企业官网建设流程全解析

1. 项目概述：一个运行在Windows上的本地AI智能体

最近在折腾一个挺有意思的项目，叫WinClaw。简单来说，它是一个运行在你Windows电脑上的本地AI智能体，你可以把它理解成一个“数字管家”或者“自动化助手”。它的核心思路是，让一个大型语言模型（比如OpenAI的GPT系列）不仅能和你聊天，还能真正地“动手”操作你的电脑，帮你完成一些重复性的、有固定流程的任务。

这个概念其实并不新鲜，像AutoGPT、OpenClaw这类项目已经探索了很久。但WinClaw的独特之处在于，它非常“接地气”，专门为Windows环境打造，并且用Go语言和Wails框架构建，这使得它天生就具备良好的性能和原生应用体验。想象一下，你不再需要手动打开文件夹、复制文件、整理文档，或者去浏览器里重复搜索某些信息，你只需要用自然语言告诉WinClaw：“帮我把桌面上的‘项目报告’文件夹里，所有上周修改过的PDF文件，整理到一个叫‘待审阅’的新文件夹里，并生成一个清单文档。” 它就能理解你的意图，并调用相应的“技能”去执行。

这个项目特别适合两类人：一是像我这样的效率追求者，希望通过自动化解放双手；二是对AI应用开发感兴趣的开发者，想了解如何将大语言模型的能力与本地操作系统深度结合，构建出真正有用的智能工具。接下来，我会详细拆解它的设计思路、实现细节，并分享我在部署和使用过程中踩过的坑和总结的经验。

2. 核心架构与设计思路拆解

WinClaw的设计哲学非常清晰：将大语言模型的“大脑”与本地操作系统的“手脚”安全、可控地连接起来。这听起来简单，但实现起来需要考虑权限、安全、扩展性和用户体验等多个维度。

2.1 技术栈选型的背后逻辑

项目采用了Go + Wails作为后端和GUI框架，React + TypeScript + TailwindCSS作为前端。这个组合值得细说。

为什么是Go和Wails？Go语言以其出色的并发性能、简洁的语法和强大的标准库著称，非常适合构建需要高效处理I/O操作（如文件读写、网络请求）的后端服务。更重要的是，Go能编译成单个可执行文件，依赖管理极其简单，这对于需要分发给终端用户的应用来说是巨大优势。你不需要让用户去安装Python环境、配置一堆依赖包，一个WinClaw.exe就能搞定。

Wails框架则是连接Go后端和Web前端的桥梁。它允许开发者用Web技术（HTML/CSS/JS）构建漂亮的用户界面，同时通过Go来调用所有系统级API（如文件系统、进程管理）。Wails会将你的前端代码和Go后端一起打包，生成一个真正的原生桌面应用，而不是一个套着壳的浏览器。这意味着WinClaw既拥有了Web应用的灵活UI和快速开发迭代能力，又具备了原生应用的系统访问权限和性能。

前端选择React和TypeScript的考量React的组件化开发模式非常适合构建复杂的、状态驱动的交互界面。AI助手的对话历史、技能调用状态、设置面板等，都可以被很好地抽象成独立的组件。TypeScript的加入则是为了提升大型前端项目的可维护性。它能提供静态类型检查，在开发阶段就捕获许多潜在的错误，尤其是在处理AI API返回的复杂JSON数据时，定义清晰的接口类型能省去很多调试时间。TailwindCSS是一个实用优先的CSS框架，让我们能快速构建出现代、响应式的UI，而无需在样式文件上花费过多精力。

AI部分的选择与局限目前，WinClaw深度依赖OpenAI的API。这是一个务实但存在依赖性的选择。OpenAI的模型（如GPT-3.5-Turbo, GPT-4）在指令遵循、代码理解和任务规划方面表现最为成熟和稳定。使用API意味着开发者无需操心庞大的模型部署、昂贵的GPU硬件和复杂的推理优化，可以快速将核心精力放在智能体逻辑本身。

当然，这带来了成本和网络依赖问题。所有对话和任务规划都需要发送到云端。在后续的“扩展与优化”章节，我会探讨集成本地开源模型的可能性，虽然挑战很大，但这是一个值得探索的方向。

