!NOTE\] 笔记说明 这篇文章是 Agent 系列笔记的最后一篇，其中记录了我在使用 Agent 过程中所累积的具有代表性的、可复现的应用场景（包括私人助理、职场办公、开发测试、代码分析等）及其具体解决方案。同样的，这些内容也将被收录在本人 Github 上的[计算机学习笔记库](https://github.com/owlman/CS_StudyNotes)中，并予以长期维护。
初级应用：私人助理
在刚刚上手使用 Agent 的阶段，我们往往会先从日常生活中的实际需求出发，尝试着单纯依靠一两段提示词来命令 Agent 执行一些简单的任务。这样做一方面有助于我们自己在实践中逐步摸索使用这类工具的方法，另一方面也能帮助这些工具在初始化阶段收集一些关于它主人的信息，与完成相关工作所需的工具与技能，以便于后续完成更复杂的任务。下面，就让我们以生活琐事提醒和投资理财管理这两个较为生活化的应用场景为切入点，开始学习 Agent 在各种实际应用场景中的使用方法吧。
场景 1：琐事提醒
在日常生活中，我们总是有着太多生活琐事要处理。例如高血压患者需按时吃药，久坐者需要适时运动等，这些事情虽然花费时间不多，但一旦忙碌起来就很容易被忘记。这种情况如果得不到妥善的解决，时间久了势必会给我们的生活质量带来各种不利的影响。在 OpenClaw 和 Hermes Agent 这样的服务端 Agent 应用出现之前，我们往往需要借助手机上的待办事项、日程管理等软件来提醒自己，但这些软件往往附带了过多不必要的功能，导致我们不仅要忍受糟糕的人机交互体验（例如繁复的用户界面、嘈杂的铃声），还要为它们支付手机上原本就不富裕的存储空间和运算资源。
现在，我们只需要简单地在 OpenClaw/Hermes Agent 所接入的通讯平台中输入一段提示词，就能让它以指定的方式自动提醒我们完成这些琐事。例如，如果我有腰间盘突出的问题，就只需要在接入了 OpenClaw 的飞书中输入内容为"我是一个长期坐着工作的人，腰间盘突出，请每隔 1 小时提醒我起来活动一下"的提示词即可，如图 1 所示。
图 1 在飞书中设置提醒任务
如果上述操作一切顺利，之后每隔 1 小时，飞书所接入的 OpenClaw 就会像人工提醒一样给我发消息，提醒我起来活动一下，如图 2 所示。
图 2 在飞书中收到的提醒消息
这种设置提醒的方式除了可以让我们避免为了单一功能而安装一堆不必要的软件之外，还能让 OpenClaw 或 Hermes Agent 更了解我们的一些生活与工作习惯，这将帮助它在后续的自动化任务中更好地为我们服务。例如，现在它记住了我是一个长期坐着工作的人，患有腰间盘突出，那么如果我在后续的日程设置提到一些不适合自身健康状况的计划时（譬如"我明天计划与张三去打篮球，你有什么建议？"），它就会给我提出"你患有腰间盘突出，做篮球运动需注意保护"之类的提醒，如图 3 所示。
图 3 OpenClaw 针对篮球运动计划给出的提醒
这就很好地体现了 OpenClaw/Hermes Agent 与其他待办事项、日程管理软件的另一个区别：Agent 应用不仅能提醒我们完成一些日常琐事，还能根据我们的一些生活与工作习惯，提醒我们避免做一些对健康不利的事情，这让它成为了一个更称职的个人健康督导，与生活日程管理助手。
场景 2：财务顾问
在每个人的生活中，管理收支平衡都是一项需要时刻进行计算的琐碎任务。如果日常只是简单地记录自己的工资收入、支付账单等碎片化信息，那么后续地整理与计算工作就会变得非常繁复，且极易出错。在 OpenClaw/Hermes Agent 出现之前，我们通常会借助专业的记账/理财软件来解决问题，但这类软件往往需要我们花费大量时间去学习它的使用方法，且在处理一些复杂场景时（例如投资理财）往往力不从心。
现在，我们同样只需要简单地在 OpenClaw/Hermes Agent 所接入的通讯平台中输入一段提示词，就能让这些 Agent 自动帮我们完成这些繁琐的计算工作。例如，如果我有投资理财的需求，就只需要在接入了 OpenClaw 的飞书中输入内容为"我一个月的收入大约 1 万元，生活日常支出大约 4000 元，三年后打算在杭州贷款买房，请结合 2026 年的经济形势，给我一份投资建议"的提示词即可，如图 4 所示。
图 4 OpenClaw 针对个人情况给出的投资建议
