企业官网建设流程全解析

最近打开技术社区的搜索框，OpenClaw 相关的关键词热度明显起来了：Windows 11 怎么安装、PowerShell 能不能指定安装目录、怎么配置 NVIDIA NIM、怎么接入 Ollama 本地模型，再到 Skill 如何编写、更新走 dev 还是 stable 通道，问题覆盖面非常广。这从一个侧面说明，OpenClaw 2.0 已经不只是小圈子里自嗨的项目，而是有很多人在认真尝试把 Agent 真正跑起来。

先说我的判断：OpenClaw 2.0 不会“取代打工人”。它真正改变的是工作分配方式——把那些重复、确定、可脚本化的任务交给 Agent，把定义结果、审核过程和最终决策留给人。与其担心被取代，不如先搞懂它到底能做什么、怎么装、怎么配、有哪些坑。

这篇文章会从实操角度拆解 OpenClaw 2.0：先介绍它的核心概念与适用场景，再完整走一遍安装、模型接入、权限审批、Skill 配置、日常维护和常见问题排查。如果你正准备在自己的电脑、服务器甚至 NAS 上部署一个可用的本地 Agent，这篇文章可以直接当部署手册使用。

1. 这篇文章真正要解决的问题

OpenClaw 2.0 发布之后，社区里最容易看到的不是“打工人被取代”的段子，而是一连串非常现实的问题：安装脚本执行不了、命令找不到、模型连不上、权限文件报错、Skill 装不上。这意味着什么？意味着这个工具已经进入真正的工程化使用阶段，用户不再满足于看演示视频，而是要把它跑在自己的机器上，接上自己的模型，处理自己的任务。

因此，这篇文章要解决的问题很具体：

• OpenClaw 2.0 到底是什么，和 ChatGPT、Codex 这类产品有什么本质区别；
• 在 Windows、Linux、Docker 环境下怎么安装，安装后怎么验证；
• 模型怎么接入，从本地 Ollama 到云厂商 API、再到 NVIDIA NIM 这类推理服务；
• 执行审批文件 exec-approvals.json 是干什么的，为什么一升级就会看到相关提示；
• Skill 怎么理解、怎么写、怎么和实际项目管理场景结合；
• 日常使用中常见的坑有哪些，怎么用最快的方式排查。

什么样的读者最应该读这篇文章？如果你是一个想本地部署 Agent、把 AI 接入到自己工作流里的开发者；如果你想用 Docker 在服务器上跑一个自动化助手；如果你想搞清楚 OpenClaw 和 Codex 到底哪个更适合你的项目；或者你只是被“取代打工人”的标题吸引进来，想弄明白这工具到底有没有那么神——这篇文章都适合你。

2. OpenClaw 是什么：从“会聊天的 AI”到“能执行任务的 Agent”

2.1 Agent 不是聊天机器人

很多人第一次接触 AI 工具，用的是网页版聊天窗口。你问它问题，它回答你。这种交互模式有一个天然边界：AI 只能“说”，不能“做”。

OpenClaw 的定位完全不同。它是一个面向本地的 Agent 执行框架。你可以简单理解为：模型是大脑，OpenClaw 是手和脚。它不只是生成一段建议，而是可以直接操作你的文件系统、执行命令、调用工具，然后基于执行结果继续决策。

“能执行任务”看起来只是比“能回答问题”多走了一步，但这背后带来的是架构和交互模式的根本变化。ChatGPT 的边界是云端对话框，而 OpenClaw 的工作范围是本地工作区、命令终端和可配置的外部 API。

2.2 核心概念速览

在开始安装之前，有几个概念必须先理解，否则后面看日志都看不懂。

工作区（Workspace）：OpenClaw 运行时的文件操作范围。从社区搜索材料可以看到，Windows 环境下默认工作区通常是C:\Users\Administrator\.openclaw\workspace这样的目录，Linux 环境则可能在/root/.openclaw/workspace。你可以把工作区理解成 Agent 的“办公室”，它只能在这个范围内自由整理文件。官方默认把配置文件和工作目录放在~/.openclaw下，便于权限隔离和备份。

Skill：Skill 是把一组常用操作封装成可复用技能包的机制。比如“每周整理项目笔记”“扫描工作区并生成周报草稿”，这些本来需要反复描述的任务，封装成 Skill 之后，一句话就能触发。Skill 是 OpenClaw 生态里非常重要的扩展单元，类似 VS Code 里的插件概念。