2.2 智能体工作流的核心循环

WinClaw的核心是一个经典的“感知-思考-行动”循环，技术上通常称为ReAct（Reasoning and Acting）模式。

1. 感知（Perception）：接收用户的输入。这可以是文本框输入的文字，也可以是麦克风采集并经由语音识别（ASR）转换成的文字。
2. 思考（Reasoning）：将用户输入、当前的对话历史、以及所有可用技能（Skills）的描述，一起构造为提示词（Prompt），发送给大语言模型。模型的职责是理解用户意图，并规划出下一步行动。它会输出一个结构化的决策，例如：{"action": "file_list", "params": {"path": "C:\\Users\\Desktop"}}。
3. 行动（Acting）：后端Go服务解析模型的决策，找到对应的技能函数（例如file_list），在当前的权限级别下执行它。执行可能会读取文件列表、调用系统命令等。
4. 观察（Observation）：技能执行后会产生一个结果（例如文件列表的字符串，或成功/失败的状态）。这个结果被作为新的“观察”反馈给模型。
5. 循环：模型结合之前的对话历史、用户目标、以及上一步行动的观察结果，决定下一步是继续执行子任务，还是已经完成任务可以给出最终答复。

这个循环会一直进行，直到模型认为用户请求已被满足，或者达到了预设的最大循环次数（防止陷入死循环）。在这个过程中，权限系统会像一个“安全员”，时刻检查每个要执行的动作是否被允许。

2.3 多级权限控制系统设计

让一个AI拥有操作你电脑的能力，安全是头等大事。WinClaw设计了一个四级权限系统，这不仅是功能开关，更是一种渐进式的信任建立机制。

• 低权限（仅对话和查询）：这是最安全的模式。AI只能进行普通的文本对话，以及调用一些完全不涉及系统更改的查询类技能，比如system_info（获取系统信息）或内置的calculator（计算器）。适合初次使用，或者处理高度敏感信息时。
• 中权限（允许浏览器、文件查看）：在此级别，AI可以执行“只读”或“无害”的操作。例如，使用file_list浏览目录结构，用file_read读取文件内容（但无法修改），以及控制浏览器打开网页进行信息查询。这已经能完成很多信息搜集和整理类的工作。
• 高权限（允许大部分操作，需要确认）：这是平衡效率与安全性的常用级别。AI可以执行写入文件、创建文档等修改性操作，但在执行每一个此类操作前，都会弹出一个确认对话框，由你手动点击“允许”。这给了你最终的控制权，避免AI误操作。
• 完全控制（所有操作自动执行）：在此模式下，AI获得了你完全的信任，可以自动执行所有已授权的技能，无需确认。此模式风险最高，仅建议在测试环境，或对AI规划能力有充分信心、且任务流程非常明确的情况下使用。务必确保有良好的备份习惯。

这个权限模型的美妙之处在于，它不是一个静态开关，而是一个动态的“护栏”。开发者可以为每一个技能（Skill）定义其所需的最低权限级别。当AI尝试调用一个技能时，系统会比对当前设置的权限级别和技能要求的级别，如果权限不足，则请求会被拒绝，并反馈给AI模型，模型可能会尝试其他方法或向你请求提升权限。

3. 从零开始部署与深度配置指南

纸上得来终觉浅，绝知此事要躬行。让我们抛开简单的README，深入WinClaw的部署、配置和初步使用的每一个细节。

3.1 环境准备与项目构建

虽然项目提供了构建好的WinClaw.exe，但对于开发者或想尝鲜最新特性的用户，从源码构建是更好的选择。这能让你更了解其内部结构。

第一步：搭建开发环境你需要准备以下工具：

1. Go语言环境：访问Go官网下载安装包，建议安装1.19及以上版本。安装后，在命令行输入go version验证。
2. Node.js与npm：WinClaw前端基于Node.js，需要安装Node.js 16+版本。同样安装后使用node -v和npm -v验证。
3. Wails CLI工具：这是构建的核心。在命令行运行go install github.com/wailsapp/wails/v2/cmd/wails@latest。安装完成后，运行wails version检查是否成功。

注意：国内网络环境安装Go模块和npm包可能会很慢。建议为Go配置GOPROXY（如go env -w GOPROXY=https://goproxy.cn,direct），为npm配置淘宝镜像（npm config set registry https://registry.npmmirror.com）。

第二步：获取并初始化项目

# 克隆项目代码（请替换为实际仓库地址） git clone https://github.com/shandingwangyue/winclaw.git cd winclaw # 安装前端依赖 npm install # 安装Go模块依赖 go mod download

