Gambaran Umum ClawApp 🦅 ———————————————————————— Baru-baru ini, saya menganalisis @HeySorinAI dan melihat bagaimana ia berfungsi di bawah permukaan. Hari ini, saya beralih fokus kepada persekitaran di mana arahan bahasa semula jadi menjadi tugas sebenar. Jika anda berminat dengan VIBE CODING dan AUTOMATION tanpa menulis kod yang kompleks . . . @Openclaw patut diperhatikan. → Saya akan bermula dengan asas-asas, bermula daripada dashboard dan interaksi pertama dengan antaramuka. → Kemudian saya akan bergerak ke lapisan Kemahiran, di mana anda menentukan apa yang sebenarnya mampu dilakukan oleh agen. → Akhir sekali, kita akan memerhatikannya bekerja, apabila satu arahan tunggal berubah menjadi alur kerja berperingkat yang terstruktur. Mari kita uraikan!👇 Apabila anda membuka ClawApp, anda akan berada di dashboard yang bersih dan moden, dibahagikan kepada dua kawasan utama: → Panel navigasi kiri, → Ruang kerja tengah. ———————————————————————— Sidebar kiri adalah pusat perintah anda. > New Chat memulakan sesi baru. Setiap tugas berjalan dalam sesi tersendiri, membantu anda mengatur alur kerja dengan teratur. > Connect Apps membolehkan anda menghubungkan perkhidmatan luar seperti e-mel atau kalender anda. Di sinilah agen menjadi beroperasi, berpindah dari perbualan kepada pelaksanaan. > Skills menunjukkan kemampuan yang tersedia untuk agen. Anda boleh menghidupkan atau mematikannya, menjaga kawalan atas apa yang boleh diakses atau dilakukan oleh agen. > Balance menunjukkan kredit yang tersedia (dalam USD). > History mencatat sesi sebelumnya, membolehkan anda mengulas semula atau mengurus automasi sebelumnya. Bersama-sama, elemen-elemen ini menempatkan ClawApp sebagai alat produktiviti yang terstruktur, bukan sekadar antaramuka perbualan. ———————————————————————— Panel utama menyambut pengguna dengan “Automate with ClawApp”, menekankan bahawa ini adalah antaramuka yang direka untuk mempermudah akses kepada OpenClaw. Anda juga akan melihat kad automasi contoh, seperti: > Mencipta nota tugas (integrasi Apple Notes), > Memuatkan dan berinteraksi dalam ekosistem agen (Moltbook), > Menghasilkan laporan analisis teknikal BTC (Crypto Insights). Contoh-contoh ini menunjukkan bahawa agen boleh melaksanakan tindakan serta melakukan analisis, bukan sekadar menghasilkan teks. ———————————————————————— Di bahagian bawah, medan input ringkas membolehkan anda “Ketik mesej atau arahan...” Tidak perlu skrip atau konfigurasi. Alirannya adalah mudah: ⏩ arahan dalam bahasa semula jadi → agen → tindakan di dalam aplikasi yang disambungkan Skrin ini menunjukkan ruang kerja Skills. Tempat di mana anda mengurus apa yang sebenarnya mampu dilakukan oleh agen OpenClaw anda. Jika skrin utama adalah pusat kawalan, ini adalah lapisan kemampuan. ———————————————————————— Di bahagian atas, anda boleh melihat laluan direktori kemahiran tempatan (contohnya: /openclaw/workspace/skills). Ini menunjukkan bahawa kemahiran adalah komponen modular yang disimpan secara tempatan. Anda boleh: → Menambah kemahiran baru, → Menghapuskan yang sedia ada, → Memperluaskan fungsi agen. Terdapat juga rujukan kepada Clawhub, di mana kemahiran tambahan boleh ditemui dan dimuat turun. Ini memperkuat idea bahawa ekosistem ini boleh dikembangkan dan didorong oleh komuniti. ———————————————————————— Bahagian utama menunjukkan kemahiran yang dipasang sebagai kad. Contoh yang kelihatan di sini termasuk: ▫️ apple-notes, ▫️ himalaya, ▫️ shitty-email, ▫️ moltbook, ▫️ molt-registry, ▫️ Sorin Brain. Setiap kemahiran mewakili domain operasi tertentu, nota, e-mel, interaksi sosial, identiti, analitik. ———————————————————————— Struktur ini menjadikan agen modular, bukan monolitik. Bukan satu