同样的，由于 OpenClaw 现在已经记住了我的收入、支出情况，以及我打算在杭州买房的计划，它后续也能基于这些信息对我日后一些不理性的消费计划提出相关的提醒。例如，当我接着上面的问题继续问它"我明天打算去买一款价值 5 万的手表，你有什么建议？"时，它就会提醒我大意为"你打算在杭州买房，但你的月收入只有1万元，购买这款手表会严重影响你的生活质量，建议你先考虑一下"之类的内容，如图 5 所示。
图 5 OpenClaw 针对手表消费计划给出的建议
很显然，这样的功能也是传统的记账/理财软件所不具备的。OpenClaw 这样的 Agent 不仅能帮助我们完成一些日常的收支计算，还能根据我们的一些消费习惯，提醒我们避免做一些不理性的消费计划。当然，在必要情况下还能帮助我们调整投资计划（例如在图 6 中的演示中，我增加了车贷的情况）。这让它成为了一个能力更接近于人类的人消费/理财顾问。
图 6 OpenClaw 针对车贷情况给出的投资建议
中级应用：职场办公
在熟悉了 Agent 的基本能力与使用方法之后，接下来就该回到我们安装它的初衷上来，看看如何利用 Agent 来提升工作效率了。在应对具体工作的应用场景中，我们需要使用的就不仅仅是几段提示词那么简单了，而是需要结合自己的工作需求来自定义相关的 Skill，或者安装特定的第三方 Skill，以便用于指导 Agent 完成一些较为复杂的任务。下面，就让我们以会议纪要整理、信息收集等职场工作中较为常见的应用场景为切入点，继续介绍 Agent 在实际应用中的使用方法吧。
场景 3：会议纪要
在许多白领的日常工作中，常常会遇到刚开完一场 45 分钟的团队会议，就被领导要求整理会议纪要、提取待办事项，然后全靠手动的方式录入飞书、钉钉这样的团队协作工具中。并且，可能没等他处理完，下一场会议又已经开始了。所以很多人要么丢三落四地遗忘重要事项，要么只能加班加点地整理会议纪要，导致工作效率低下。
事实上，我们只需要为 Agent 安装好一些相关的 Skill，就能让它在会议纪要整理方面发挥出远超人类的能力。举个例子，对于经常需要使用飞书文档来完成团队协作任务的白领用户来说，只需通过以下步骤来安装相关的 Skills，就能让 OpenClaw 替我们完成会议纪要的整理工作。
-
安装
feishu-doc，这是用于处理飞书文档的 Skill，它通常在我们将 OpenClaw 接入飞书客户端时就已经自动安装了。读者可以通过 OpenClaw 的 Web 端管理界面确认这个 Skill 的状态，如图 7 所示。图 7 确认
feishu-docSkill的状态 -
自定义用于在飞书中整理会议纪要的 Skill 。例如，我们可以先进入到部署了 OpenClaw 的服务器上，并在
~/.openclaw/workspace/skills目录下创建一个名为meeting-minutes的子目录，然后在其中创建一个SKILL.md文件，该文件的内容如下。markdown--- name: meeting-minutes description: | 整理会议纪要并提取待办事项。用于在飞书文档中整理会议内容，包括：(1) 格式化会议纪要，(2) 当会议提到出差时加载公司出差费用报销规则，(3) 提取待办事项并创建飞书多维表格记录。 --- # 会议纪要整理 ## 功能 1. **格式化会议纪要** - 在飞书文档中整理会议内容 2. **出差费用规则** - 当会议提到"出差"时，加载公司出差费用报销规则文件 3. **待办事项提取** - 提取会议中的待办事项，创建飞书多维表格 ## 工作流程 ### 1. 读取现有文档 如果用户提供了飞书文档链接，先读取内容： - action: read - doc_token: 从URL提取的token ### 2. 检查出差相关内容 分析会议内容，如果提到出差： - 读取 `公司出差费用报销规则.md` 文件（放在 workspace 根目录） - 将相关报销规则 append 到文档中 ### 3. 提取待办事项 从会议纪要中识别待办事项，提取： - 任务内容 - 负责人 - 完成时间（如有） ### 4. 创建待办事项多维表格 使用 `feishu_bitable_create_app` 创建名为"待办事项"的 Bitable： - 任务（文本） - 负责人（用户） - 完成时间（日期时间） - 状态（单选：待处理/进行中/已完成） ### 5. 写入待办事项记录 使用 `feishu_bitable_create_record` 写入每条待办 ## 文件位置 公司出差费用报销规则文件应放在：`~/.openclaw/workspace/公司出差费用报销规则.md` -