这个过程可能会花费几分钟时间，取决于你的网络速度。

第三步：运行开发模式与构建发布开发模式允许你实时修改代码并看到效果，是调试和新增功能的最佳方式。

wails dev

执行这个命令后，Wails会同时启动Go后端服务和前端开发服务器，并打开一个应用程序窗口。任何对前端或后端代码的修改，都会触发热重载，你可以在窗口中立即看到变化。

当你对功能满意，想要分享给他人或日常使用时，就需要构建发布版本：

wails build

默认情况下，这会构建一个适用于你当前操作系统（Windows）的可执行文件。构建过程会压缩和打包所有资源，最终产物位于build/bin/目录下，文件名为WinClaw.exe。你可以将这个单独的exe文件复制到任何Windows电脑上运行，无需安装任何其他环境。

实操心得：在wails build时，你可能会遇到前端资源打包失败的问题。一个常见的原因是前端依赖中存在路径过深或文件名过长的问题，这在Windows上尤其突出。如果构建失败，可以尝试在项目根目录的wails.json配置文件中，为frontend:build命令添加--no-module参数，或者清理node_modules后重新npm install。另外，首次构建时间较长，请耐心等待。

3.2 首次运行与关键配置详解

双击运行WinClaw.exe后，你会看到一个简洁的聊天界面。但在此之前，有几个关键配置必须完成，否则AI只是一个无法思考的“哑巴”。

1. 配置OpenAI API密钥这是整个智能体的“大脑”接入点。

• 点击应用右上角的齿轮图标（设置按钮）。
• 找到“AI设置”或类似的选项卡。
• 在“API Key”输入框中，填入你的OpenAI API密钥。你可以从OpenAI官网的API Keys页面获取。请务必妥善保管此密钥，不要泄露。
• 通常还需要选择一个模型，例如gpt-3.5-turbo（性价比高，响应快）或gpt-4（能力更强，更擅长复杂规划，但成本高且速度慢）。对于大多数文件和网页操作任务，gpt-3.5-turbo已经足够。

2. 理解并设置权限级别在设置中，找到“权限控制”部分。作为第一次使用，我强烈建议你从**“中权限”**开始。

• 为什么从中权限开始？低权限下AI几乎什么都做不了，体验不到核心功能；高权限或完全控制又过于危险。中权限允许它浏览文件和网页，这已经能完成很多有用的信息查询任务，同时又不会修改你的任何数据，是最安全的学习和体验阶段。
• 你可以先让AI帮你“列出桌面上的文件”或“打开百度新闻首页”，感受它的工作流程。熟悉之后，再根据任务需要，临时切换到高权限（并谨慎批准每一个写操作），最后再考虑是否使用完全控制模式。

3. 网络代理配置（如需要）如果你的网络环境访问OpenAI API需要代理，Wails应用默认可能不会使用系统代理设置。你需要在代码层面进行配置。这通常涉及在Go后端的HTTP客户端初始化时，设置代理URL。查看项目源码中发起OpenAI请求的部分，你可能需要添加类似以下的代码：

// 示例，具体位置需查看项目http client初始化代码 proxyUrl, _ := url.Parse("http://your-proxy-ip:port") httpClient := &http.Client{ Transport: &http.Transport{ Proxy: http.ProxyURL(proxyUrl), }, }

对于大多数用户，如果系统已配置全局代理并能正常访问api.openai.com，则可能无需此步骤。

3.3 内置技能（Skills）实战解析

WinClaw的核心能力体现在一个个具体的“技能”上。让我们深入看看几个关键内置技能是如何工作的，以及如何有效地使用它们。

文件操作技能组这是最常用的一组技能。AI模型通过分析你的自然语言指令，来决定调用哪一个。

• file_list： 当你说“看看我的下载文件夹里有什么”时，AI可能会调用file_list(path: "C:\\Users\\YourName\\Downloads")。返回的结果是一个格式化的列表，AI会总结后告诉你。
• file_read： 当你说“帮我读一下桌面上的todo.txt文件”时，AI会调用file_read。这里有一个重要细节：对于大文件，直接读取全部内容可能会耗尽模型的上下文窗口。在实际实现中，file_read技能最好支持分页或读取前N行，或者由AI先通过file_list了解文件大小，再决定是读取全部还是摘要。
• file_write： 这是高风险操作。当你说“把上面的会议要点保存到‘会议记录.md’文件里”，AI在拥有足够权限的情况下会调用它。最佳实践是，永远在高权限的“需要确认”模式下使用此功能，这样每次写入前你都能看到目标路径和预览内容。

