 推理速度（約） | 品質 |
|---|---|---|---|
| 16GB | qwen2.5:7b | 30-50 tok/s | 堪用 |
| 48GB | qwen2.5:32b | 15-25 tok/s | 推薦 |
| 64GB | qwen2.5:32b | 20-30 tok/s | 有餘裕 |
| 128GB | qwen2.5:72b 或 llama3.3:70b | 8-15 tok/s | 接近頂級 |
原則：用你記憶體 60-70% 能裝下的最大模型。留 30-40% 給系統和 OpenClaw 本身。
想看完整的效能基準測試？讀「Mac Mini M4 能跑 AI 嗎？128GB 統一記憶體實測」。
五、API 管理：當你同時用雲端和本地
混合策略（80% 本地 + 20% 雲端）的設定：
# 預設用本地
openclaw config set ai.provider ollama
openclaw config set ai.model qwen2.5:32b
# 備用雲端（高品質任務時手動切換）
openclaw config set ai.fallback_provider anthropic
openclaw config set ai.fallback_api_key sk-ant-xxxxx當本地模型回答品質不夠時，你可以在對話中說「用 Claude 重新回答」，OpenClaw 會切換到雲端模型。
成本控制
# 設定每月 API 花費上限
openclaw config set ai.monthly_budget 50到達上限後 OpenClaw 自動切回本地模型，不會超支。
六、飛輪怎麼轉起來
回到「自動化飛輪」的概念。你的第一圈可能是這樣：
第 1 週：自動化一件事。例如每天早上的行事曆摘要。設好 Heartbeat，讓 OpenClaw 每天 8 點自動發。省下 5 分鐘。
第 2 週：自動化第二件事。用省下的 5 分鐘來設定「每天整理桌面」的自動化。又省 10 分鐘。
第 3 週：連結兩個自動化。「整理桌面時如果發現新的 PDF，自動讀取並產出摘要。」省 20 分鐘。
第 4 週：加入 n8n。把 OpenClaw 跟 n8n 串起來，自動處理信件。省 1 小時。
一個月後，你每天多出 1 到 2 小時。這些時間可以用來設定更多自動化。飛輪就是這樣轉起來的。
CEO 決策思考裡的「一人飛輪」（Solo Flywheel）就是這個道理。不是一次做完，是每一圈都比上一圈更快。
裝好 OpenClaw 只是起點。真正的價值在第三個月開始浮現。那時候你已經自動化了十幾個日常任務，每天省下兩三個小時，而且飛輪還在加速。
多數人在第一週就放棄了。因為他們把 OpenClaw 當作一個「問答工具」來用，結果覺得跟 ChatGPT 差不多。
差別在自動化。ChatGPT 等你開口。OpenClaw 自己做事。這個差別需要設定 Heartbeat、串接工作流、調校效能之後才會體現。
把第一個自動化工作流跑起來。你就回不去了。
想看完整的基礎安裝教學？讀「OpenClaw 完整教學 2026」。
想了解一人公司怎麼用？讀「一人公司 AI 團隊架構」。
想從 CEO 角度看 AI 投資？讀「CEO 該不該自架 AI」。