ClawHub：Skill 的分发市场。社区里有人问“openclaw 跟 clawhub 的区别”，其实就是把 OpenClaw 理解成运行时，把 ClawHub 理解成插件仓库。你从 ClawHub 安装 Skill，就像从应用商店安装 App。

执行审批：Agent 要执行命令时，不能什么都直接跑。OpenClaw 通过执行审批机制控制哪些命令可以自动执行、哪些必须人工确认。审批规则记录在exec-approvals.json文件中，这也是升级过程中最容易看到提示的一个文件。

2.3 OpenClaw、ChatGPT、Codex 的定位差异

从这个表能看出，OpenClaw 的核心竞争力不在于模型的智商，而在于“执行环境”和“可编排性”。它允许你把模型装在一个完全可控的本地环境里，让 Agent 去操作真实存在的文件和命令。

3. OpenClaw 2.0 更新了什么，为什么值得关注

项目标题里带了“2.0”这个版本信息，很多人关心的第一个问题就是：2.0 和 1.x 到底有什么变化，值得重新折腾吗。

从社区讨论和搜索材料来看，OpenClaw 2.0 阶段最明显的变化不是某个单一功能，而是整体从“能跑”走向“能安全地跑、能方便地扩展”。具体可以从几个维度理解。

第一，Skill 生态成为核心。2.0 前后大量用户开始讨论 Skill 编写、从 ClawHub 安装技能、自定义 Skill 与 Obsidian 做项目管理。这说明 2.0 已经把 Skill 定位成最重要的扩展方式。对于普通用户来说，这意味着你不需要从零写代码，组装一个可用 Agent 的门槛大幅降低。

第二，执行审批机制被强化。升级后很多用户看到legacy exec approvals exist at /root/.openclaw/exec-approvals.json这类提示。这说明新版对旧版审批配置的兼容性做了处理，同时也说明权限管理在 2.0 里是被重点关注的环节。对生产环境来说，这是好事。

第三，跨平台部署的诉求爆发。Windows 11、Ubuntu、Docker、NAS 设备（比如社区提到的飞牛）都在讨论安装。一个工具只有被装到各种环境里，才说明它真的被当成基础设施来用。2.0 版本在安装方式和运行环境兼容性上，显然已经做到了让大量非深度用户愿意尝试。

第四，更新通道有了稳定选项。搜索材料里出现openclaw update --channel dev和openclaw update --channel stable的用法，这说明 2.0 已经提供了正式版和开发版两条更新路径。对于普通用户来说，生产环境应该待在 stable 通道；喜欢尝鲜才需要关注 dev 通道。

我的判断是，OpenClaw 2.0 的关键词不是“取代”，而是“集成”。它把模型、工具、权限、技能整合在一个可本地化部署的执行体里，这才是它值得关注的原因。

4. 环境准备：OpenClaw 安装与基础配置

4.1 安装前的注意事项

OpenClaw 的安装方式比较多，不同的发行版本和操作系统会有细微差别。这里很多细节可能随版本变化，建议以官方文档为准，但安装思路是通用的。

安装前需要注意三个事：磁盘目录、执行权限、网络可达性。

磁盘目录方面，OpenClaw 会默认在用户主目录下创建.openclaw文件夹，里面存放配置、工作区、审批文件等。如果你的系统盘空间紧张，可以在安装时就指定安装目录和数据目录。社区里有“PowerShell 安装 OpenClaw 能指定目录吗”这类问题，答案是可以的，具体参数名以安装脚本的帮助信息为准。

执行权限方面，Windows 下最容易遇到 PowerShell 执行策略问题，Linux 下则要注意不要用 root 随意安装不明脚本。这里的安全底线是：只在可信来源执行安装命令，安装前先看脚本内容，避免把不明脚本直接用管理员权限跑一遍。

网络可达性方面，安装阶段通常需要访问官方仓库；运行时如果需要接入云端模型 API，还要保证模型接口在网络上可达。

4.2 Windows 11 安装

Windows 环境最经典的安装路径是用 PowerShell 执行官方安装脚本。社区中的报错案例，大部分集中在“无法将 openclaw 项识别为 cmdlet”上，这本质上是 PATH 没有生效，或者 PowerShell 执行策略限制导致脚本没有正常完成。

