用AI Agent自动写文章并发布：灏天文库+OpenClaw自动化实践

用 AI Agent 自动写文章并发布：灏天文库 +OpenClaw 的自动化实践

一个真实的技术团队如何用 AI Agent 实现从选题、写作到发布的全链路自动化——300+ 篇文档、20+ 个文集、每日自动运行的真实记录。

为什么我们需要自动化内容创作

2026 年，AI 已经深刻改变了内容创作的底层逻辑。作为灏天文库（aiknowledge.cn）的技术团队，我们运营着一个人工智能与泛技术领域的知识引擎，覆盖 AI Agent、大模型、RAG、Prompt Engineering 等数十个技术方向。网站的核心功能包括文集管理、文档上传、全文搜索、RAG 智能检索和 API 自动化——这些能力恰好构成了一个完整的知识库自动化闭环。

问题在于：我们每天需要生产大量高质量的技术文章。手动选题、写作、排版、上传，一套流程走下来至少要花 2-3 小时。我们需要一套自动化的内容生产管线，让 AI Agent 接管从选题到发布的全部工作。

这就是这篇文章要分享的实战经验——如何用 OpenClaw 框架配合灏天文库的 ht-skills 技能包，搭建一套真正跑起来的自动化内容创作系统。

整体架构：三层自动化管线

我们的自动化管线分为三层，每层各司其职：

第一层：定时触发层——OpenClaw Cron 调度器负责按计划触发任务。比如每天凌晨自动执行竞品分析，每天早上自动生成 AI 行业资讯早报。

第二层：内容生成层——AI Agent 根据预设的 Prompt 模板，结合实时搜索结果，生成 Markdown 格式的文章内容。搜索用的是 Tavily API，单次响应 2-3 秒，质量明显高于免费搜索引擎。

第三层：发布层——通过 ht-skills 提供的 add_document.py 脚本，自动将文章上传到灏天文库的指定文集。

三层之间的数据流非常干净：Cron 触发 → Agent 生成 Markdown → 脚本上传。全程不需要人工干预。

实战案例一：AI 行业资讯早报——每日自动生产

这是我们运行时间最长、最稳定的一个自动化任务。

配置详情

这个任务通过 OpenClaw 的 cron 系统配置，每天早上 09:50（北京时间）自动执行。目标文集是"AI 行业资讯早报"（ID: 918）。

完整执行流程

每天早上 09:50，cron 系统唤醒一个 subagent，这个 subagent 执行以下步骤：

步骤 1：信息采集。 Agent 使用 Tavily API 搜索过去 24 小时的 AI 行业新闻。搜索关键词覆盖：大模型发布、AI Agent 框架更新、融资事件、开源项目动态、政策法规等。通常执行 5-8 次搜索调用，每次获取 5-10 条结果。

步骤 2：内容生成。 Agent 根据采集到的信息，按照预设的模板生成一篇结构完整的早报文章。模板包含：行业要闻（3-5 条核心新闻）、技术速递（框架/工具更新）、融资与商业动态、开源项目推荐、一句话点评。生成的内容在 5000-7000 字左右。

步骤 3：质量检查。 Agent 会自检文章质量，确保：新闻来源真实可追溯、时间标注准确、没有幻觉内容、技术术语使用正确。

步骤 4：上传发布。 调用 add_document.py --collection-id 918 --name "AI行业资讯早报 YYYY-MM-DD" --content-file /tmp/ai_daily_report_YYYYMMDD.md，将 Markdown 文件上传到灏天文库。上传成功后返回文档 ID，比如文档 ID 65842。

效果数据

从 2026 年 4 月 27 日首次执行以来，这个任务已经稳定运行超过一个月。我们记录到的关键数据：

• 成功率：90%+（少数失败主要因为网络超时或 API 限流）
• 单篇文章耗时：约 3-5 分钟（包括搜索、生成、上传）
• 文章质量：经过人工抽查，信息准确率在 85-90%，偶尔需要人工修正个别细节
• 第一篇文章的文档 ID：65842

实战案例二：知识库竞品分析日报

另一个典型案例是竞品分析任务，配置在每天 00:30 UTC（北京时间 08:30）执行。

搜索策略

这个任务的搜索比早报复杂得多。我们做过一个对比实验：

只用 web_fetch（2026 年 5 月 8 日-5 月 9 日）：

• 成功抓取 5-6 个产品官网（Notion、Obsidian、Heptabase、Roam、FlowUs 等）
• 但 Product Hunt 被 Cloudflare 保护（403），36 氪返回 404
• 报告质量：约 8000-9000 字，缺少社交媒体讨论和用户反馈
• 输出文件：/tmp/competitive_analysis_20260509.md（6,437 字节）