浏览器控制技能browser_open技能允许AI打开默认浏览器并访问指定URL。这极大地扩展了AI的信息获取能力。例如，你可以说：“查一下今天北京的天气，然后告诉我。” AI的思考链可能是：1. 调用browser_open打开天气网站。2. 从返回的HTML页面中（可能需要辅助技能来解析），提取天气信息。3. 将信息组织成自然语言回复给你。目前，WinClaw可能只负责打开网页，页面内容的抓取和解析可能需要额外的技能或依赖模型从简单页面中“阅读”的能力。

Word文档技能这是一个展示AI多步骤协作能力的绝佳例子。当你命令“创建一个周报文档，总结本周‘项目A’的进展”，AI需要：

1. 规划结构：标题、日期、本周工作、下周计划等。
2. 调用word_create或word_edit技能（具体名称可能不同），传入文档路径和结构化内容。
3. 技能后端会使用Go库（如unioffice）或调用本地的Microsoft Word COM接口来实际创建和编辑文档。

系统信息与计算器system_info和calculator属于工具类技能，它们增强了AI的基础能力，使其能回答“我的电脑内存多大？”或“计算一下237乘以45等于多少”这类问题，而无需依赖模型本身可能不精确的内部计算。

注意事项：在与AI交互时，尽量使用清晰、明确的指令。模糊的指令如“整理一下我的文件”会让AI困惑，因为它不知道“整理”的标准是什么。更好的说法是：“请列出‘D:\照片’文件夹中所有大于5MB的.jpg文件，并按修改日期从新到旧排序。” 清晰的指令能引导AI调用正确的技能组合（file_list加上可能的过滤和排序逻辑），并产生你期望的结果。

4. 技能扩展开发：打造专属智能体

内置技能是基础，但WinClaw真正的威力在于其可扩展性。你可以用Python编写自定义技能，让它学会操作你的专业软件、管理你的特定工作流。

4.1 自定义Python技能开发规范

WinClaw兼容OpenClaw的技能格式，这降低了开发门槛。所有自定义技能都放置在skills/python/目录下（如果目录不存在，请手动创建）。

一个最简单的技能就是一个Python文件。例如，我们创建一个get_time.py技能，用于获取当前时间：

# skills/python/get_time.py import datetime import json def get_current_time(params): """ 获取当前系统时间。 参数: params (dict) - 技能参数（本例中不需要） 返回: dict - 包含时间和状态的字典 """ try: current_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S") return { "status": "success", "data": f"当前系统时间是：{current_time}" } except Exception as e: return { "status": "error", "data": f"获取时间失败：{str(e)}" }

技能函数的核心要求：

1. 函数名：即技能名（如get_current_time）。AI调用时使用的就是这个名字。
2. 参数：必须接受一个params参数，类型为dict。即使不需要参数，也要保留。
3. 返回值：必须返回一个dict，且包含status（"success"或"error"）和data（具体结果或错误信息）字段。这个格式是与Go后端和AI模型约定好的通信协议。
4. 错误处理：函数内部必须用try-except包裹，确保任何异常都能被捕获并返回规范的错误格式，防止技能崩溃导致整个智能体停止工作。

4.2 技能描述文件：让AI理解你的技能

仅仅编写函数还不够，你需要告诉AI模型这个技能是做什么的、怎么用。这是通过一个同名的.json描述文件实现的。创建skills/python/get_time.json：

{ "name": "get_current_time", "description": "获取当前的系统日期和时间。", "parameters": { "type": "object", "properties": {}, "required": [] }, "permission_level": "low" }

• name：必须与Python函数名严格一致。
• description：这是最重要的部分！用清晰、准确的自然语言描述技能功能。AI模型完全依赖这个描述来决定在什么场景下调用此技能。好的描述应包含意图（做什么）、输入（需要什么）、输出（返回什么）。
• parameters：按照JSON Schema格式定义技能所需的参数。本例无需参数，所以为空对象。如果你的技能需要路径，则应定义path参数及其类型（string）。
• permission_level：定义技能所需的最低权限级别（low,medium,high,full）。获取时间显然是低权限操作。

当WinClaw启动时，它会扫描skills/python/目录，加载所有.py和对应的.json文件，并将技能描述注册到系统中。在你与AI对话时，这些描述会作为上下文的一部分发送给模型，模型由此知道它“会做什么”。