PowerShell 执行策略设置示例：

# 查看当前执行策略 Get-ExecutionPolicy # 如果策略为 Restricted，可以针对当前用户放开 RemoteSigned # 注意：修改执行策略前请确认你了解安全影响 Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

执行完成后，再运行官方安装脚本。下面只是安装思路的示意，不要把示例中的地址当作真实官方地址：

# 思路示意：使用 PowerShell 远程脚本安装 # 具体脚本地址请以 OpenClaw 官方安装文档为准 irm <官方安装脚本地址> | iex

如果安装脚本支持指定目录，通常可以这样操作：

# 示意：指定安装目录，实际参数名请通过 -? 或官方文档确认 .\openclaw-install.ps1 -InstallDir "D:\Tools\OpenClaw"

安装完成后，最关键的一步是重开一个终端窗口，让 PATH 环境变量重新加载。然后执行版本验证：

openclaw --version

如果依然提示“无法将 openclaw 项识别为 cmdlet”，先检查安装目录是否真的存在，再手动把安装目录加入 PATH：

# 手动加入 PATH（临时生效，当前终端关闭后失效） $env:Path += ";D:\Tools\OpenClaw"

4.3 Ubuntu / Docker / NAS 环境安装

Linux 环境下的安装逻辑和 Windows 类似，只是底层命令不同。Ubuntu 上比较常见的做法同样是官方脚本安装：

# 先下载安装脚本 curl -fsSL <官方安装脚本地址> -o openclaw-install.sh # 查看脚本内容，确认没有危险操作后再执行 less openclaw-install.sh # 给脚本加执行权限并运行 chmod +x openclaw-install.sh ./openclaw-install.sh

如果你是 Docker 用户，可以走容器化部署。使用容器的好处是环境隔离、卸载干净、配置文件可以通过数据卷持久化。

# 示意：Docker 部署 OpenClaw # 镜像名请以官方仓库为准，不要直接使用未知镜像 docker run -d --name openclaw \ -v "$HOME/.openclaw:/root/.openclaw" \ -v "$HOME/openclaw-workspace:/workspace" \ -p 8080:8080 \ <官方镜像名>

这里把.openclaw配置目录和 workspace 工作区都挂载到了宿主机，后续升级容器时数据不会丢。社区里有人在飞牛这类 NAS 上折腾部署，本质也是 Linux 环境，思路完全一样：要么直接在系统里跑二进制，要么用 Docker 做容器化。

4.4 验证安装是否成功

安装完成不代表能用，建议做三个验证：

# 1. 确认 CLI 存在 openclaw --version # 2. 确认配置目录已生成 ls -la ~/.openclaw # 3. 启动后查看进程是否存在 ps aux | grep -i openclaw

如果第二步没有生成目录，说明程序可能没有正确初始化；如果第三步找不到进程，说明启动可能失败，需要看日志。

5. 模型配置：从 Ollama 到云厂商 API、NVIDIA NIM

5.1 模型接入方式的选择

OpenClaw 本身不生产模型，它需要对接一个“模型后端”。从社区搜索材料看，目前主流的接入方式有三类。

第一类是本地模型，典型案例是 Ollama。Ollama 负责在本地跑开源模型，OpenClaw 通过接口调用它。好处是数据不出本机，适合隐私敏感场景；缺点是模型能力受限于本机算力，小模型处理复杂任务时效果一般。

第二类是云厂商 API。阿里云 DashScope 这类平台通常提供 OpenAI 兼容接口，很多 Agent 工具可以直接支持。好处是模型能力强、无需本地显卡；缺点是需要联网调用，部分场景下要关注接口费用。

第三类是 NVIDIA NIM 这类推理服务平台。NIM 的典型做法是把大模型封装成容器化微服务，通过 OpenAI 兼容接口对外提供推理能力。它适合企业对模型版本和推理环境有统一管控的场景。搜索材料里出现“openclaw配置nvidia nim”，说明不少人正在尝试把 NIM 作为 OpenClaw 的模型后端。

5.2 配置文件示例

OpenClaw 的模型配置通常写在~/.openclaw下的配置文件中。不同版本的字段名可能有差异，这里给出通用模式。

Ollama 接入示例：

{ "model": { "provider": "ollama", "name": "qwen2.5:14b", "base_url": "http://127.0.0.1:11434" } }