让 Agent 自动测试一下这个 Skill。如果一切顺利，我们应该可以在它的飞书客户端中看到如图 8 所示的测试报告。
图 8 让 Agent 自动测试 Skill
之后，我们只需要将会议的录音用飞书妙记这样的工具转换成纯文本文档（例如txt或md格式），然后通过飞书将文档分享给 OpenClaw，它就会自动帮我们完成会议纪要的整理工作，如图 9 所示。
图 9 让 Agent 自动整理会议纪要
场景 4：文档摘要
同样的，我们在日常工作中也经常需要频繁处理大量结构各异的文档信息。例如：阅读一份几十页的需求说明书、快速理解一份外部合作方提供的方案文档，或是在短时间内掌握一篇技术博客的核心观点。这类任务的共同特点在于：信息密度高、阅读成本高、但我们真正关心的往往只是其中的关键内容。在没有 Agent 应用的情况下，这类工作通常只能依赖人工逐字阅读，然后再进行整理与提炼。不仅耗时耗力，而且不同人的总结风格差异较大，难以形成统一的输出标准。
通过借助 Agent 应用的 Skills 机制，我们就可以将"文档摘要"这一高频执行的操作步骤进行封装，使其成为一个可复用、可标准化的工作流，下面，让我们继续以 OpenClaw 为例，来演示一下如何通过自定义 Skill 来实现这个功能吧。
-
在部署了 OpenClaw 的服务器上，使用命令行终端进入到
~/.openclaw/workspace/skills目录下，并创建一个名为doc-summary的子目录。然后在该目录下创建一个SKILL.md文件，其内容如下：markdown--- name: doc-summary description: | 对长文档进行结构化摘要，提取核心信息并输出统一格式的要点总结。 --- ## 使用时机 在以下情况下应调用该 Skill： - 用户提供了长文本或文档链接，并希望"总结""提取要点" - 文档内容较长（如技术文档、需求说明、方案文档等） - 用户希望获得结构化输出，而非自由文本总结 在以下情况下不应调用该 Skill： - 输入内容较短，可直接处理 - 用户明确要求逐字分析或详细解读 - 输入内容不具备清晰语义结构 ## 输入 - 文本内容（或文档链接解析后的正文） ## 输出 结构化摘要，包括： 1. 文档主题（一句话） 2. 背景与目的 3. 核心内容要点（3--5条） 4. 关键结论或建议 ## 工作流程描述 * 步骤1：解析输入内容，识别文档结构（标题、段落等） * 步骤2：提取关键语义信息（背景、问题、方案、结论） * 步骤3：过滤冗余描述（示例、修饰性语言） * 步骤4：将信息重组为结构化摘要 * 步骤5：输出统一格式结果 ## 约束条件 * 输出必须结构化（禁止纯段落式长文本） * 要点数量控制在3--5条 * 不得编造文档中不存在的信息 * 优先保留原文中的关键术语 ## 示例 ### 输入 （某技术方案文档正文） ### 输出 - 文档主题：XXX系统优化方案 - 背景与目的：解决当前系统在高并发下的性能瓶颈问题 - 核心要点： 1. 引入缓存机制 2. 优化数据库索引 3. 拆分微服务模块 - 结论：预计系统吞吐量提升 30% 以上 -
在保存上述文件之后，我们就可以在实际工作中直接调用这个 Skill 来处理各种文档摘要任务。例如：将一篇技术博客链接发送给接入了 OpenClaw 的飞书，并要求它"总结一下这篇文章"，OpenClaw 就会自动识别用户意图，并调用
doc-summary来完成任务，如图 10 所示。图 10 让 OpenClaw 自动生成文档摘要
场景 5：演示文稿
在白领的日常工作中，经常需要绘制图形和表格、制作演示文稿，用于工作简报、方案展示、数据分析等场景。尤其是在面对"临时需求、隔天交付"这类高压任务时，可视化内容的制作往往会成为加班的重要来源之一。在传统工作流中，人们通常需要借助 Microsoft Visio、Adobe Illustrator、Figma、PPT、Excel 等工具完成相关任务。这些工具虽然功能强大，但往往存在一定学习成本，即使是熟练使用者，要在短时间内制作出兼顾信息表达与视觉效果的图表，也仍然需要投入大量时间。
而借助 Agent，我们可以在很大程度上降低图表生成与内容整理的时间成本，使许多原本需要数小时完成的工作，能够在更短时间内完成图表初稿与演示内容的搭建。下面，我将以更适合本地项目工作流的 OpenCode 为例，演示如何通过引入第三方 Skill 来完成演示文稿的生成任务。
