0%

OpenClaw 学术应用完全教程

Posted on In ,
Symbols count in article: 6.5k Reading time ≈ 6 mins.

OpenClaw 学术应用完全教程

作者: Yangsu | 更新日期: 2026-04-18

📝 前言

作为科研工作者，每天面对海量论文更新是常态。OpenClaw 可以帮你构建一个完整的学术论文自动化监控与推荐系统，实现：

  • 自动采集：从 arXiv + 24 个学术期刊 RSS 自动拉取新论文
  • 智能评分：基于你的研究方向分层匹配关键词，自动筛选相关论文
  • AI 深度分析：Agent 原生分析每篇论文，生成 TL;DR、创新点、方法论、课题启发、局限性
  • 定时推送：每 3 天自动推送到飞书群（卡片简报 + 详细文档）
  • 按主题分组：论文按研究主题自动归类，方便快速筛选

一、架构概览

本教程相关的配置内容和 skill 见：龙虾配置包 Download Now 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
┌───────────────────────────────────────────────────────┐
│                    OpenClaw 平台                       │
│                                                        │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐             │
│  │  main    │  │ scholar  │  │info-scout│  ...agents   │
│  │ (主角色)  │  │(学术助手) │  │(信息侦察) │             │
│  └──────────┘  └────┬─────┘  └──────────┘             │
│                     │                                  │
│  Skills:            │                                  │
│  ┌──────────────────┼──────────────────┐              │
│  │ academic-briefing │  rss-monitor     │              │
│  │ (论文采集+推送)    │  (RSS 博客监控)   │              │
│  └──────────────────┼──────────────────┘              │
│                     │                                  │
│  Cron:              │                                  │
│  ┌──────────────────┼──────────────────┐              │
│  │ 每3天 09:00      │  每天 19:00       │              │
│  │ 学术论文简报      │  RSS 日报推送     │              │
│  └──────────────────┼──────────────────┘              │
│                     ▼                                  │
│              ┌─────────────┐                          │
│              │  飞书推送     │                          │
│              │ 卡片+文档+私信 │                          │
│              └─────────────┘                          │
└───────────────────────────────────────────────────────┘

核心特点：

  • 🤖 多 Agent 子角色：每个角色独立工作空间、模型配置、飞书群绑定
  • 📡 三通道数据采集：arXiv 关键词 + 分类浏览 + 期刊 RSS 并行采集
  • 🧠 Agent-Native 分析：零额外 API 调用，Agent 原生完成深度分析
  • 📊 分层评分系统：core(5分) + method(4分) + related(2分) 权重匹配
  • 🔄 智能去重：基于 DOI/URL 自动去重已推送论文

二、Agent 子角色设立

2.1 为什么需要子角色

OpenClaw 支持创建多个 Agent 子角色，每个角色有独立的：

  • 工作空间（workspace）
  • 模型配置（可选不同的 LLM provider）
  • 飞书群绑定（每个角色推送到不同的群）
  • 会话隔离（cron 任务在独立 session 中运行）

2.2 在 openclaw.json 中定义 Agent

1
2
3
4
5
6
7
8
9
10
11
12
{
  "agents": [
    {
      "id": "main",
      "workspace": "/path/to/main/workspace"
    },
    {
      "id": "scholar",
      "workspace": "/path/to/scholar/workspace"
    }
  ]
}

三、学术论文 Skill 配置

3.1 目录结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
~/.agents/skills/academic-briefing/
├── SKILL.md                          # Skill 描述文档
├── .env                              # 飞书 App 凭证
├── .venv/                            # Python 虚拟环境
├── scripts/
│   ├── academic_monitor.py           # 主脚本 (v3 Agent-Native)
│   └── feishu_utils.py              # 飞书工具函数
├── references/
│   ├── research_topics.json          # 分层关键词配置
│   ├── journal_rss_feeds.json        # 期刊 RSS + arXiv 分类
│   └── doc_template.md              # 飞书文档模板说明
└── config/
    ├── config.json                   # 飞书 webhook 配置
    └── state.json                    # 已推送论文记录（去重用）

3.2 研究关键词配置

references/research_topics.json 采用分层权重系统：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
{
  "topics": {
    "core": {
      "weight": 5,
      "keywords": ["academic social network", "scholar recommendation"]
    },
    "method": {
      "weight": 4,
      "keywords": ["graph neural network", "heterogeneous graph"]
    },
    "related": {
      "weight": 2,
      "keywords": ["citation prediction", "research impact"]
    }
  },
  "exclude_keywords": ["image classification", "computer vision"],
  "boost_venues": ["KDD", "NeurIPS", "ICML", "WWW", "AAAI"]
}

评分规则：

机制 分值 说明
core 关键词匹配 +5/个 核心研究方向
method 关键词匹配 +4/个 方法论匹配
related 关键词匹配 +2/个 相关领域
exclude 关键词惩罚 -3/个 排除无关领域
会议 boost +3 发表在顶会/顶刊
期刊来源 bonus +2 非 arXiv 的已发表论文

星级映射：>=10 → 5星, >=6 → 4星, >=3 → 3星, >=1 → 2星

3.3 三通道数据采集

论文采集使用三个并行通道：

  1. arXiv 关键词搜索：将所有层级的关键词组合为 OR 查询，调用 arXiv Atom API
  2. arXiv 分类浏览：按配置的 arXiv 分类（cs.SI, cs.LG 等）获取最新论文
  3. 期刊 RSS：解析 24 个学术期刊的 RSS feed

