使用 OpenClaw 构建日常自动化工作流实战指南

项目目标

本教程将演示如何使用开源 AI Agent 框架 OpenClaw，搭建一个“客服邮件自动解析与工单生成”工作流。 业务痛点：每天收到大量客户反馈邮件，人工阅读、提取关键信息（如 Bug 描述、复现步骤）并录入 Jira/飞书项目耗时且易错。 实现效果：OpenClaw 定时读取邮箱，利用大模型提取结构化数据，并自动调用 API 创建项目工单。

环境准备

推荐使用 Docker 部署 OpenClaw 及其依赖，确保环境隔离与一致性。

1. 克隆项目与配置环境变量

git clone https://github.com/your-org/openclaw-workflow.git
cd openclaw-workflow
cp .env.example .env

2. 编辑 .env 文件，填入你的大模型 API 密钥及外部服务凭证：

# 大模型配置 (支持 OpenAI 兼容接口)
LLM_API_KEY=sk-xxxxxxxxxxxxxxxx
LLM_BASE_URL=https://api.openai.com/v1
LLM_MODEL=gpt-4o

# 邮箱 IMAP 配置
IMAP_HOST=imap.example.com
IMAP_USER=support@example.com
IMAP_PASSWORD=your_email_password

# 项目管理工具 API (以 Jira 为例)
JIRA_BASE_URL=https://your-domain.atlassian.net
JIRA_USER_EMAIL=admin@example.com
JIRA_API_TOKEN=your_jira_token

3. 启动服务

docker-compose up -d

核心工作流搭建

在 OpenClaw 中，工作流通过 YAML 配置文件定义节点（Nodes）和流转逻辑。创建 workflows/email_to_jira.yaml：

1. 定义触发器与数据读取节点

配置定时触发器，并连接 IMAP 节点拉取未读邮件。

trigger:
  type: cron
  schedule: "*/10 * * * *" # 每10分钟执行一次

nodes:
  - id: fetch_emails
    type: imap_fetch
    config:
      folder: "INBOX"
      unseen_only: true

2. 编写核心 Prompt（大模型解析节点）

这是工作流的核心。我们需要让大模型将非结构化邮件转化为严格的 JSON 格式，以便后续节点调用。

  - id: parse_email
    type: llm_agent
    config:
      prompt: |
        你是一个专业的技术支持助理。请阅读以下客户邮件，提取关键信息并严格以 JSON 格式输出。
        
        邮件内容：
        {{fetch_emails.body}}
        
        输出要求：
        {
          "issue_type": "Bug 或 Feature",
          "summary": "一句话概括问题（不超过20字）",
          "description": "详细的问题描述，包含复现步骤",
          "priority": "High, Medium 或 Low",
          "customer_email": "发件人邮箱"
        }
        注意：只输出 JSON，不要包含任何 Markdown 标记或额外解释。
      output_format: json

3. 配置外部 API 调用节点

将大模型输出的 JSON 映射到 Jira 创建工单的 API 参数中。

  - id: create_jira_ticket
    type: http_request
    config:
      method: POST
      url: "{{JIRA_BASE_URL}}/rest/api/3/issue"
      headers:
        Authorization: "Basic {{base64(JIRA_USER_EMAIL:JIRA_API_TOKEN)}}"
        Content-Type: "application/json"
      body:
        fields:
          project: { "key": "SUP" }
          summary: "{{parse_email.summary}}"
          description: "{{parse_email.description}}\n\n来源邮箱: {{parse_email.customer_email}}"
          issuetype: { "name": "{{parse_email.issue_type}}" }
          priority: { "name": "{{parse_email.priority}}" }

预览与验证

在正式投入生产前，必须进行本地调试。

1. 干跑模式（Dry Run） 使用 OpenClaw CLI 测试工作流逻辑，不实际发送邮件或创建工单：

openclaw run workflows/email_to_jira.yaml --dry-run

2. 检查大模型输出 查看日志，确认 parse_email 节点输出的 JSON 格式是否稳定。如果大模型偶尔输出多余字符，可在 Prompt 中增加“Few-Shot（少样本）”示例，或开启 OpenClaw 的 json_repair 容错参数。

3. 端到端测试 发送一封测试邮件到支持邮箱，观察 Jira 中是否成功生成对应工单，并检查字段映射是否准确。

部署上线与进阶技巧

验证无误后，将工作流部署为后台常驻服务。

# 将工作流注册到 OpenClaw 调度器
openclaw deploy workflows/email_to_jira.yaml --daemon

进阶技巧：

• 增加回复节点：在 create_jira_ticket 后增加一个 imap_reply 节点，自动给客户回复：“您的反馈已收到，工单编号为 {{create_jira_ticket.key}}，我们将尽快处理。”
• 异常重试机制：在 HTTP 请求节点配置 retry: { max_attempts: 3, delay: 5s }，防止因网络波动导致工单创建失败。

注意事项

1. Token 成本控制：如果邮件内容过长（如包含大量日志），大模型 Token 消耗会剧增。建议在 fetch_emails 节点增加文本截断逻辑，或先使用轻量级模型进行摘要，再交给高级模型提取。
2. 数据隐私合规：确保你的 .env 配置中，大模型 API 提供商符合公司的数据安全合规要求。若涉及敏感客户数据，建议将 OpenClaw 的大模型节点替换为本地部署的开源模型（如 Llama-3）。
3. 幂等性设计：网络重试可能导致重复创建工单。建议在 parse_email 节点提取邮件的 Message-ID，并在创建 Jira 工单前，先查询 Jira 是否已存在该 Message-ID 的自定义字段，以实现幂等性。