假设现在需要制作一份演示文稿，用于向项目团队介绍近期受到关注的 Hermes Agent，以及其与 OpenClaw 之间的主要区别，并且第二天早上就需要用于会议演示。这个任务显然十分紧急，但好在此前已经编写过一篇关于 Hermes Agent 的学习笔记，并将其保存为 Markdown 文档。现在要做的，就是按照演示文稿的逻辑，将这篇笔记整理成一份 PPT。如果采用传统方式，这项工作至少需要两个小时；而借助 OpenCode，则可以在半小时左右完成整个流程，具体步骤如下。
-
按照《[[Agent 的能力体系]]》一文中的介绍，确保 OpenCode 已经安装 Anthropic 官方 Skills 中名为 pptx 的 Skill。对此，可以在 OpenCode 中使用 /skills 命令进行确认，如图 11 所示。
图 11 确认 OpenCode 中已安装的 Skills
-
在《[[关于 Hermes Agent]]》这篇笔记所在的目录中打开 OpenCode，并输入如下提示词：
markdown请阅读 @关于 Hermes Agent.md，根据其内容为我生成一份题为《关于 Hermes Agent》的 PPT，并将其保存到 examples 目录下，风格为现代简约。随后，OpenCode 会自动调用 pptx Skill 来完成演示文稿的生成任务，如图 12 所示。
图 12 使用 OpenCode 生成演示文稿
-
在执行过程中，OpenCode 会自动编写生成 PPT 所需的 Python 脚本，并下载脚本运行所需的扩展库与 CLI 工具（例如 markitdown），如图 13 所示。
图 13 OpenCode 开始自动生成 PPT
-
几分钟后，OpenCode 会生成一份名为 关于 Hermes Agent.pptx 的演示文稿，并将其保存到 examples 目录下。随后，我们可以使用 Microsoft PowerPoint 打开该文件查看最终效果，如图 14 所示。
图 14 OpenCode 生成的 PPT 文档
总而言之，相比于直接使用提示词，在 Agent 应用中引入 Skills 机制会带来以下几个明显优势：
- 输出品质可控：有了 Skills 机制所做的规范，我们可以大概率地降低 LLM 因提示词细微变化而出现输出漂移；
- 输出格式稳定：Skills 机制可确保 LLM 每次以相对统一的文档结构输出，这有助于日后的复用以及批量处理；
- 可组合使用 ：Skills 机制中的不同 Skill（如
feishu-doc、pdf等）之间 可以进行联动，以便读取不同格式的文件，并将生成的内容保存到指定的文档中。
高级应用：数字员工
如果我们仅仅是在日常工作中让 Agent 应用来完成一些用于改善办公效能的小任务，依然还是无法真正体验到它给我们的工作带来的那种革命性影响。毕竟，如今的 Agent 应用已经完全可以独立地去执行一些之前需要人类进行团队协作才能完成的复杂任务了。当然，如果想要让这种接近于科幻情节的"数字员工"成为现实，我们除了要用好提示词，配置相关的 Skills 之外，还需要充分利用 Agent 应用所提供的强大插件系统，让它能指挥安装在其服务端设备上的其他 Agent 应用，协同完成一些更为复杂的工作任务。
场景 6：自动化编程
下面，让我们先以自动化开发与测试的工作场景为例，来为读者演示如何让 OpenClaw+OpenCode 这对 Agent 应用组合来进行协同工作吧。首先，我们要先确保部署了 OpenClaw 的服务端环境中已经安装了 OpenCode，然后就通过执行以下步骤来完成自动化开发与测试任务了（在这里，我们以开发并运行一个贪吃蛇游戏为例）。
-
确保部署了 OpenClaw 的服务端环境中已经安装了 Python（3.10 及以上版本）和 tmux，并且 OpenClaw 服务端已经启动。
-
安装一款名为
ClawTeam-OpenClaw的多 Agent 协同插件，它是一个开源项目，读者可以通过执行如下命令来完成安装。bashgit clone https://github.com/win4r/ClawTeam-OpenClaw.git cd ClawTeam-OpenClaw bash scripts/install-openclaw.sh -
在上述安装脚本执行完成之后，我们应该可以看到如图 15 所示的提示信息，它告诉我们，OpenClaw 已经成功安装了
ClawTeam-OpenClaw插件，并且可以通过openclaw命令来调用它。图 15 安装 ClawTeam-OpenClaw 插件
