Автор: Yanhua
Материал подготовлен на основе: Podwise
В последнее время OpenClaw набирает бешеную популярность, все только о нем и говорят. Но, если честно, большая часть контента посвящена теории, архитектуре, видению. А что на самом деле можно делать с этой штукой? Как внедрить в повседневную работу? Об этом толком мало кто рассказывает.
Недавно Matthew Berman выпустил видео, где одним махом вывалил все кейсы использования, которые он построил на OpenClaw. Никаких концепций, одна практика. CRM, база знаний, бизнес-консультативный совет, проверка безопасности, отслеживание соцсетей, конвейер идей для видео, ежедневные дайджесты, дневник питания... Один человек, один MacBook, выполняет работу команды среднего звена небольшой компании.
Я разобрал его ключевые кейсы использования. Без прикрас, пройдемся по каждому: что это, как работает, в чем преимущества.
Кейс 1: CRM на естественном языке, от нуля до рабочего состояния за 30 минут
Это первый кейс, который продемонстрировал Berman, и самый наглядный.
Процесс настройки: Он на естественном языке сказал OpenClaw: «Помоги мне создать CRM, которая извлекает данные из Gmail, Google Calendar и Fathom, отфильтровывает маркетинговые письма и холодные предложения, оставляет только ценные диалоги и контакты.» Ни строчки кода. За 30 минут все заработало.
Захват данных: Система каждые 30 минут сканирует почту, каждые 5 минут в рабочее время проверяет Fathom (инструмент для AI-транскрибации встреч). Все данные перед сохранением пропускаются через LLM для оценки: стоит ли сохранять это письмо? Важен ли этот контакт?
Ключевые возможности:
-
371 контакт, все можно запрашивать на естественном языке. «О чем я в последний раз говорил с John?» «Кто последним со мной связывался из компании X?»
-
Оценка здоровья отношений, автоматическое пометка людей, с которыми давно не было связи
-
Обнаружение и предложения по объединению дубликатов контактов
-
Векторный семантический поиск, поддерживает нечеткое соответствие на смысловом уровне
Самая впечатляющая деталь: Когда Berman в другом контексте (например, при поиске идей для видео) CRM сама вмешивается: «Ты раньше обсуждал похожую тему с таким-то спонсором, возможно, они захотят проспонсировать этот выпуск.» Система связывает модули между собой, не просто пассивно хранит данные, а активно создает связи.
Прямая речь Berman: «Если я за 30 минут могу собрать полностью кастомную CRM, потратив еще час-два на доработку, то зачем мне тогда платить компаниям за CRM?»
Кейс 2: Автоматическое отслеживание пунктов действий с встреч
Этот кейс тесно связан с CRM, но заслуживает отдельного внимания.
Воркфлоу: Встреча结束 → Fathom транскрибирует всё → OpenClaw сопоставляет с контактами CRM → Извлекает пункты действий → Отправляет в Telegram Berman'у на утверждение → Утвержденные автоматически попадают в Todoist
Ключевые особенности:
-
Разделение пунктов «моих» и «собеседника». То, что обещал предоставить вам собеседник, система помечает как «waiting on», автоматически отслеживая, выполнил ли он обещание.
-
Самообучающаяся фильтрация. Если Berman отклонил какой-то пункт («это не моя задача»), система учится на причине и обновляет правила извлечения. В следующий раз подобное не будет захвачено.
-
Ежедневная автоматическая проверка выполнения 3 раза в день. Например, если на встрече вы сказали «я сегодня отправлю письмо», система проверит, отправили ли вы его на самом деле, и если да, автоматически поставит галочку.
-
Автоматическая архивация через 14 дней. Невыполненные вовремя задачи автоматически очищаются, чтобы список оставался чистым.
Ценность этой системы не в какой-то отдельной функции, а в том, что она полностью автоматизирует этап «после встречи», который чаще всего забрасывается.
Кейс 3: Персональная база знаний, просто кинь ссылку
У Berman давно была проблема: видит хороший контент, сохраняет, а потом никогда не может найти.
Его решение невероятно простое: все ссылки кидать в Telegram, остальное сделает OpenClaw.