三个通道的结果会自动去重合并。

四、Agent-Native 分析架构

4.1 设计理念

传统方式：脚本内嵌 LLM API 调用 → 需要管理 token、处理超时、额外费用

Agent-Native：脚本只负责数据采集，Agent 自身作为 AI 模型完成分析 → 零额外 API 调用

4.2 三步流程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
┌─────────────────────────────────────────────────┐
│ Step 1: 采集 (Python 脚本)                       │
│ academic_monitor.py --collect                    │
│ → arXiv API + 期刊 RSS → 过滤 + 评分             │
│ → 输出: /tmp/academic_collect.json               │
└──────────────────────┬──────────────────────────┘
                       ▼
┌─────────────────────────────────────────────────┐
│ Step 2: 分析 (Agent 原生)                        │
│ Agent 读取 JSON → 逐篇深度分析                    │
│ → TL;DR + Novelty + Methodology                 │
│   + Inspiration + Limitations + Group            │
│ → 输出: /tmp/academic_analysis.json              │
└──────────────────────┬──────────────────────────┘
                       ▼
┌─────────────────────────────────────────────────┐
│ Step 3: 推送 (Python 脚本)                       │
│ academic_monitor.py --push-results               │
│ → 飞书文档 (完整报告) + 卡片 (精选简报)            │
│ → 私信文档链接给用户                               │
└─────────────────────────────────────────────────┘

4.3 优势对比

方面 传统方式 Agent-Native
API 调用 脚本自己调 LLM API Agent 原生推理，零额外调用
Token 管理 需读取 auth-profiles.json 不需要
超时处理 需设置 HTTP timeout + 重试 Agent 框架自动处理
分析质量 受 max_tokens 和 prompt 工程限制 Agent 拥有完整上下文和推理能力
可维护性 修改 prompt 需改 Python 代码 修改 cron payload 即可

五、Cron 定时任务

5.1 任务定义

在 ~/.openclaw/cron/jobs.json 中定义定时任务：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
{
  "id": "academic-briefing-3day",
  "agentId": "scholar",
  "name": "学术论文简报推送",
  "enabled": true,
  "schedule": {
    "kind": "cron",
    "expr": "0 9 */3 * *",
    "tz": "Asia/Shanghai"
  },
  "sessionTarget": "isolated",
  "wakeMode": "now",
  "payload": {
    "kind": "agentTurn",
    "message": "执行学术论文简报（三步流程）：..."
  },
  "delivery": {
    "mode": "announce",
    "channel": "feishu",
    "to": "chat:oc_your_group_chat_id"
  }
}

5.2 常用 Cron 表达式

表达式 含义
0 9 */3 * * 每 3 天上午 9:00
0 9 * * 1-5 工作日上午 9:00
0 9 * * 1 每周一上午 9:00

六、飞书集成

6.1 推送类型

类型 API 用途
Webhook 卡片 /bot/v2/hook/ 群聊推送简报卡片
飞书文档 /docx/v1/documents 创建详细报告文档
文档权限 /drive/v1/permissions 自动授权给用户
私信 /im/v1/messages 发送文档链接给个人

6.2 卡片容量限制

飞书 Webhook 卡片最大 28KB。含完整五步法分析时：

  • 每篇论文约 5-7 KB
  • 最多放 4 篇论文（含 TL;DR + Novelty + Methodology + Inspiration + Limitations）
  • 超出时自动减少篇数

七、快速开始

7.1 安装依赖

1
2
3
4
cd ~/.agents/skills/academic-briefing
python3 -m venv .venv
source .venv/bin/activate
pip install feedparser

7.2 使用方式

1
2
3
4
5
6
7
8
9
10
11
12
13
cd ~/.agents/skills/academic-briefing && source .venv/bin/activate

# 预览模式（不推送）
python3 scripts/academic_monitor.py --dry-run --days 7

# 仅采集+评分，输出 JSON
python3 scripts/academic_monitor.py --collect --output /tmp/papers.json

# 推送分析结果到飞书
python3 scripts/academic_monitor.py --push-results /tmp/analyzed_papers.json

# 降级模式（直接推送，无 AI 分析）
python3 scripts/academic_monitor.py --push

八、自定义与扩展

8.1 修改研究方向

编辑 references/research_topics.json：

1
2
3
4
5
6
7
8
# 添加核心关键词
"core": { "keywords": ["your keyword", ...] }

# 添加排除关键词
"exclude_keywords": ["irrelevant topic", ...]

# 添加关注的顶会/顶刊
"boost_venues": ["AAAI", "NeurIPS", ...]

8.2 调整推送频率

修改 jobs.json 中的 cron 表达式："expr": "0 9 */3 * *" → "expr": "0 9 * * 1"（每周一）

8.3 添加新的论文源

在 references/journal_rss_feeds.json 中添加：

1
2
3
4
5
{
  "name": "Journal Name",
  "url": "https://journal.example.com/rss",
  "category": "Your Category"
}

九、常见问题

Q: 论文采集数量为 0？ 检查时间窗口 --days 参数。arXiv 在周末和假期不更新，建议设置 3-7 天。

Q: 飞书卡片推送失败？ 检查 Webhook URL 和 Secret 是否正确。卡片超过 28KB 会自动减少论文数量。

Q: 如何增加精选论文数量？ 修改 --top 参数，但受卡片 28KB 限制。建议 4 篇精选 + 30 篇值得关注。

Q: 如何手动触发一次推送？ 直接对 scholar agent 发送 cron payload 中的三步指令，或使用降级模式： 

1
python3 scripts/academic_monitor.py --push --days 7

本教程基于 OpenClaw 平台 + Scholar Agent + Academic Briefing Skill v3 (Agent-Native) 架构编写。

-------------This blog is over! Thanks for your reading-------------