加入 Tavily API 后（2026 年 5 月 12 日）：

• 5 次搜索覆盖 Notion、RAG 趋势、本地化、定价、市场等维度
• 获取到 McKinsey、Gartner 等权威数据源
• 报告质量飙升到约 13,000 字，包含详细功能对比矩阵（9 维度 × 6 产品）
• 输出文件：/tmp/competitive_analysis_20260512.md（25KB，876 行）
• 关键发现：Notion 3.4 Custom Agents 成本降低 35-50%、RAG 市场规模从 19.4 亿增长到 105 亿美元

这个对比非常能说明问题：搜索能力决定了 AI Agent 自动写文章的质量上限。

生成内容结构

竞品分析报告的标准结构包括：

1. 产品深度分析（每个产品 500-800 字）
2. 市场趋势分析（引用 McKinsey、Gartner 等报告）
3. 功能对比矩阵（多维度交叉对比）
4. 定价分析
5. 差异化机会识别
6. 短中长期市场预测
7. 风险提示
8. 行动建议

实战案例三：ArXiv 论文自动解读并发布

除了资讯类和分析类内容，我们还实现了学术论文的自动化解读和发布。这个场景更复杂，因为它涉及多语言内容（英文论文 → 中文解读）、结构化数据处理（标题、摘要、方法论）、以及更严格的质量要求。

流程设计

ArXiv 论文系统的自动化流程分为五个阶段：

获取阶段——从 ArXiv API 抓取指定分类（如 cs.AI、cs.CL）的最新论文。ArXiv API 有频率限制，我们实现了指数退避重试机制，遇到 429 限流时等待 10-20 秒后重试，最多重试 5 次。

筛选阶段——Agent 根据标题和摘要初步筛选出值得解读的论文。筛选标准包括：引用数、作者机构、方法创新性等。这个阶段我们还在持续优化，目前主要靠 Prompt 指令，后续计划引入引用数阈值自动过滤。

解读阶段——Agent 阅读论文全文（或至少摘要和方法论部分），生成一篇 5000-8000 字的中文深度解读。解读模板包括：研究背景、核心贡献、方法论详解、实验结果、个人点评、适用场景。

排版阶段——将解读内容格式化为 Markdown，包含标题层级、公式说明（用文本描述而非 LaTeX，因为灏天文库的 Markdown 渲染对 LaTeX 支持有限）、代码示例（如果有开源代码链接）。

发布阶段——上传到灏天文库的指定文集。我们为 ArXiv 论文解读创建了独立的文集（ID: 369, 371, 372, 373），按研究方向分类。

踩过的坑

2026 年 4 月 8 日，这个系统经历了第一次全面失败——灏天文库 API 返回 403 权限错误，所有论文上传全部失败。排查后发现是 RAG 系统的权限配置问题，不是 ht-skills 本身的 bug。另一个问题是 QQ Bot 消息发送格式不兼容，cron 任务缺少 --to 参数导致通知发送失败，后来通过 openclaw cron edit 命令补上了参数。

这次故障让我们意识到：自动化系统的可靠性不是单个组件的可靠性，而是整个链路的可靠性。任何一个环节出错，整条管线都会断裂。必须对每个关键节点做错误处理和重试机制。

实战案例四：批量技术文档发布

2026 年 3 月 18 日到 23 日，我们用自动化系统完成了一次大规模的文档批量发布。

多实例并行架构

灏天文库支持多账户体系，我们配置了 10 个独立的 ht-client 实例（ht-client-1 到 ht-client-10），每个实例绑定不同的用户 Token。这样做有两个好处：

一是并行处理。10 个实例可以同时工作，不会互相阻塞。实测并行创建 10 个文集，执行时间不到 2 秒，成功率 90%（9/10）。

二是权限隔离。灏天文库的 API 权限模型是：查询类接口（list_collections、get_collection 等）对所有 Token 开放，但增改类接口（create_collection、add_document 等）必须使用创建者自己的 Token。多实例架构天然解决了这个权限绑定问题。

发布策略

批量发布不是简单地一次性全部上传。我们设计了分批策略：先创建文集，确认 ID 正确后，再分批添加文档。每批 2-3 个文集的文档，执行完后检查返回状态，确认无误再继续下一批。这样做虽然慢一些，但能及时发现和定位问题。

发布数据

这次批量发布覆盖了三大系列共 20 个文集：

AI/LLM 系列（10 个文集）：Vibe Coding、AI Agent、AI 记忆系统、RAG 实战、大模型底层原理、Prompt Engineering、LLM 应用开发、多模态 AI、AI 安全与对齐、开源 LLM 生态。

