1. 项目缘起：当剥龙虾遇上AI与中医

最近在刷短视频，看到不少朋友在分享自己边做手工、边做饭边聊天的“沉浸式”内容，流量还挺不错。这让我想到，能不能把这种“一心二用”的松弛感，和最近一直在研究的AI Agent技术结合起来，做个有意思又有用的东西？正好手头有个叫OpenClaw的开源项目，号称能轻松创建AI技能，而我又一直对中医养生感兴趣。于是，一个有点“混搭”的想法诞生了：一边手动处理点需要专注但不用动脑的活儿（比如剥龙虾），一边用AI快速搭建一个实用的“中医方剂卡片生成”技能，顺便为后续的内容创作（起号）积累素材。

这个项目的核心，其实是在验证一种“并行创作”的工作流。我们常常觉得学习新技能、创作新内容需要大块不被打扰的时间，但很多时候，灵感恰恰产生在动手做其他事情的间隙。剥龙虾就是个很好的例子：手在动，眼睛在看，但大脑的“语言处理”和“逻辑推理”区域其实是相对空闲的，正好可以用来构思和调试AI技能的逻辑。OpenClaw这类低代码/无代码的AI Agent开发框架，降低了技术门槛，让我们能把更多精力放在创意和领域知识（中医）本身，而不是复杂的代码上。

最终的目标，是产出一个能根据用户简单描述（如“最近熬夜多，眼睛干涩，还容易上火”），自动生成一张结构清晰、包含核心方剂、药材组成、简要方解和注意事项的“中医知识卡片”。这种卡片格式统一、信息浓缩，非常适合在社交媒体（如小红书、视频号）上以图文或短视频形式发布，是垂直领域内容起号的优质素材。整个过程，从环境搭建到技能调试，我都将结合“剥龙虾”这个背景动作来展开，分享其中“踩坑”与“顿悟”的真实体验。

2. 环境准备：在Docker中驯服OpenClaw

工欲善其事，必先利其器。我们的“中医方剂卡片生成器”将基于OpenClaw框架来构建。OpenClaw是一个开源的AI技能开发平台，它抽象了与大模型交互、工具调用、记忆管理等复杂环节，让开发者可以更专注于业务逻辑。根据网络上的讨论，直接在本机安装OpenClaw可能会遇到各种依赖冲突和环境问题，最稳妥的方式是使用Docker。

2.1 为什么选择Docker部署？

这里涉及几个关键考量。首先，环境隔离性。AI项目依赖复杂，特别是Python包和系统库，版本冲突是家常便饭。Docker容器提供了一个干净的、可复现的环境，确保项目在任何机器上运行的表现一致。其次，便捷性。OpenClaw官方或社区很可能提供了预构建的Docker镜像，这能省去大量手动安装和配置的时间，让我们能快速进入核心开发阶段。最后，可移植性。一旦在容器内调试成功，你可以轻松地将整个环境打包、迁移或分享，非常适合团队协作或未来部署到服务器。

2.2 部署过程中的关键步骤与避坑指南

网络上搜索“openclaw docker”时，你可能会看到一些教程，但实际操作中，以下几个细节决定了成败。

第一步：获取Docker镜像通常，你需要从Docker Hub或项目的GitHub仓库找到正确的镜像。命令可能类似于：

docker pull someorg/openclaw:latest

但这里第一个坑就来了：镜像标签。latest标签可能指向一个不稳定的开发版。更好的做法是寻找带有版本号的标签，如v0.1.2，这代表一个经过测试的相对稳定版本。如果找不到官方镜像，你可能需要根据项目提供的Dockerfile自行构建，这又会涉及网络问题（拉取基础镜像）和构建资源问题。

第二步：运行容器并映射端口运行容器的典型命令如下：

docker run -d --name my-openclaw -p 8080:8080 -v $(pwd)/skills:/app/skills someorg/openclaw:v0.1.2

这里有几个参数需要理解：

• -d: 后台运行。
• --name: 给容器起个名字，方便管理。
• -p 8080:8080: 端口映射。将容器内部的8080端口映射到宿主机的8080端口。这样你才能在浏览器通过http://localhost:8080访问OpenClaw的Web界面。端口冲突是常见问题，如果宿主机8080端口已被占用，需改为其他端口，如-p 8090:8080。
• -v $(pwd)/skills:/app/skills: 数据卷挂载。这是极其重要的一步。它将当前目录下的skills文件夹映射到容器内的/app/skills路径。这意味着你在宿主机上编写的技能文件（Python或YAML），能实时在容器内生效，无需每次修改都重新构建镜像。

第三步：处理首次启动的常见报错容器启动后，别急着庆祝。通过docker logs my-openclaw查看日志。你很可能遇到类似网络热词中的错误：

[openclaw] could not start the cli. [openclaw] ...