-
现在，我们需要重启 OpenClaw 服务端，以便让新安装的插件生效。在终端中执行如下命令即可完成。
bashopenclaw gateway restart
如果上述操作一切顺利，我们就可以在配置好的飞书中打开与 OpenClaw 的对话窗口，通过发送提示词来调度 OpenCode 这个在本地运行的 Agent 应用来完成相关的自动化编程与测试任务了，如图 16 所示。
图 16 向 OpenClaw 发送多 Agent 协同的编程任务
现在，我们只需要让 OpenClaw 将生成的 Python 脚本文件通过飞书发送到自己所在的计算机，然后执行一下python snake.py这个命令，就可以看到这个由 OpenClaw 主持任务规划，并调用多个 Agent 应用协同完成的这个贪吃蛇游戏了，运行效果如图 17 所示。
图 17 OpenClaw 调用多个 Agent 应用协同完成编程任务
相对于单一的 Agent 应用，多 Agent 协同的编程方式在处理一些复杂任务时可以带来以下优势。
- 分工明确：每个 Agent 应用负责处理任务中的某个具体环节，降低了任务的整体复杂度；
- 能力互补：不同 Agent 应用的能力不同，通过协同调用，可以发挥各自的优势，提升整体效果；
- 节省 Token：通过将不同任务分配给不同的 Agent 应用，我们可以将一些不重要的任务分配给一些免费的 LLM，而让那些按 Token 计费的 LLM 专注于处理那些需要高精度输出的任务。
场景 7：自动化运维
在服务端应用的日常运维工作中，我们要执行的任务往往具有重复性高、响应时效要求强等特点。传统的人工巡检方式不仅耗时耗力，还容易因疲劳而遗漏关键问题。而借助 Agent 应用，我们可以通过自定义 Skill 实现服务器健康检查、告警通知、自动化修复等运维工作的智能化。下面，就让我们以"服务器健康检查"这一高频运维场景为例，演示如何通过 OpenClaw 来实现自动化运维。
现在，假设我们有多台部署了 OpenClaw 的服务器需要定期巡检，传统方式是运维人员逐一登录每台服务器手动执行检查命令，不仅效率低下，而且难以保证及时性。通过 OpenClaw 的多 Agent 协同能力，我们可以让多个 Agent 并行在不同的服务器上执行检查任务，并将结果汇总后通过飞书发送给运维人员，具体步骤如下。
-
在每台服务器上部署 OpenClaw。确保这些服务器已经安装了 Python（3.10 及以上版本）以及 tmux，并且 OpenClaw 服务端已经启动。
-
创建服务器健康检查 Skill 。在部署了 OpenClaw 的服务器上，进入到
~/.openclaw/workspace/skills目录下，创建一个名为server-health-check的子目录，并在其中创建SKILL.md文件，其内容如下：markdown--- name: server-health-check description: 执行服务器健康检查，收集系统状态信息并生成报告。 --- # 服务器健康检查 ## 功能 1. **CPU 使用率** - 检查当前 CPU 负载情况 2. **内存使用率** - 检查当前内存占用情况 3. **磁盘空间** - 检查各分区的磁盘使用情况 4. **运行进程** - 列出当前占用资源最多的前 5 个进程 5. **网络连接** - 检查是否存在异常的网络连接 6. **服务状态** - 检查关键服务（如 sshd、nginx 等）是否正常运行 ## 工作流程 ### 1. 执行检查命令 使用 `top`、`df`、`free` 等命令收集系统信息： ```bash # CPU 和内存 top -bn1 | head -5 free -h # 磁盘空间 df -h # 进程排名 ps aux --sort=-%cpu | head -6 # 网络连接 netstat -tuln | head -20 ``` ### 2. 生成检查报告 将收集到的信息整理成结构化报告，包括： - 异常指标（如 CPU > 80%、内存 > 90%） - 潜在风险提示 - 建议的处理措施 ### 3. 输出结果 将检查报告以固定格式输出，供主 Agent 汇总。 ## 告警阈值 - CPU 使用率 > 80%：警告 - 内存使用率 > 90%：警告 - 磁盘使用率 > 85%：警告 -
配置定时任务。通过服务器的 crontab 设置每日定时执行健康检查，例如每天早上 9 点自动执行检查任务，并将结果通过飞书发送给运维人员。