科学技术系列（9 个文集）：计算机网络、操作系统原理、数据库系统、密码学、算法与数据结构、分布式系统、人工智能基础、云计算与容器、区块链技术。

Java 开发（1 个文集）：Spring Boot 4.x 全新升级。

3 月 23 日当天，10 个实例共发布 20+ 篇技术文档，每个文档 2000-3000 字。从 Agent 生成内容到全部上传完成，整个过程不到 1 小时。如果纯手动操作，至少需要 2-3 天。

技术细节：ht-skills 脚本使用指南

核心脚本一览

ht-skills 是灏天文库提供的 Python 技能包，所有脚本位于 scripts/ 目录下。以下是我们在自动化中最常用的几个：

add_document.py——添加文档到指定文集。这是整个发布管线的核心入口：

python scripts/add_document.py \
  --collection-id 918 \
  --name "AI行业资讯早报 2026-05-12" \
  --content-file /tmp/ai_daily_report_20260512.md

参数说明：--collection-id 指定目标文集，--name 设置文档标题，--content 直接传入正文内容，--content-file 从文件读取正文。两者选一即可。上传成功后返回文档 ID。

list_collections.py——查询文集列表，支持按名称模糊搜索：

python scripts/list_collections.py --name "AI" --limit 50

在自动化流程中，我们通常先用这个脚本确认目标文集的 ID，再调用 add_document.py 上传。

create_collection.py——新建文集：

python scripts/create_collection.py \
  --name "新的技术文集" \
  --description "50字以内的简介" \
  --source-type collection

--source-type 很关键：设为 collection 表示精品文集，上传的文档会自动触发 RAG 同步；设为 garden 则为个人花园，不参与 RAG。

sync_rag.py——手动同步文档到 RAG。正常情况下，精品文集上传文档会自动触发 RAG 同步。但如果需要手动补同步，可以用这个脚本：

python scripts/sync_rag.py --document-id 65842 --mode update

配置要点

ht-skills 的配置文件是 config.json，需要填写数据库地址和 RAG 地址。依赖库通过 pip install aiomysql aiohttp loguru 安装。

一个需要注意的细节：如果灏天文库服务器的 SSL 证书过期，需要在 API 客户端中设置 verify=False 来临时绕过。我们遇到过这个问题，在 api_client.py 里做了处理。

技术细节：OpenClaw Cron 调度

创建定时任务

OpenClaw 的 cron 系统用自然语言描述任务，Agent 会自动解析并执行。比如我们的竞品分析任务配置为"每日 UTC 00:30"，Agent 每天在指定时间被唤醒，执行搜索、分析和报告生成的完整流程。

管理定时任务的核心命令：

# 查看所有定时任务
openclaw cron list

# 查看任务执行历史
openclaw cron runs --id <任务ID> --limit 5

# 手动触发任务测试
openclaw cron run <任务ID>

Subagent 架构

OpenClaw 支持通过 openclaw sessions spawn 创建子 Agent。每个定时任务实际运行在一个独立的 subagent 中，与主会话隔离。这样做的好处是：任务之间互不影响，一个任务崩溃不会拖垮其他任务；资源消耗可控，每个 subagent 有独立的上下文窗口。

我们踩过的一个坑：openclaw sessions spawn 的参数曾经写错，用了不存在的 --runtime subagent 参数。正确写法应该是 --agentId <id> 或 --model <model>。这个问题导致脚本直接执行失败，但通过 cron 调度却能正常工作——因为 cron 系统通过 LLM 解析命令，绕过了脚本中的参数错误。

错误处理

实际运行中遇到的主要问题：

网络超时。Tavily API 偶尔响应慢，搜索请求超时。解决方案是增加重试次数到 5 次，加入指数退避策略。具体实现是在 Agent 的 Prompt 中明确要求："如果搜索请求失败，等待后重试，最多 5 次。"这样 Agent 会在运行时自动处理，而不需要修改底层代码。

API 限流。某些搜索 API 有频率限制，短时间内大量调用会触发 429 错误。我们对 ArXiv 论文系统的处理方案是：检测到 429 后等待 10-20 秒再重试。在 Python 脚本层面，我们给 requests 库配置了 retry 策略和自定义的 429 handler。

权限问题。灏天文库的增改操作需要 Token 匹配。我们通过多实例架构（每个文集绑定创建者 Token）从架构层面解决了这个问题。2026 年 4 月 8 日曾经遇到过一次全站 403 错误，后来确认是 RAG 系统的权限配置问题，需要检查灏天 RAG 系统的服务端配置。