说明：base_url指向 Ollama 的默认端口，name使用你在 Ollama 中已拉取的模型名称。

云厂商 OpenAI 兼容接口示例（以阿里云 DashScope 为例）：

{ "model": { "provider": "openai-compatible", "name": "qwen-plus", "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1", "api_key": "your-api-key-here" } }

说明：国内云厂商通常提供 OpenAI 兼容模式，配置 base_url 和 api_key 即可。不要把真实密钥写死在公开的配置模板里，更不要把包含密钥的配置文件提交到代码仓库。

NVIDIA NIM 接入示例：

{ "model": { "provider": "openai-compatible", "name": "meta/llama-3.1-8b-instruct", "base_url": "http://your-nim-endpoint:8000/v1", "api_key": "optional" } }

说明：NIM 部署后会在本机或内网暴露一个 OpenAI 兼容端点，把 base_url 指向这个端点就可以。如果 NIM 不需要认证，api_key 填空或留占位即可。

如果你使用的是内部网关，也就是社区里说的“自定义中转站”，原理完全一致：只要目标服务提供 OpenAI 兼容 API，配置 base_url 指向它就行。这里要提醒一句，使用任何第三方网关服务前，一定要确认服务方的合规性与数据安全边界，不要让敏感数据经过不可信链路。

5.3 验证模型连接

配置完成后，用一句最简单的指令验证模型是否真的连通：

openclaw run "用一句话介绍你自己"

如果模型返回正常回答，说明配置链路已经打通。如果报连接错误，优先检查：

• base_url 地址是否能访问；
• api_key 是否有效；
• 模型名称是否在目标服务中存在；
• 本地网络是否被防火墙拦截。

6. 执行审批与权限管理：exec-approvals.json 详解

6.1 为什么需要执行审批

OpenClaw 这类 Agent 工具最危险的地方在于：它能够真实执行命令。如果不对命令做权限控制，一个 prompt 注入漏洞或一个错误指令，就可能让 Agent 执行删除文件、修改配置等破坏性操作。执行审批机制解决的就是“哪些操作允许自动执行，哪些操作必须人工确认”的问题。

审批规则记录在exec-approvals.json文件中。从搜索材料看，该文件的典型位置是/root/.openclaw/exec-approvals.json。Windows 环境下对应的位置通常在用户目录下，比如C:\Users\Administrator\.openclaw\exec-approvals.json。

6.2 审批文件的通用结构

不同版本对审批规则的字段定义不完全一样，但核心逻辑是：匹配命令模式，指定处理动作。下面是一个示意结构：

{ "version": 2, "rules": [ { "match": "rm -rf *", "action": "always_ask" }, { "match": "git commit", "action": "ask" }, { "match": "ls", "action": "allow" } ] }

说明：match用来匹配命令模式，action定义匹配到之后的行为。always_ask表示无论如何都要求人工确认，ask表示在特定条件下需要确认，allow表示放行。实际字段名称可能随版本变化，修改前建议先备份原文件。

6.3 遇到 legacy exec approvals 提示怎么办

搜索材料里出现一条非常典型的提示：

legacy exec approvals exist at /root/.openclaw/exec-approvals.json. run `ope...

这是因为升级到 2.0 之后，新版检测到了旧版格式的审批文件。这种提示不是错误，而是提醒你需要迁移。正确的处理方式分三步：

第一，备份旧的审批文件：

cp ~/.openclaw/exec-approvals.json ~/.openclaw/exec-approvals.json.bak

第二，查看新旧格式差异。可以先打开现有文件看结构，再根据升级日志或提示命令判断新版需要的字段。

cat ~/.openclaw/exec-approvals.json

第三，如果提示给出了迁移命令，按提示执行；如果没有明确命令，一般做法是让工具自动生成新格式文件，然后把旧文件里你确实需要的审批规则手工合并进去。整个过程要遵循一个原则：从严格开始，先保住安全，再放开便利。

6.4 权限管理的基本建议

• 审批规则宁可严格，不要宽松。先把rm、curl、git push这类敏感命令设置为 ask。
• 定期检查审批文件，删除已经不用的放行规则。
• 不要把.openclaw目录放在共享盘或公开仓库里，里面包含配置和权限信息。
• 修改审批文件前先备份，恢复时直接替换回来即可，回滚成本极低。