4.3 实战：开发一个“整理桌面截图”技能

让我们开发一个更实用的技能，来自动整理桌面上杂乱的截图文件。

1. 技能规划功能：扫描Windows桌面，找到所有截图文件（假设命名包含“截图”或扩展名为.png/.jpg），并按日期创建文件夹（如“截图-2023-10-27”），将文件移动进去。 所需参数：可能不需要，或者可以传入一个源路径（默认为桌面）和目标基础路径。 权限级别：high，因为它涉及文件移动。

2. 编写Python代码 (organize_screenshots.py)

import os import shutil import datetime from pathlib import Path import json def organize_screenshots(params): """ 整理桌面上的截图文件。 参数: params (dict): 可包含 'source_dir' (源目录，默认桌面) 和 'target_base_dir' (目标基目录，默认桌面)。 返回: dict: 操作结果。 """ try: # 获取参数，提供默认值 source_dir = params.get('source_dir', os.path.join(os.environ['USERPROFILE'], 'Desktop')) target_base_dir = params.get('target_base_dir', os.path.join(os.environ['USERPROFILE'], 'Desktop')) source_path = Path(source_dir) if not source_path.exists() or not source_path.is_dir(): return {"status": "error", "data": f"源目录不存在或不是文件夹：{source_dir}"} # 定义截图文件识别规则（可根据需要扩展） screenshot_keywords = ['截图', 'screenshot', 'screen'] image_extensions = ['.png', '.jpg', '.jpeg', '.bmp', '.gif'] moved_files = [] for file in source_path.iterdir(): if file.is_file(): # 检查文件名是否包含关键词或是否为图片扩展名 is_screenshot = any(keyword in file.name.lower() for keyword in screenshot_keywords) is_image = file.suffix.lower() in image_extensions if is_screenshot or is_image: # 这里是或的关系，可根据需要调整 # 获取文件修改日期 mtime = datetime.datetime.fromtimestamp(file.stat().st_mtime) date_folder_name = mtime.strftime("截图-%Y-%m-%d") target_dir = Path(target_base_dir) / date_folder_name target_dir.mkdir(exist_ok=True) # 创建日期文件夹，如果已存在则忽略 # 移动文件 target_file = target_dir / file.name # 处理重名文件 counter = 1 while target_file.exists(): stem = file.stem suffix = file.suffix target_file = target_dir / f"{stem}_{counter}{suffix}" counter += 1 shutil.move(str(file), str(target_file)) moved_files.append(str(target_file)) if moved_files: return { "status": "success", "data": f"整理完成！共移动了{len(moved_files)}个文件。文件已被整理到以下日期文件夹中：{', '.join([os.path.basename(os.path.dirname(f)) for f in moved_files])}" } else: return {"status": "success", "data": "未在桌面找到符合条件的截图文件。"} except Exception as e: return {"status": "error", "data": f"整理截图时发生错误：{str(e)}"}

3. 编写技能描述 (organize_screenshots.json)

{ "name": "organize_screenshots", "description": "自动整理指定目录（默认为桌面）中的截图和图片文件。它会根据文件的修改日期，创建以‘截图-年-月-日’命名的文件夹，并将文件移动到对应的文件夹中。支持常见的图片格式（如.png, .jpg）。", "parameters": { "type": "object", "properties": { "source_dir": { "type": "string", "description": "要整理的源目录路径。如果不提供，默认为当前用户的桌面。" }, "target_base_dir": { "type": "string", "description": "存放整理后日期文件夹的基目录路径。如果不提供，默认为当前用户的桌面。" } }, "required": [] }, "permission_level": "high" }

4. 使用技能将这两个文件放入skills/python/目录，重启WinClaw。然后你就可以在聊天窗口中说：“请帮我整理一下桌面上的截图文件。” AI会识别出你的意图与organize_screenshots技能描述匹配，且该技能不需要参数，于是调用它。由于权限级别是high，在非完全控制模式下，你会看到一个确认对话框，显示即将执行的操作，确认后技能才会运行。

开发心得：

1. 描述即契约：技能的.json描述文件至关重要。花时间把它写准确、完整，这直接决定了AI能否正确使用你的技能。可以多思考：如果我是AI，单看这段描述，能明白在什么情况下该调用它吗？
2. 防御性编程：在技能函数中，要对所有输入参数进行验证，处理路径不存在、权限不足、文件重名等各种边缘情况。一个健壮的技能不会因为意外输入而崩溃。
3. 权限最小化：遵循最小权限原则。如果一个技能只是查询信息，就设为low或medium；只有涉及修改、删除、执行等操作时，才设为high。
4. 测试驱动：在将技能放入主目录前，先单独写一个Python脚本测试其功能，确保逻辑正确，异常处理完备。