Система автоматически обрабатывает эти типы контента:
-
Статьи: Прямо захватывает полный текст, для сайтов с paywall использует автоматизацию браузера для входа и извлечения после логина
-
YouTube видео: Захватывает субтитры/текст транскрипции
-
Посты в X: Захватывает не отдельный твит, а автоматически отслеживает всю ветку, попутно захватывая статьи по внешним ссылкам
-
PDF: Прямо парсит текст
Весь контент векторизуется, сохраняется в локальную SQLite. После можно искать естественным языком: «покажи все статьи про OpenAI»,一键检索.
Бонус для командной работы: Каждый сохраненный элемент автоматически синхронизируется в Slack в форме «Мэтт хочет, чтобы вы это увидели». Команда знает, что это лично прочитано боссом, а не просто рандомно推送нуто AI.
Ключ этого кейса не в сложности технологии, а в крайне низком пороге входа. Не нужно ставить теги, не нужно categorizing, не нужно организовывать. Кинь и забудь, AI сделает остальное.
Кейс 4: Бизнес-консультативный совет, 8 экспертов каждую ночь работают на вас
Лично я считаю это самый безумный кейс во всем видео.
Входные данные: 14 источников бизнес-данных. YouTube аналитика, вовлеченность каждого поста в Instagram, аналитика X, данные TikTok, почтовые кампании, записи встреч, статус задач Cron, сообщения Slack... В общем, покрывает все аспекты его бизнеса.
Процесс анализа: 8 AI-экспертов (финансы, маркетинг, рост, операции и т.д.), независимо анализируют все данные, работая параллельно. После анализа они обсуждают находки друг с другом, сводят разногласия и объединяют результаты в пронумерованный список рекомендаций, отсортированный по приоритету.
Способ доставки: Запускается автоматически каждую ночь под утро, результаты в виде нумерованного дайджеста отправляются в Telegram. Berman просыпается, пробегается глазами, и по любому пункту может запросить: «Расскажи подробнее про пункт 3.»
Вдохновляющее в этом кейсе – модель коллаборации множественных агентов. Это не один AI дает совет, а группа AI, которая сначала дискутирует между собой, а потом выдает совет. Как настоящий совет директоров: финансист говорит экономить, маркетолог – тратить, в итоге получается прагматичный компромисс.
Кейс 5: Комитет безопасности, AI каждую ночь проверяет AI
Похожая архитектура на бизнес-консультанта, но совершенно другое направление.
Время запуска: Каждую ночь в 3:30 (вне пика других задач, чтобы избежать конфликта квот API Anthropic).
Команда проверки: Четыре эксперта по безопасности с разных ракурсов. Атакующая перспектива, защитная перспектива, перспектива конфиденциальности данных, перспектива операционной достоверности.
Область проверки: Весь кодовая база, история коммитов Git, логи выполнения, логи ошибок, stored data. Это не статическое сканирование правил, а реальное чтение и понимание логики кода AI.
Вывод: Opus 4.6 обобщает все находки, нумерует и отправляет в Telegram. Критические проблемы – немедленное оповещение. Berman может просто ответить «fix it», и система автоматически исправит.
Самоэволюция: Опыт после каждого исправления запоминается, правила проверки постоянно итеративно улучшаются. В некоторые ночи новых рекомендаций нет, потому что система подтверждает, что текущее состояние безопасно.
Самое гениальное в этом кейсе – использование AI для проверки самого себя. Berman честен: защита от инъекций в промпты никогда не будет идеальной. Но вместо того, чтобы притворяться, что риска не существует, лучше让系统每天自己做 check-up.
Кейс 6: Отслеживание соцсетей + Ежедневный дайджест
Область отслеживания: Четыре платформы: YouTube, Instagram, X, TikTok. Ежедневно автоматически делается снимок состояния, сохраняется в базу данных SQLite.
Измеряемые данные: YouTube – просмотры, время просмотра, вовлеченность по видео; другие платформы – данные по эффективности на уровне постов.
Двойное назначение:
-
Ежедневный дайджест. Каждое утро отправляется в Telegram, сообщает, какой контент вчера сработал хорошо, а какой – нет.