或者关于模型下载、API密钥缺失的报错。这通常是因为：

1. 模型未下载：OpenClaw需要连接大模型（如通过Ollama本地部署的Llama，或云端OpenAI API）。如果是本地模型，你需要确保Ollama已安装并运行，且容器网络能访问到宿主机的Ollama服务（可使用--network host模式或自定义网络）。如果是云端API，需要在OpenClaw的配置文件中设置正确的API_KEY。
2. 配置文件缺失或路径错误：检查挂载的卷是否正确，以及OpenClaw所需的配置文件（如config.yaml）是否存在于预期的卷路径下。

我的经验是，第一次运行，花在查看日志、根据错误信息调整配置上的时间，可能比部署本身还长。耐心是关键。就像剥龙虾，你得先找到关节和缝隙（错误日志），才能顺利拆解（解决问题）。

3. 技能构思：定义“中医方剂卡片”的生成逻辑

环境搭好，界面能访问了，接下来就是核心部分：设计我们的AI技能。这步相当于给AI设定工作流程和职责范围。我们不是要做一个能看病问诊的AI（那既不现实也不合规），而是做一个中医知识整理与呈现的辅助工具。

3.1 技能输入与输出设计

首先，明确技能的边界。用户输入应该是一段非结构化的自然语言描述，描述一种身体状态或不适。例如：

“我最近工作压力大，晚上睡不好，多梦易醒，白天没精神，还总觉得口干。” “孩子换季容易感冒，流清鼻涕，有点怕风。”

技能的最终输出，应该是一张结构化的知识卡片。我设计的卡片包含以下字段：

1. 主诉归纳：用更精炼的中医术语概括用户描述，如“肝郁化火，心神不宁”。
2. 推荐方剂：给出1-2个经典方剂名称，如“酸枣仁汤”或“丹栀逍遥散加减”。
3. 核心组成：列出方剂的主要药材（3-5味），如“酸枣仁、知母、茯苓、川芎、甘草”。
4. 简要方解：用一两句话解释这个方子为什么适合上述情况，例如“方中酸枣仁养肝血、宁心安神，为君药；知母清热除烦，为臣药。”
5. 注意事项：强调“仅供参考，不构成医疗建议”，并提示“如症状持续，请咨询专业医师”。这是必须包含的安全声明。

3.2 在OpenClaw中构建技能工作流

OpenClaw通常通过编写“技能”文件来定义AI的行为。这个文件可能是一个Python脚本或YAML配置，它描述了任务的步骤。我们的技能逻辑可以拆解为以下几步，这正好对应了OpenClaw中“Agent”执行任务的流程：

1. 信息提取与归纳（Extract）：AI首先理解用户的自然语言描述，提取关键症状（睡不好、多梦、口干），并尝试将其归纳为中医的证型词汇（如“心肾不交”、“肝火扰心”）。这一步需要AI有较强的语义理解能力。
2. 知识检索与匹配（Retrieve）：根据归纳出的证型，从内置或关联的知识库中匹配相关的经典方剂。这里可以预设一个精简的方剂数据库（例如一个JSON文件或几段文本），包含方剂名、主治、组成等。
3. 内容生成与结构化（Generate）：将匹配到的方剂信息，按照我们预设的卡片格式（主诉、方剂、组成、方解、注意）组织成一段连贯、友好的文本。
4. 格式化输出（Format）：将生成的文本，进一步格式化为适合社交媒体发布的样式，例如用##标题、-列表、**加粗**等Markdown语法，方便直接复制粘贴。

在OpenClaw中实现时，你可能需要配置不同的“工具”（Tools）或“操作”（Operators）来完成这些步骤。例如，使用一个“LLM调用工具”来处理第1和第3步，使用一个“知识库查询工具”来处理第2步。关键在于，将这些步骤串联成一个自动化的流水线。

剥着龙虾，思考着如何将模糊的用户需求，通过几步清晰的AI操作，转化为一张扎实的知识卡片——这个过程本身，就是一种对复杂问题做“降维处理”的思维训练。

4. 核心实现：连接大模型与构建知识库

有了清晰的逻辑，接下来就是“接线”工作：让OpenClaw技能能够调用大模型的能力，并能够访问我们准备的中医知识。

4.1 大模型接入：选型与配置

OpenClaw支持连接多种大模型，常见的有两类：

• 本地模型：如通过Ollama部署的Llama 3、Qwen等开源模型。优点是数据隐私性好，无使用成本。缺点是对硬件（GPU内存）有要求，且模型的知识容量和推理能力可能较最新闭源模型有差距。
• 云端API：如OpenAI的GPT-4、Anthropic的Claude或国内的一些大模型API。优点是能力强大、更新及时、开箱即用。缺点是有使用费用，且需要处理网络连接问题。