通过这种方式，你可以不断为你的WinClaw添加“超能力”，让它越来越贴合你的个人工作习惯，真正成为一个个性化的生产力助手。

5. 高级用法、问题排查与安全实践

当你熟悉了基础操作和技能开发后，可能会追求更高效的用法，也会遇到一些典型问题。本章节分享一些进阶技巧和排坑指南。

5.1 提升交互效率的技巧

1. 使用系统级快捷键与全局呼出默认情况下，你需要点击应用来使用。为了提高效率，可以探索Wails是否支持或自行实现“全局快捷键呼出”功能。例如，可以修改代码，注册一个像Ctrl+Alt+C这样的热键，无论你在哪个窗口，按下后都能快速唤出WinClaw的输入框。这需要调用Windows的全局热键API，并在Wails中处理相应事件。

2. 构建常用指令的“快捷短语”对于你经常执行的任务，可以总结成一句固定的、清晰的指令，并保存下来。例如：

• “晨间简报”：对应的指令可能是“打开浏览器访问新闻首页，然后列出我桌面上的待办文件todo.txt，最后告诉我今天的天气。”
• “项目归档”：对应的指令可能是“在D:\\Projects\\Done目录下，以今天日期创建一个新文件夹，然后将C:\\Work\\ProjectX中所有非.git的文件夹和文档文件复制过去。” 虽然WinClaw本身可能不支持保存指令模板，但你可以将其保存在文本中，使用时快速粘贴。更高级的做法是开发一个“执行工作流”技能，接收一个任务名，内部执行一系列预定义的操作。

3. 结合系统自动化工具WinClaw可以成为更宏大自动化流程的一环。例如，你可以用Windows任务计划程序（Task Scheduler）定时运行一个脚本，该脚本启动WinClaw并模拟发送一条指令（这需要WinClaw提供命令行接口或API）。这样就能实现“每天上午9点自动整理桌面”这样的全自动任务。

5.2 常见问题与故障排除

以下是我在长时间使用和测试中遇到的一些典型问题及其解决方法：

5.3 安全使用准则与最佳实践

赋予AI系统权限是一把双刃剑。遵循以下准则可以最大化收益，最小化风险：

1. 永远遵循最小权限原则：日常使用保持在“中权限”。仅在执行明确需要写操作的任务时，临时切换到“高权限”，并仔细阅读每一个操作确认对话框。除非在完全可控的虚拟环境或测试机中，否则避免使用“完全控制”模式。
2. 关键操作前手动备份：在让AI执行批量文件移动、重命名、删除或覆盖写入操作前，手动备份相关文件或文件夹。AI的规划能力虽然强，但并非百分百可靠，可能因指令歧义而产生意外行为。
3. 审计技能代码：对于从网络下载或他人分享的自定义技能，在使用前务必审查其Python代码。警惕任何尝试执行系统命令（os.system,subprocess）、访问网络或读写敏感位置（如系统目录、注册表）的代码。
4. 隔离测试环境：如果你热衷于开发或测试新的、高风险技能，建议在虚拟机或一台不重要的备用电脑上进行。这样可以放心地进行各种实验，而不用担心损坏主力机的工作环境。
5. 关注API使用成本：OpenAI API是按使用量计费的。复杂的、多轮对话的任务会消耗更多Token。定期检查OpenAI平台的使用量，设置预算提醒，避免产生意外账单。对于简单的文件操作指令，使用gpt-3.5-turbo通常比gpt-4划算得多。
6. 保护你的API密钥：你的API密钥是通往OpenAI服务的钥匙。不要在代码中硬编码密钥然后上传到公开仓库。WinClaw应该将密钥保存在本地配置文件中（通常是加密或明文存储在用户目录下）。确保这个配置文件不被泄露。

WinClaw代表了一种令人兴奋的应用方向：将大语言模型的认知能力与本地系统的执行能力相结合。它目前可能还不够完美，比如在复杂任务规划上偶尔会“迷路”，或者对模糊指令的处理不够智能。但它的框架是坚实且可扩展的。通过深入了解其架构，谨慎地赋予权限，并开发贴合自身需求的技能，你完全可以将它打磨成一个得心应手的数字助手。从自动化简单的文件整理开始，逐步尝试更复杂的办公自动化流程，你会亲身感受到AI Agent如何一点点改变你与计算机交互的方式。