教程钉钉接入
钉钉接入 OpenClaw 完整指南
零基础快速部署OpenClaw并接入钉钉，实现企业群聊自动化与智能工作流
2026-04-13
#OpenClaw#钉钉
#自动化
共 10 篇内容，涉及 3 个模块
教程3Prompt1案例6
教程QQ 接入
QQ 接入 OpenClaw 完整指南
快速将OpenClaw接入QQ，实现群聊自动化、消息处理与智能交互
2026-04-13
#OpenClaw#QQ
教程微信接入
微信接入 WorkBuddy 完整指南
10分钟将WorkBuddy接入微信，实现通过微信消息远程控制电脑、执行任务、获取AI回复
2026-04-10
#WorkBuddy#微信
Prompt通用
Meta-Prompting：让 AI 帮你写 Prompt 的元提示技术
写 Prompt 最难的不是怎么写，而是知道该写什么。Meta-Prompting 的核心思路是：与其自己从头写 Prompt，不如先写一个'描述需求的 Prompt'，让 AI 帮你生成最终 Prompt。本文从 Meta-Prompting 的三层架构（需求描述层→Prompt 生成层→输出优化层）讲起，给出四种典型模式（需求转译型 / 迭代优化型 / 多版本对撞型 / 角色模拟型），以及一个完整可复用的 Meta-Prompting 模板和避免'元提示退化'的三个防坑原则。
2026-09-01
#Prompt技巧#Meta-Prompting
案例开发
用 OpenAI Agents API + MCP 把 Codex Harness 改成可编排的 Agent 服务：中型 SaaS 团队实战
OpenAI 在 2026 年 9 月把内部跑 Codex 的 harness 改成了对外可用的 Agents API：原生支持 MCP server 注册、多 Agent 编排、handoff、guardrail、结构化输出。一个中型 SaaS 团队（23 名工程师）用这套 API + 自建的 6 个 MCP server，把内部 17 个零散的 AI 脚本统一成了一个可编排的 Agent 服务，每月节省 480 工时。本文复盘架构设计（Agent 拓扑、handoff 流程、guardrail 配置）、Prompt 模板（主 Agent + 4 个子 Agent）、MCP 集成（自建 6 个 MCP 的分工）、3 个真实业务场景（客户工单自动分流 / 代码评审流水线 / 数据报告自动化）、以及踩过的 11 个坑（handoff 死循环、guardrail 误杀、MCP 超时、token 计费翻倍等）。
2026-09-11
#AI实战#OpenAI
案例开发
AI 辅助数据库零停机迁移：从 MySQL 到 PostgreSQL 只用 3 天
公司核心业务从 MySQL 5.7 迁移到 PostgreSQL 16，数据库有 47 张表、230 万行数据、86 个存储过程和 34 个触发器。手动迁移评估 3 周，最终用 Claude Code + PostgreSQL MCP + 自定义 Schema 转换 MCP，3 天完成全量迁移（Schema 转换 + 数据迁移 + 应用层适配 + 回归测试），停机窗口仅 12 分钟。本文复盘工具分工、分步 Prompt 模板、SQL 方言转换踩过的 23 个坑（AUTO_INCREMENT vs SERIAL、datetime 格式、ON DUPLICATE KEY UPDATE、GROUP_CONCAT、utf8mb4 编码等）、以及零停机迁移的灰度切换策略。
2026-09-10
#AI实战#数据库迁移
案例开发
AI 日志异常检测：从日均百万条日志中 30 分钟定位 3 个隐藏 Bug
微服务集群每天产生约 120 万条日志（ELK 栈），但 99.9% 是正常日志，真正的异常淹没在海量数据中。团队 2 名 SRE 花一周才能完成一次全量日志审计。我们用 GPT-5 做异常模式识别和语义分类 + 日志分析 MCP 做自动日志检索和聚合 + Slack MCP 做实时通知，构建了端到端的日志异常检测流水线。30 分钟内从 120 万条日志中定位了 3 个隐藏 Bug（一个内存泄漏、一个竞态条件、一个错误的重试逻辑），准确率 91%，误报率仅 4%。本文复盘工具分工、分步 Prompt 模板、检测准确率数据和踩过的坑。
2026-09-09
#AI实战#日志检测
案例运维
AI 自动化日志分析：用 GPT-6 Astra 从每天 50GB 日志中定位异常只用了 3 分钟
团队的微服务每天产生 50GB 运行日志，P0 故障平均排查时间 2 小时。传统 ELK 方案能搜能查但不能'理解'日志之间的因果关系。本文复盘用 GPT-6 Astra + 自定义日志分析 MCP + Slack 通知机器人，构建从日志采集→异常检测→根因分析→自动告警的完整闭环，P0 故障定位时间从 2 小时降至 3 分钟。分享三个关键 Prompt 模板、MCP 中间件设计思路，以及踩过的坑（日志脱敏、Token 消耗控制、误报过滤）。
2026-09-07
#AI实战#日志分析
案例开发
AI 监控告警智能分诊：日均 3000 条告警从 25 分钟降到 3 分钟响应
公司的微服务架构每天产生约 3000 条告警（Prometheus + Grafana），值班 SRE 平均响应时间 25 分钟，其中 70% 是误报或低优先级。我们用 Claude 做告警分类和根因推断 + 日志分析 MCP 做自动日志关联 + GitHub MCP 做自动创建 Issue + Slack MCP 做告警通知路由，构建了端到端的告警分诊流水线。误报过滤准确率 94%，真正需要人工处理的告警平均响应时间降到 3 分钟，值班人员工作量减少 68%。本文复盘工具分工、分诊 Prompt 模板、根因推断准确率数据和踩过的坑。
2026-09-02
#AI实战#告警分诊
案例开发
AI 自动生成 API 文档：从 8 万行无注释代码到完整 API 手册只用了 4 小时
团队的微服务项目积累了 8 万行 Go 代码，几乎没有注释和 Swagger 定义。手动写 API 文档评估要 2 周，最终用 Claude Code + GitHub MCP + 自定义代码分析 MCP，4 小时生成了完整的 API 文档，覆盖 47 个接口、120+ 参数说明、14 个完整请求/响应示例。本文复盘工具组合、分步 Prompt 模板、以及踩过的坑（接口签名推断错误、参数类型歧义、嵌套结构解析失败）。
2026-09-01
#AI实战#API文档