sistem serba kuasa, tetapi anda membina keupayaan agen anda seperti komponen dalam kotak alat. Setiap kemahiran boleh diperiksa (melalui “More”) dan diurus secara individu. Ini memperkuat tiga prinsip reka bentuk penting: → Modulariti, keupayaan dipisahkan kepada unit-unit yang ditakrifkan, → Keterluasan, kemahiran baru boleh ditambah dari masa ke masa, → Kawalan, pengguna menentukan apa yang boleh diakses dan dilaksanakan oleh agen. Tab Skills membuatnya jelas bahawa ClawApp adalah persekitaran agen yang boleh dikonfigurasi. Bukan sekadar bertanya 🚫 “Apa yang boleh dilakukan AI ini?” Soalan yang lebih baik menjadi: ✅ “Apakah yang saya inginkan agen ini mampu lakukan?” Skrin ini menunjukkan agen sedang beroperasi. Di bahagian atas, pengguna memasukkan arahan bahasa semula jadi: ▶️ “Periksa pertemuan saya yang akan datang minggu ini dalam kalender dan hantar e-mel… mengingatkan beliau untuk menyelesaikan fail markdown data pasaran ramalan.” ◀️ Arahan tunggal ini menjadi titik permulaan tugas yang terstruktur. Bukan sekadar memberi respons teks generik, agen bermula melaksanakan permintaan itu langkah demi langkah. Tindakan pertama yang kelihatan ialah mengambil peristiwa kalender akan datang untuk tujuh hari ke depan. Pertemuan-pertemuan tersebut disenaraikan dengan jelas bersama: → Tajuk, → Tarikh dan masa, → Akaun kalender yang berkaitan. Ini menandakan permulaan pelaksanaan tugas... agen sedang mengumpul konteks sebelum melangkah ke langkah seterusnya (menghantar e-mel pengingat). ———————————————————————— Yang penting di sini ialah alirannya: → Pengguna memberi arahan aras tinggi, → Agen menguraikannya kepada tindakan sub, → Setiap langkah dilaksanakan dan dipaparkan dalam antaramuka perbualan. Antaramuka membuatkan kemajuan tugas menjadi telus, membolehkan pengguna melihat bagaimana agen mentafsir dan melaksanakan permintaan tersebut. ———————————————————————— Skrin ini mewakili titik permulaan sebenar kerja: ⏩ Bahasa semula jadi → penciptaan tugas → pengambilan konteks → pelaksanaan tindakan Ia menunjukkan bahawa ClawApp direka untuk alur kerja operasi, di mana arahan memicu interaksi sebenar dengan sistem yang disambungkan seperti kalender dan e-mel. Selepas mengambil data pertemuan akan datang, agen bergerak ke fasa pelaksanaan seterusnya. Arahan di bahagian bawah perbualan kini telah menjadi tugas yang terstruktur sepenuhnya. Data kalender telah dikumpulkan, dan sistem sedang bersedia untuk tindakan susulan, menyusun dan menghantar e-mel pengingat. ⏩ Apa yang kita lihat di sini ialah peralihan dari pengumpulan konteks kepada tindakan. Alur kerja sedang berkembang langkah demi langkah: → Kenal pasti pertemuan yang relevan, → Ekstrak butiran yang diperlukan, → Gunakan konteks itu untuk menghasilkan pengingat, → Melaksanakan tindakan e-mel. Skrin ini mewakili tugas sedang berlangsung, bukan respons, tetapi operasi yang sedang dilaksanakan secara aktif di dalam sistem yang disambungkan. E-mel pengingat bukan lagi sekadar idea dalam prompt. Ia sedang diproses sebagai alur kerja sebenar yang boleh dilaksanakan. ———————————————————————— Apakah yang menarik perhatian saya? 👀 → Bagaimana ClawApp dengan jelas mengalihkan AI dari “bercakap” kepada benar-benar bertindak. Anda tidak sekadar memberi arahan kepada model... Anda → Mengkonfigurasi sebuah agen, → Memberinya akses kepada alat-alat, → Memerhatikannya melaksanakan tugas terstruktur secara masa nyata. Kemahiran modular, alur tugas yang kelihatan, dan struktur berasaskan sesi menjadikannya lebih seperti sistem pengendalian untuk alur kerja AI daripada seorang pembantu ringkas. ———————————————————————— 🔗 Pautannya ada di komen pertama 👇 ———————————————————————— Yo 🤟