7. Skill 与工作流实战：让 OpenClaw 帮你做项目

7.1 Skill 到底解决什么问题

Skill 解决的是“重复描述任务”的问题。比如你希望每周一让 Agent 扫描工作区、整理上周笔记、生成周报草稿，如果每次都要重新描述需求，既费时间又不稳定。Skill 把这个过程固化成一整套指令，触发一次就能执行。

从社区材料看，已经有人在尝试“Obsidian 结合 OpenClaw 做项目管理”，也有人研究“OpenClaw 接入飞书”“OpenClaw 微信插件下载”。这些都是 Skill 的典型应用场景：把外部工具和本地 Agent 连接起来，让 Agent 成为工作流的执行中枢。

7.2 Skill 文件示例

Skill 的具体格式会随工具版本变化，建议以官方 Skill 开发文档为准。但从设计思路上说，一个 Skill 通常包含：名称、描述、触发条件和执行步骤。下面是一个最小概念的示例，帮助你理解结构：

--- name: weekly-report description: 扫描工作区中的项目文档，生成周报草稿 trigger: 每周一早上 9 点 --- 1. 扫描 workspace 目录下最近 7 天修改过的 Markdown 文件 2. 提取每个文件中标记为“本周完成”的条目 3. 按项目分组，生成周报草稿 4. 将草稿保存到 workspace 目录下的 reports 文件夹

把类似内容写入 Skill 文件后，就可以通过触发词调用。如果你从 ClawHub 安装别人写好的 Skill，只需要执行安装命令：

# 示意：从 ClawHub 安装技能 openclaw skill install <skill-name>

7.3 实际项目管理场景：Obsidian、飞书接入

Obsidian 结合 OpenClaw 做项目管理，思路是让 Agent 直接操作 Obsidian Vault 目录下的 Markdown 文件。Obsidian 本身就是一个本地 Markdown 仓库，OpenClaw 的工作区可以指向 Vault。这样 Agent 就能读取笔记、整理任务、生成项目看板。

接入飞书则需要走 API。先将飞书机器人凭证配置到相应配置中，让 Skill 调用飞书开放接口发送消息。这类集成的好处是，你不会被“对话式 AI”局限在聊天窗口里，可以通过飞书直接触发任务。

这里要注意，任何外部 API 接入都要遵循平台的合规要求，不要滥用接口，也不要在配置文件中明文保存大量凭证。

7.4 OpenClaw 与 Codex 的差异

很多人拿 OpenClaw 和 Codex 对比。从我的理解看，两者的侧重点不同。

Codex 更偏“代码仓库 Agent”，它擅长在代码仓库里完成任务，比如修 bug、写测试、提交 PR。它的工作环境是云端代码仓库，平台对代码操作有比较强的控制。

OpenClaw 更偏“本地通用执行体”，它不只处理代码，还能操作文件系统、执行系统命令、接入各种 Skill。它的边界不是平台，而是你的工作区目录和审批规则。

选型建议很简单：如果你的核心诉求是代码仓库自动化，可以优先看 Codex；如果你要的是一个可以在本机自由操作、能接入多种模型、能自己扩展技能的通用 Agent，OpenClaw 值得认真研究。

8. 日常维护：启动、关闭、更新与卸载

8.1 启动与关闭

安装配置完成后，启动方式取决于你的安装形式。命令行版本通常可以直接启动前台进程：

openclaw start

前台进程可以用Ctrl+C中断。如果是在后台运行，查找进程并关闭：

# 查看 OpenClaw 进程 ps aux | grep -i openclaw # 根据需要结束进程，将 <PID> 替换为实际进程号 kill <PID>

Windows 下如果启动后没有看到窗口，可以检查任务管理器里对应的进程，也可以查看.openclaw目录下的日志文件确认运行状态。

8.2 更新通道：stable 与 dev

社区里关于更新通道的问题非常典型。如果你追求稳定，生产环境一定要使用 stable 通道：

openclaw update --channel stable

如果你想体验最新功能，可以切换到 dev 通道：

openclaw update --channel dev

dev 通道的版本通常包含新功能，但也可能引入破坏性变更。我的建议是：测试学习用 dev，重要工作环境用 stable。升级前先备份.openclaw目录，升级后确认核心 Skill 和审批规则仍然生效。