对于我们的中医技能，知识准确性和逻辑性至关重要。经过测试，我发现：

• 如果使用本地模型（如Llama 3 8B），需要在提示词（Prompt）中提供更详细、更结构化的背景知识，否则它容易“胡编”方剂和药性。优点是回答风格稳定，不受网络波动影响。
• 如果使用GPT-4等顶级云端模型，它在理解复杂描述和生成通顺、合理的解释方面表现更优，但需要仔细设计提示词以防止其生成过于“绝对”或“诊断性”的语句。

配置示例（以OpenAI API为例，在OpenClaw的配置文件中）：

model_provider: "openai" openai_api_key: "你的-sk-xxx密钥" model_name: "gpt-4-turbo-preview" # 或 gpt-3.5-turbo 控制成本

同时，在技能的提示词设计中，必须加入强有力的角色设定和约束：

“你是一个中医知识科普助手，擅长将现代人的亚健康状态描述与中医经典理论、方剂知识进行关联和解释。你的任务是根据用户的描述，生成一份结构化的知识卡片。请注意：你提供的所有内容均来源于公开的经典中医文献和常识，仅供学习和参考，不能替代专业医师的诊断和治疗建议。在输出中必须明确包含此免责声明。”

4.2 构建轻量级中医方剂知识库

我们不需要一个涵盖万方的庞大数据库，一个精心筛选的“精品小库”更能保证输出质量。可以创建一个formulas.json文件：

[ { "证型关键词": ["失眠多梦", "心悸健忘", "阴虚火旺"], "方剂名称": "天王补心丹", "核心组成": "生地黄、人参、丹参、玄参、茯苓、五味子、远志、桔梗、当归身、天门冬、麦门冬、柏子仁、酸枣仁", "简要方解": "本方滋阴养血，补心安神。方中生地黄滋阴清热，为君药；玄参、天冬、麦冬助君药滋阴清热，为臣药；当归、丹参补血活血，人参、茯苓益气宁心，远志、柏子仁、酸枣仁养心安神，五味子敛心气，共为佐药；桔梗载药上行，为使药。", "适用情况提示": "适用于心肾不足，阴血亏虚所致的虚烦失眠、心悸神疲、梦遗健忘等。" }, { "证型关键词": ["感冒初期", "恶寒发热", "无汗头痛", "鼻塞清涕"], "方剂名称": "荆防败毒散", "核心组成": "荆芥、防风、羌活、独活、柴胡、前胡、川芎、枳壳、茯苓、桔梗、甘草", "简要方解": "本方发汗解表，散风祛湿。方中荆芥、防风辛温解表，祛风散寒，为君药；羌活、独活祛风除湿，柴胡、前胡宣散表邪，共为臣药；川芎活血祛风，枳壳理气宽中，茯苓渗湿健脾，为佐药；桔梗宣肺利咽，甘草调和诸药，为使药。", "适用情况提示": "适用于外感风寒湿邪所致的感冒初起，症见恶寒发热、头身疼痛、鼻塞声重等。" } ]

在技能逻辑中，当AI归纳出用户描述可能属于“阴虚火旺”时，就可以从这个JSON数组中，匹配证型关键词包含相关词汇的条目，提取出对应的方剂信息，再交给大模型去组织成卡片文本。这种“向量检索+关键词匹配”的混合方式，在轻量级应用中既简单又有效。

这个过程就像从一堆龙虾中，挑选出肉质最饱满、最适合烹饪的那几只。构建知识库就是筛选和整理“优质食材”的过程。

5. 调试与优化：让技能从“能跑”到“好用”

技能初步跑通后，真正的“剥虾”工作才开始——调试和优化。这里会遇到各种意料之外的问题，需要耐心和技巧。

5.1 处理大模型的“幻觉”与过度发挥

即使有知识库约束，大模型依然可能“放飞自我”。常见问题包括：

• 杜撰方剂：生成一个根本不存在的方子，或者胡乱组合药材。
• 过度诊断：使用“你患有XX症”、“应该服用XX”等绝对化、诊断性语言。
• 解释偏差：对方剂的解释偏离经典理论，加入过多现代或个人臆测。

应对策略：

1. 强化提示词约束：在提示词中反复、多角度强调“基于经典方剂”、“仅提供知识参考”、“禁止诊断和建议用药”。可以用类似“如果你不确定，请明确告知‘此情况涉及复杂辨证，建议查阅经典或咨询医师’”的语句。
2. 设置输出格式模板：在提示词中直接给出卡片的Markdown模板，要求AI严格按字段填充。例如：

   请严格按照以下格式输出： ## 主诉归纳 [你的归纳] ## 推荐方剂 [方剂名称] ## 核心组成 - [药材1] - [药材2] ... ## 简要方解 [你的解释] ## 注意事项 **重要提示：** 本内容仅为中医知识科普，不构成任何医疗建议。如有不适，请及时就医。

