ClawApp Overview 🦅 ———————————————————————— Kabangon ko na ang @HeySorinAI at sinuri kung paano ito gumagana sa ilalim ng kanyang hood. Ngayon, binabago ko ang aking pagtingin sa kapaligiran kung saan naging tunay na mga gawain ang mga panuto sa natural na wika. Kung interesado ka sa VIBE CODING at AUTOMATION nang walang paggawa ng komplikadong code . . . @Openclaw ay karapat-dapat sa atensyon. → Magsisimula ako sa mga pangunahing bagay, mula sa dashboard at unang interaksyon sa interface. → Pagkatapos ay lalabas ako sa Skills layer, kung saan tinitukoy mo kung ano talaga ang kakayahan ng agent. → Sa huli, titingnan natin ito habang gumagana, kung saan isang panuto lamang ay naging isang structured, multi-step workflow. Ipagpatuloy natin!👇 Kapag buksan mo ang ClawApp, makikita mo ang isang malinis, modernong dashboard na nahahati sa dalawang pangunahing lugar: → Left navigation panel, → Central workspace. ———————————————————————— Ang left sidebar ay ang iyong command center. > New Chat ay nagtatapos ng isang bagong session. Bawat gawain ay tumatakbo sa sariling session, na tumutulong sayo na panatilihin ang mga workflow na maayos. > Connect Apps ay nagpapahintulot sayo na i-link ang mga panlabas na serbisyo tulad ng email o iyong kalendaryo. Dito naging operational ang agent, mula sa usapan patungo sa pagpapatupad. > Skills ay nagpapakita ng mga available na kakayahan ng agent. Maaari mong i-enable o i-disable ang mga ito, upang manatili sa kontrol kung ano ang maaaring i-access o gawin ng agent. > Balance ay nagpapakita ng iyong available credits (sa USD). > History ay naglalatag ng nakaraang session, na nagpapahintulot sayo na muli pang bisitahin o pamahalaan ang mga nakaraang automation. Bukod sa lahat, ang mga elemento na ito ay nagpapakita na ang ClawApp ay isang structured productivity tool kaysa isang simpleng chat interface. ———————————————————————— Ang pangunahing panel ay nagbubukas sa mga user gamit ang “Automate with ClawApp”, na nagpapahiwatig na ito ay isang interface na nilikha upang mapadali ang pag-access sa OpenClaw. Makikita mo rin ang mga halimbawa ng automation cards, tulad ng: > Paglikha ng task note (Apple Notes integration), > Pag-post at pag-interact sa loob ng isang agent ecosystem (Moltbook), > Pagbuo ng BTC technical analysis report (Crypto Insights). Ang mga halimbawang ito ay nagpapakita na ang agent ay maaaring magpapatupad ng aksyon at maggawa ng analisis, hindi lamang magbuo ng teksto. ———————————————————————— Sa ilalim, isang simpleng input field ang nagpapahintulot sayo na “Type a message or command...” Walang pangangailangan para sa scripts o configuration. Ang flow ay simpleng: ⏩ instruction in natural language → agent → action inside connected apps Ang screen na ito ay nagpapakita ng Skills workspace. Ang lugar kung saan pinamamahalaan mo kung ano talaga ang maaaring gawin ng iyong OpenClaw agent. Kung ang pangunahing screen ay ang control center, ito ay ang capability layer. ———————————————————————— Sa itaas, makikita mo ang lokal na skills directory path (hal., /openclaw/workspace/skills). Ito ay nagpapakita na ang mga skills ay modular na mga komponenteng naka-store lokal. Maaari mong: → Magdagdag ng bagong skills, → Alisin ang mga umiiral, → Palawakin ang functionality ng agent. Mayroon ding isang reference sa Clawhub, kung saan maaaring hanapin at i-download ang karagdagang skills. Ito ay nagpapatibay na ang ecosystem ay expandable at community-driven. ———————————————————————— Ang pangunahing seksyon ay nagpapakita ng mga installed skills bilang mga card. Mga halimbawa na makikita dito ay: ▫️ apple-notes, ▫️ himalaya, ▫️ shitty-email, ▫️ moltbook, ▫️ molt-registry, ▫️ Sorin Brain. Bawat skill ay kumakatawan sa isang tiyak na operational domain, tulad ng notes, email, social interaction, identity, analytics. ———————————————————————— Ang