8.3 卸载与清理

卸载 OpenClaw 不只是删除可执行文件，还要清理配置目录，否则重新安装后可能加载到旧配置。

先停止进程，再删除安装文件。然后清理.openclaw目录：

rm -rf ~/.openclaw

Windows 下删除C:\Users\<用户名>\.openclaw目录同理。卸载前请确认工作区中没有需要保留的文件，因为 workspace 可能也在这个目录下。

9. OpenClaw 常见问题与排查方法

排查任何 Agent 工具问题时，第一步永远是看日志。日志里通常会记录模型调用、命令执行、权限判断的关键细节，比盲目改配置有效率得多。

10. 最佳实践与工程建议

10.1 环境隔离与工作区管理

不要把.openclaw目录和业务代码放在一起。推荐单独规划一个数据目录，比如~/data/openclaw，通过软链接或环境变量指向它。工作区也应该独立，不要把整个用户目录直接给 Agent 操作。Agent 的能力边界本质上是有没有权限，而不是有没有智能，工作区越小，风险越小。

10.2 审批规则从严格开始

刚部署 OpenClaw 时，建议把审批规则设置得严格一些。像curl、wget、git push、rm、数据库操作这类命令，尽量都设置成需要人工确认。运行一段时间后，根据实际使用情况逐步放行一些安全命令。这个节奏比一开始全放开、出事故后再收紧要稳妥得多。

10.3 模型选择要有任务意识

本地小模型适合文本抽取、格式转换、简单指令执行；复杂推理、长文档总结、代码重构等任务，建议使用参数量更大的模型或云厂商 API。如果机器显存不足，不要强行在本地跑大模型，宁可使用兼容接口连接到更强模型。社区里所谓“免费模型”通常是本地开源模型，能控制成本，但效果需要自己评估。

10.4 敏感信息不要写进 prompt

不要在对话或 Skill 描述里出现数据库密码、API 密钥、个人隐私等敏感信息。正确的做法是通过配置文件、环境变量或密钥管理服务注入。否则，一旦 Skill 文件被错发到公开仓库，就等于把密钥公开了。

10.5 备份与回滚

配置文件和审批规则是 OpenClaw 的核心资产。建议定期备份~/.openclaw目录，或者在执行升级前手动备份：

cp -r ~/.openclaw ~/.openclaw.backup-$(date +%Y%m%d)

一旦新版配置格式或 Skill 出现兼容性问题，直接回滚备份目录，比重新配置快得多。

10.6 生产环境使用建议

生产环境使用 OpenClaw 时，要特别注意命令执行边界。建议使用最小权限用户运行 OpenClaw，不要用 root 或管理员账户。如果是服务器环境，考虑只放行经过审核的少量命令，并配合日志审计。Agent 是自动化工具，不是无限制的超级管理员；权限控制越严格，出事故的概率越低。

11. 总结：打工人会不会被“取代”

回到标题的问题：“打工人要被取代了吗？”

我的结论是：OpenClaw 2.0 这类 Agent 工具真正取代的，是一部分“重复劳动”和“确定性操作”，而不是“打工人的判断力”。以前整理周报要手动翻文件、复制粘贴、排版；现在可以让 Agent 扫描工作区、汇总条目、生成草稿。以前接一个外部 API 要做一堆重复对接；现在可以通过 Skill 把流程固化下来。

但注意，这些工作的前提是：你需要先定义清楚任务边界，需要检查审批规则，需要验证执行结果。人是目标定义者、过程审核者和最终决策者。学会使用 Agent 工具的人，会比不会使用的人更容易从重复劳动中解放出来，但这不是取代，而是分工变化。

如果你想立刻开始实践，我的建议是：先装好一个最小可用环境，接上本地模型或云 API，跑通一个最简单的任务；然后给 OpenClaw 写一个属于自己的 Skill，哪怕只是“整理某个目录下的文件清单”这种小功能；最后再研究审批规则和更新通道，形成自己的维护习惯。路径不复杂，但每一步都需要亲自动手验证。跑通第一个自动化流程之后，你对“Agent 能做什么、不能做什么”的判断，会比只看演示视频准确得多。