插件加载失败。2026 年 4 月 22 日，一个定时任务因为飞书插件加载失败而连续 4 次重试失败。错误日志显示："PluginLoadFailureError: plugin load failed: feishu: plugin export missing register/activate"。解决方案是移除有问题的插件或重启 Gateway。这个问题的启示是：OpenClaw 的插件系统采用自动发现机制，任何 extensions 目录下有问题的插件都可能影响 CLI 启动。

JSON 解析失败。在某些场景下，openclaw agent 命令的返回格式与预期不符，导致 Python 脚本解析 JSON 失败。我们的修复方案是：添加 180 秒超时保护，实现多字段回退解析（先尝试 output 字段，再尝试 result 字段，再尝试原始文本），并输出详细的调试日志。

监控与告警

目前我们的监控方式还比较原始——通过 cron 任务的执行历史记录来判断系统健康状况：

# 查看最近 5 次执行记录
openclaw cron runs --id <任务ID> --limit 5

每个任务执行后，我们配置了 QQ Bot 通知。如果任务成功，会发送一条简短的完成通知；如果失败，会发送错误摘要。后续计划接入更完善的监控体系，比如基于灏天文库的文档数量变化来检测异常——如果某个日报文集连续两天没有新文档，说明自动化管线可能出了问题。

SEO 优化实践：让 AI 生成的文章也能被搜到

用 AI Agent 自动写文章，最大的争议之一是 SEO 质量。我们的实践经验是：AI 生成 ≠ SEO 差，关键在于你给 Agent 的指令够不够精确。

关键词策略

我们在 Agent 的 Prompt 中明确要求以下关键词自然出现：

• 主关键词："AI Agent 自动写文章"、"灏天文库"、"自动化内容创作"、"知识库自动化"
• 长尾关键词："AI 自动化写作工具"、"知识库内容自动发布"、"AI Agent 内容管线"
• 语义相关词：RAG、知识引擎、全文搜索、智能检索、文集管理

关键原则是自然分布——标题出现 1 次，首段出现 1 次，正文中每隔 300-500 字自然嵌入 1 次，结语再提 1 次。不堆砌，不硬塞。

内容结构优化

每篇文章采用统一的 SEO 友好结构：

1. 标题：包含核心关键词，控制在 30 字以内
2. 摘要/引言：100-200 字，概括全文，自然包含 1-2 个关键词
3. 正文：H2/H3 层级清晰，每段 200-400 字
4. 代码示例/配置：增加实用价值，提升停留时间
5. FAQ 模块：6-8 个常见问题，覆盖长尾关键词
6. 结语：总结要点，引导行动

E-E-A-T 合规

E-E-A-T 是 Google 的内容质量评估标准（Experience 经验、Expertise 专业性、Authoritativeness 权威性、Trustworthiness 可信度）。AI 生成内容要在这些维度达标：

Experience（经验）：用第一人称写。本文所有数据和案例都来自真实运行记录，不是编造的。我们引用了具体的任务 ID、文档 ID、时间戳、错误日志——这些细节本身就是经验的证明。

Expertise（专业性）：展示技术细节。不是泛泛而谈"AI 可以写文章"，而是深入到 Cron 配置、API 权限模型、多实例架构、错误处理策略等层面。

Authoritativeness（权威性）：引用可信来源。竞品分析报告中引用了 McKinsey、Gartner 的市场研究数据；技术方案引用了官方文档和 GitHub 仓库。

Trustworthiness（可信度）：不回避问题。本文专门用了独立章节讲踩过的坑和失败案例。真实的失败记录比完美的成功案例更有说服力。

量化效果：30 天运营数据总结

截至 2026 年 5 月底，这套自动化系统已经运行了约 40 天，以下是核心运营数据：

内容产出：

• AI 行业资讯早报：每日 1 篇，累计 30+ 篇
• 知识库竞品分析：每日 1 篇，累计 30+ 篇
• 批量技术文档：20+ 篇（一次性发布）
• 其他自动生成内容：10+ 篇
• 总计：90+ 篇自动生成并发布的文档

技术指标：

• 文集数量：20+ 个，覆盖 AI、计算机科学、Java 开发三大方向
• ht-client 实例：10 个并行
• Cron 定时任务：5+ 个持续运行
• 单篇生成耗时：3-5 分钟（含搜索 + 写作 + 上传）
• 系统可用率：约 90%

搜索与质量：

• Tavily API 单日搜索次数：10-15 次
• 单次搜索响应时间：2-3 秒
• 文章平均字数：5000-7000 字
• 人工抽查准确率：85-90%