-
Питание для бизнес-консультативного совета. Данные соцсетей – один из 14 источников данных, напрямую участвующих в nightly бизнес-анализе.
Здесь проявляется flywheel effect всей системы: модуль отслеживания соцсетей не работает изолированно, производимые им данные одновременно обслуживают два downstream кейса: дайджест и консультативный совет.
Кейс 7: Конвейер идей для видео, от фразы до карточки в Asana
Способ триггера: В обсуждении в Slack, кто-либо в ответ на пост пишет «@Claude, это идея для видео».
Автоматизированный процесс:
-
Чтение полного контекста ветки обсуждения в Slack
-
Поиск по всему интернету + исследование трендов в X
-
Запрос к базе знаний, проверка наличия relevant сохраненного материала
-
Проверка на дубликаты, проверка совпадения с существующими темами
-
Генерация полного плана видео: предложения заголовка, предложения thumbnail, зацепка для начала, каркас流程 видео
-
Оценка «Стоит ли делать эту тему?»
-
Создание карточки проекта в Asana со всеми research материалами и ссылками
Berman в видео продемонстрировал реальный кейс: новость о выпуске Quen 3.5 была分享到 Slack, кто-то отметил как идею для видео, система автоматически сгенерировала полный пакет темы, включая обсуждения разных KOL в Twitter, реакцию open-source сообщества и предлагаемый угол для видео.
Ценность этого кейса: Сжатие расстояния между «захватом вдохновения» и «исполняемым планом» практически до нуля.
Кейс 8: Система памяти, чем больше пользуешься AI, тем лучше он тебя понимает
Опыт большинства с ChatGPT: каждый диалог как первая встреча. OpenClaw у Berman'а – не такой.
Уровни памяти:
-
Память диалогов: Ежедневные диалоги автоматически сохраняются как markdown-файлы
-
Выявление предпочтений: Из диалогов извлекаются предпочтения в письме, стиль тона, интересы, отслеживаемые акции, правила categorizing писем и т.д., сохраняется в memory.md
-
Обновление идентичности: При начале каждого нового диалога система читает файлы памяти, обновляет identity.md и soul.md
-
Векторный поиск: Все файлы памяти векторизуются, поддерживается RAG-поиск
Контекстное переключение личности: Berman дал AI две личности. В личном чате Telegram – как друг, с юмором, неформально; в командном канале Slack – автоматически становится стилем профессионального коллеги. Это определено в soul.md.
Этот кейс превращает AI из «инструмента» в «партнера». Он не просто исполняет инструкции, а действительно понимает, кто вы и что вам нужно.
Кейс 9: Дневник питания, AI помогает найти аллерген
Это самый неожиданный кейс.
Способ использования: Сфотографировать еду, отправить OpenClaw, он автоматически распознает и записывает. Три раза в день получать напоминания с отчетом о ощущениях в желудке. Все данные сохраняются в лог питания.
Аналитические способности: Раз в неделю запускается анализ, перекрестное сопоставление записей о еде и отчетов о симптомах, выявление patterns.
Реальный результат: Система путем анализа成分 еды на фото и отзывов Berman'а о симптомах обнаружила, что его желудок чувствителен к луку. Он сам об этом совершенно не знал.
Чат-бот помог человеку выявить пищевой аллерген. Раньше для этого нужно было идти в больницу делать специальный тест.
Кейс 10: Планировщик задач (Cron) + Автобэкап + Автообновление
Эта часть не такая гламурная, но, возможно, самая важная инфраструктура.
Список Cron-задач:
| Частота | Задача |
|------|------|
| Каждые 5 минут | Проверка записей встреч Fathom |
| Каждые 30 минут | Сканирование почты |
| 3 раза в день | Проверка выполнения пунктов действий |
| Ежедневно ночью | Синхронизация документов, сканирование CRM, проверка безопасности, захват логов, обновление данных видео, генерация утреннего дайджеста |
| Еженедельно | Синтез памяти, предварительный просмотр доходов |
| Каждый час | Git коммит + бэкап базы данных |
Стратегия бэкапа: Все базы данных SQLite автоматически обнаруживаются, шифруются, упаковываются и загружаются на Google Drive, сохраняются за последние 7 дней. Код каждый час пушится на GitHub через Git. При любой ошибке бэкапа – немедленное оповещение в Telegram.