-
主 Agent 汇总结果。通过 OpenClaw 的多 Agent 协同能力，让各服务器上的 Agent 并行执行检查，然后将结果汇总后生成一份统一的巡检报告并推送到我们的飞书对话窗口中。最终效果如图 18 所示。
图 18 服务器健康检查报告
除了基本的健康检查之外，我们还可以将这一模式扩展到以下运维场景：
- 日志分析：自动收集各服务器的 error.log，并让 Agent 分析异常模式，生成处理建议；
- 定时备份：通过 Agent 自动执行数据库备份任务，并将备份结果通过飞书通知；
- 安全巡检：定期执行漏洞扫描，并将安全报告保存到飞书文档。
通过上述示例我们可以看到，Agent 在运维场景中的核心价值在于：将人工巡检变为自动化检查，将被动响应变为主动预警，这不仅能大幅提升运维效率，还能显著降低因人工疏忽导致的安全风险。
场景 8：代码库分析
对于开发者来说，开源社区是一个巨大的知识宝库。我们可以从中获得各种不同的设计创意、功能实现的方法以及现成好用的工具，但前提是要能读懂这些开源项目的代码和文档。这可不是一件容易的事，因为这些项目往往都有多位不同的开发者，以非常散漫的形式进行写作，很可能会出现代码风格不统一、文档不完整、注释缺失等问题。因此长期以来，如果人们想要快速上手一个开源项目，往往需要花费大量的时间来阅读它的代码和文档，甚至很多时候依然还会无功而返。
直到人们最近开始学习 Agent 应用，尤其再搭配最近由 Andrej Karpathy 提出的 LLM Wiki 工作流，这个问题的解决才迎来了简化的可能性。下面，让我们借助给 OpenCode 安装一款名为GitNexus的插件，来演示如何使用 Agent 来实现对现有代码库的分析工作。
-
安装 GitNexus 插件：先确保自己所在的计算机中已经安装了 Python 并且版本在 3.10 以上，然后在命令行终端中执行如下命令，即可完成插件的安装。
bashnpm install -g gitnexus -
配置 GitNexus 插件 ：如果我们在执行上述命令之后，看到命令行终端返回了 GitNexus 插件的版本信息，就证明我们已经成功安装了 GitNexus 插件。接下来，我们需要在命令行终端中执行
gitnexus setup命令来将该插件配置到当前计算机中所安装的 Agent 应用中，如图 19 所示。图 19 配置 GitNexus 插件
-
为现有代码库建立知识图谱 ：这需要我们在目标项目所在的位置上打开命令行终端，并执行
npx gitnexus analyze这个命令。 例如，我现在想要为自己的个人项目pythonShell建立知识图谱，在其根目录下使用 Powershell 执行这个命令的效果如图 20 所示。图 20 为现有代码库建立知识图谱
-
查看知识图谱 ：在完成上述操作之后，我们就可以通过执行
gitnexus serve命令，并根据命令行终端返回的信息使用网页浏览器打开http://localhost:4747这个 URL 来查看刚刚生成的知识图谱了，如图 21 所示。图 21 查看知识图谱
-
使用知识图谱：由 graphify 插件生成的知识图谱实际上就是一个针对 Andrej Karpathy 工作流的具体实现。接下来，我们就可以基于这个知识图谱在 OpenCode 中用对话的形式对这个项目进行探索了。例如，我们可以通过在 OpenCode 输入内容类似于"使用 GitNexus 为我解释一下 git-push-remote 这个工具的用法与实现"这样的提示词，来让它帮助我开始探索这个项目，如图 22 所示。
图 22 使用知识图谱
关于 gitnexus 插件更详细的使用方法，读者可以参考这篇笔记最后在"参考资料"部分所列出的 GitNexus 插件的项目链接与演示视频，这里限于篇幅就不一一展开了。
参考资料
-
开源项目
-
视频资料
- 关于提示词工程的实战演示：YouTube 链接 | Bilibili 链接
- 关于 Vibe Coding 的实战演示：YouTube 链接 | Bilibili 链接
- 关于 Harness Engineering 的科普：YouTube 链接 | Bilibili 链接
- 关于 ClawTeam-OpenClaw 插件的使用演示：YouTube 链接 | Bilibili 链接
- 关于 GitNexus 插件的使用演示；YouTube 链接 | Bilibili 链接