3. 后处理校验：在技能流程的最后一步，可以添加一个简单的校验规则，比如检查输出的“推荐方剂”是否存在于预定义的知识库列表中，如果不存在，则触发重试或返回一个安全提示。

5.2 优化响应速度与稳定性

如果使用云端API，网络延迟和令牌消耗（费用）是需要考虑的。如果使用本地模型，生成速度是关键。

• 缓存机制：对于相同或相似的用户输入，可以设计一个简单的缓存（如将输入文本的MD5值作为键，存储结果），在一定时间内直接返回缓存结果，避免重复调用大模型。
• 流式输出：如果OpenClaw和前端支持，可以启用流式输出，让用户先看到部分结果，提升体验。
• 降级方案：当主要模型（如GPT-4）不可用时，应有切换到备用模型（如GPT-3.5）或返回友好错误提示的机制。

5.3 技能的可扩展性思考

当前技能是单一的“描述->卡片”生成。我们可以很容易地扩展它：

• 多轮对话：让AI可以基于之前生成的卡片，回答用户进一步的疑问，如“这个方子里的XX药是什么作用？”
• 药材详解：增加一个子技能，当用户点击卡片中的某味药材时，能生成该药材的性味归经、功效简述。
• 卡片风格化：根据不同的发布平台（小红书、公众号、知乎），自动调整卡片的文案风格和排版细节。

调试的过程，就像处理龙虾：你需要剔除沙线（bug），剪开硬壳（优化流程），最终才能得到洁白完整的虾肉（稳定好用的技能）。每一次报错的解决，都是对系统理解更深一步。

6. 内容生成与起号实践：从技能到素材

技能调试稳定后，它就变成了一个高效的“内容素材生产机”。但如何用好它，为“起号”服务，又是另一门学问。

6.1 批量生成与素材库建设

不要等到要发布时才临时生成。可以规划一个系列主题，例如“办公室常见亚健康状态”、“季节养生指南”、“经典名方浅析”等。针对每个主题，预先设计一批典型的用户描述（可以从社交媒体评论区、健康论坛收集灵感），然后批量运行技能，生成几十甚至上百张知识卡片。

将这些卡片保存下来，建立一个本地素材库。每张卡片除了最终文本，最好也记录下触发它的“用户描述”和生成时间。这样你就拥有了一个可随时调用的、内容垂直统一的素材库。这比每天苦思冥想选题要高效得多。

6.2 卡片内容的二次加工与多形态呈现

AI生成的卡片是半成品，需要人为注入“网感”和“个人特色”。

• 标题优化：AI生成的“主诉归纳”可能偏学术，如“心脾两虚”。你需要将其转化为更吸引人的标题，如“总是感觉累，睡不醒？可能是‘心脾两虚’在作怪！”
• 视觉化搭配：为卡片配图。可以寻找一些高质量的中药材特写、古典医书插图、或简约的国风背景图。统一的视觉风格能强化品牌感。
• 内容延伸：在卡片下方，可以添加一小段自己的解读或亲身经历（例如，“我有一段时间也这样，后来调整作息加上饮食调理，感觉好多了”），增加真实感和亲和力。
• 多平台适配：
  • 小红书：图片精美，文案口语化，多加表情符号和标签。
  • 公众号/知乎：文案可以更详尽，可以围绕一张卡片展开写一篇短文，深入讲解方剂背后的故事或某味药的典故。
  • 短视频：将卡片内容做成动态图文，配上舒缓的音乐和讲解人声，就是一条不错的短视频素材。

6.3 “边剥龙虾边创作”工作流的价值

回过头看，“剥龙虾”在这里是一个隐喻。它代表了一种低认知负荷的体力活动。在这种活动下，你的大脑后台线程得以释放，可以用来：

1. 构思选题：手上在剥，心里在想“下一个可以做什么主题？痛经调理？小儿积食？”
2. 审查内容：生成一批卡片后，可以一边进行机械性工作，一边快速浏览，挑出需要优化或特别有亮点的部分。
3. 规划发布：思考这些素材适合在什么时间点、以什么形式发布到哪个平台。

这种“手脑并行”的模式，能将碎片化时间甚至家务时间转化为创作时间，极大地缓解了内容更新的压力。它让“日更”或“高频更新”变得可能，而这正是新媒体起号初期积累粉丝和权重的关键。

最终，这个项目带给我的，不仅仅是一个能生成中医卡片的AI工具。它更是一套方法论：如何利用现代AI技术降低专业内容创作的门槛，如何设计一种人机协作的流畅工作流，以及如何将兴趣爱好、技术实践与内容创业有机地结合起来。技术是桨，领域知识是船，而你的创意和执行力，才是决定航向的风。