Автообновление: Каждый день в 21:00 проверка новой версии OpenClaw, показ changelog, одна команда «update» – и автоматическое обновление с перезагрузкой.
Отслеживание API: Запись каждого вызова LLM: какая модель использовалась, сколько токенов потрачено. Даже скачаны официальные гайды по promptingу для различных моделей, чтобы система оптимизировала написание промптов в зависимости от фактически используемой модели.
Дизайн-философия этой инфраструктуры одна: когда вы спите, система работает; когда система ломается, вы узнаете об этом第一时间.
Генерация изображений и видео: Создание визуального контента по запросу
Berman подключил Veo (генерация видео) и NanoBanana Pro (генерация изображений от Gemini) к OpenClaw.
Способ использования прост: в Telegram сказать «видео итальянской виллы в Тоскане», система вызывает Veo, генерирует, автоматически скачивает и отправляет в Telegram, затем удаляет локальный файл для экономии места. С изображениями同理, сказать что хочешь, NanoBanana Pro генерирует и прямо推送ит.
Сам по себе этот кейс не впечатляет, но его ценность в том, что он может быть встроен в другие воркфлоу. Например, когда конвейер идей для видео генерирует предложения по thumbnail'ам, он может напрямую вызывать генерацию изображений для создания картинки.
Вернемся к общей картине: Отношения между этими кейсами – вот что важно
Если смотреть на отдельные кейсы, кажется: «Круто, но не особо впечатляет». ChatGPT тоже может помочь найти контакт, Notion AI – организовать базу знаний.
Но настоящая сила системы Berman'а – в потоке данных между кейсами:
-
Данные CRM → Питание для бизнес-консультативного совета
-
Контент базы знаний → Питание для конвейера идей для видео
-
Данные соцсетей → Питание для ежедневного дайджеста + консультативного совета
-
Записи встреч → Питание для CRM + системы пунктов действий
-
Логи выполнения всех модулей → Питание для комитета безопасности
Ни один модуль не является островом. Они образуют взаимно усиливающийся flywheel данных. Именно поэтому один человек + один MacBook могут выдавать результат небольшой команды.
У Berman'а есть очень меткая фраза: «Вы начинаете видеть, как все разные части, которые я построил, взаимодействуют друг с другом и делают друг друга сильнее.»
Напоминание о безопасности: Пристегнитесь перед запуском
Работа Berman'а по безопасности заслуживает отдельного упоминания:
-
Защита от инъекций в промпты: Весь внешний контент считается потенциально malicious, перед сохранением – детерминированное предварительное сканирование кода
-
Минимальные права: Почта, календарь – только чтение, без прав на запись
-
Контроль вывода: Резюме, а не дословное повторение, автоматическая фильтрация ключей и токенов
-
Утверждение перед публикацией: Перед отправкой письма, твита – обязательное ручное подтверждение
-
Шифрование бэкапов: Двойная защита паролем, файл .env никогда не попадает в репозиторий
Он сам четко говорит: «Идеальной схемы безопасности не существует. Большие языковые модели – недетерминированные системы, полностью защититься от инъекций в промпты невозможно. Но это не значит, что ничего не нужно делать.»
После просмотра этих кейсов мое главное ощущение: «Фулстек» в эпоху AI – это уже не про умение писать фронтенд и бэкенд, а про способность строить и управлять целым набором AI-воркфлоу. Berman не пишет код, но у него极其清晰ное представление о своих потребностях, и он знает, как на естественном языке перевести эти потребности в работающую систему.
Возможно, это самый值得 изучаемый навык в 2026 году.
На основе видео Matthew Berman «21 INSANE Use Cases For OpenClaw», материал подготовлен подкастом Podwise, оригинальное видео содержит полные промпты для каждого кейса, рекомендуется к просмотру. Если вы тоже используете OpenClaw или подобные фреймворки для построения своей AI-системы, расскажите в комментариях, какой кейс вы построили первым.