istrukturang ito ay nagiging modular ang agent kaysa monolithic. Hindi isang lahat-potensyal na sistema, kundi binubuo mo ang kakayahan ng agent tulad ng mga komponente sa isang toolbox. Bawat skill ay maaaring i-inspect (sa pamamagitan ng “More”) at pamahalaan nang hiwalay. Ito ay nagpapatibay sa tatlong mahalagang design principle: → Modularity, ang kakayahan ay hihiwalay sa mga natukoy na yunit, → Extensibility, maaaring dagdagan ang mga bagong skills sa panahon, → Control, ang user ang desisyon kung ano ang maaaring i-access at gawin ng agent. Ang Skills tab ay nagpapakita nang malinaw na ang ClawApp ay isang configurable agent environment. Hindi na tanungin: 🚫 “Ano ang maaaring gawin ng AI na ito?” Ang mas magandang tanong ay: ✅ “Ano ang gusto kong gawin ng agent na ito?” Ang screen ay nagpapakita ng agent habang gumagana. Sa itaas, ipinapasok ng user ang isang natural language command: ▶️ “Check my upcoming meetings this week in the calendar and send an email… reminding him to finish the prediction market data markdown file.” ◀️ Ang isang panuto lamang na ito ay naging starting point ng isang structured task. Hindi sumasagot ang agent gamit ang isang generic text reply, kundi nagsisimula itong magpapatupad ng hiling nang step by step. Ang unang nakikita aksyon ay ang pagkuha ng upcoming calendar events para sa susunod na pitong araw. Ang mga meeting ay malinaw na listahan kasama ang: → Title, → Date and time, → Associated calendar account. Ito ang simula ng task execution... kinukuha ng agent ang konteksto bago lumipat sa susunod na hakbang (pagpapadala ng reminder email). ———————————————————————— Ang mahalaga dito ay ang flow: → Ang user ay nagbibigay ng high-level instruction, → Ang agent ay hinahati ito sa sub-actions, → Bawat hakbang ay ginagawa at ipinapakita sa chat interface. Ang interface ay ginagawa transparent ang pag-unlad ng task, nagpapahintulot sa user na makita kung paano binabasa at pinapatupad ng agent ang hiling. ———————————————————————— Ang screen na ito ay kumakatawan sa totoong simula ng trabaho: ⏩ Natural language → task creation → context retrieval → action execution Ito ay nagpapakita na ang ClawApp ay disenyo para sa operational workflows, kung saan ang mga panuto ay nagtrigger ng tunay na interaksyon sa mga konektadong sistema tulad ng kalendaryo at email. Pagkatapos makakuha ng upcoming meetings, lumilipat ang agent sa susunod na yugto ng pagpapatupad. Ang panuto sa ilalim ng chat ay naging buong structured task na. Nakuha na ang calendar data, at handa na ang sistema para sa susunod na aksyon—pagbuo at pagpapadala ng reminder email. ⏩ Ang tinuturing natin dito ay ang transisyon mula sa context collection patungo sa action. Ang workflow ay umuunlad step by step: → Tukuyin ang relevant meetings, → I-extract ang kinakailangang detalye, → Gamitin ang kontekstong ito upang makabuo ng reminder, → I-executed ang email action. Ang screen na ito ay kumakatawan sa task habang nasa proseso, hindi isang sagot, kundi isang operasyon na aktibong ginagawa sa loob ng konektadong sistema. Ang reminder email ay hindi na lamang isang ideya sa prompt. Ito ay pinoproseso bilang tunay, executable workflow. ———————————————————————— Ano ang nakakatangi sakin? 👀 → Paano malinaw na binabago ni ClawApp ang AI mula sa “chatting” patungo sa paggawa talaga. Hindi ka lang nagpaprompt sa isang model... Kundi ikaw ay → Nagkukonfigura ng isang agent, → Binibigyan ito ng access sa mga tool, → Tinitingnan mo ito habang ginagawa ang structured tasks sa real time. Ang modular skills, visible task flow, at session-based structure ay nagbibigay-daan para mas maging parang operating system para sa AI workflows kaysa isang simpleng assistant. ———————————————————————— 🔗 Ang link nasa unang comment 👇 ———————————————————————— Yo 🤟