成本：

• Tavily API：免费额度 5000 次/月，完全够用
• 灏天文库 API：无额外费用
• OpenClaw：已部署在自有服务器上
• LLM API：按 token 计费，每日任务消耗约 50K-100K tokens

常见问题（FAQ）

Q1：AI Agent 自动写文章的质量靠谱吗？

说实话，质量取决于你投入多少精力在 Prompt 工程和流程设计上。我们早期的文章确实有一些事实错误（比如把某产品的价格写错了），后来通过加入 Tavily 搜索获取实时数据，准确率提升到了 85-90%。对于资讯类和综述类内容，AI 生成已经足够好用；但对于需要原创观点的深度分析，人工审核仍然必要。

Q2：灏天文库和 Notion、Obsidian 有什么区别？

灏天文库（aiknowledge.cn）的核心差异在于：第一，原生支持 API 自动化上传，不是"支持导入"而是专门为自动化内容管线设计的；第二，内置 RAG 智能检索，文档上传后自动构建向量索引，支持语义搜索；第三，文集管理支持精品文集和个人花园两种模式，精品文集自动参与 RAG。Notion 和 Obsidian 更偏向个人知识管理，灏天文库偏向团队级的知识引擎。

Q3：搭建这套系统需要什么技术基础？

需要三块能力：一是熟悉 OpenClaw 的 cron 调度和 subagent 架构；二是会用 Python 脚本调用 REST API（ht-skills 已经封装好了）；三是有基本的 Prompt 工程能力，能让 Agent 生成符合你预期的内容。整体来说，一个有 2-3 年后端经验的工程师，花 1-2 天就能跑通整个流程。

Q4：Tavily API 是必须的吗？

不是必须，但强烈推荐。我们对比过 web_fetch 直连和 Tavily 搜索两种方案，Tavily 的优势在于：响应快（2-3 秒）、结果质量高（经过 AI 优化排序）、不容易被反爬虫拦截。如果不想用付费 API，可以用 DuckDuckGo 搜索（通过 web-search 技能），但在国内环境下连接不太稳定，我们遇到过超时问题。Tavily 免费额度每月 5000 次，对日常自动化完全够用。

Q5：如何处理 AI 生成内容中的错误？

三层防线：第一层是 Agent 自检——Prompt 中要求 Agent 在生成后做一次事实核查；第二层是自动化校验——可以配置脚本在发布前检查关键词命中率和基本格式；第三层是人工抽查——我们每周会随机抽检 3-5 篇自动生成的文章，发现问题就更新 Prompt 模板。这套机制运行下来，严重事实错误的发生率已经降到了 5% 以下。

Q6：这套系统可以迁移到其他知识库平台吗？

ht-skills 是灏天文库专用的，核心逻辑不能直接迁移。但架构思路是通用的：OpenClaw Cron 调度 + Agent 生成内容 + API 脚本上传。如果目标平台有完善的 REST API，只需要写一套对应的上传脚本就行。比如我们之前也用类似的架构给 ArXiv 论文系统做过自动上传，原理完全一样。

Q7：自动化内容创作会触搜索引擎的惩罚吗？

Google 官方表示不会单纯因为"AI 生成"就惩罚内容，核心还是内容质量。我们的策略是：确保每篇文章有独特的信息增量（搜索结果的真实数据、具体操作步骤、真实运行数据），而不是堆砌通用信息。同时用第一人称视角写作、不回避真实问题，这些都能提升内容的 E-E-A-T 评分。

Q8：未来有什么优化计划？

短期计划是建立 RSS 订阅源，直接监控 36 氪、虎嗅等科技媒体的更新，减少搜索 API 的调用。中期计划是加入图片生成能力——目前文章全是纯文字，加入配图能显著提升阅读体验和 SEO 效果。长期计划是做"AI Agent 写作质量评分系统"，用另一个 Agent 来评审生成内容的质量，形成闭环。

写在最后

这套系统不是完美的，但它确实在跑——每天早上 09:50，我们的 AI Agent 会准时醒来，搜索最新资讯，写一篇早报，上传到灏天文库，触发 RAG 同步。整个过程全自动，我们需要做的只是偶尔检查一下运行日志，修正偶尔出现的偏差。

自动化内容创作的真正价值不是"代替人类写作"，而是把人类从重复性的信息整理工作中解放出来，把精力放在更有价值的事情上——比如深度分析、原创观点、社区互动。

如果你也在做类似的事情，或者对灏天文库和 OpenClaw 的自动化能力感兴趣，欢迎访问 aiknowledge.cn 了解更多。

本文基于 2026 年 3-5 月的真实运营数据撰写。所有任务 ID、文档 ID、时间戳、错误日志均来自实际运行记录。