用 OpenClaw + PARA 搭建个人数字知识助理

最近想给自己搭一个”数字助理”，主要解决两个问题：

学习、工作、生活中的资料越来越多，找起来麻烦
AI 这么火，想让 AI 帮我整理、检索、提醒

折腾了一阵子，用 OpenClaw + PARA 搞定了。写下来记录一下，也许对其他人有用。

一、为什么需要数字知识助理？

说白了就是两个问题：

东西太多，找不着：论文资料、实习文档、面试准备、课程笔记……散落在各个地方，要用的时候想不起来放哪了
AI 这么火，能不能帮我干活：不光存资料，还希望 AI 能帮我整理、总结、提醒

以前试过不少笔记软件，但总觉得差点意思：

Notion 功能强但国内访问慢
印象笔记搜索不太智能
Obsidian 本地存但没 AI 能力

干脆自己搭一个。

二、整体架构

先看一眼全貌：

┌─────────────────────────────────────────┐
│           使用入口（微信/网页）            │
└─────────────────┬───────────────────────┘
                  ↓
┌─────────────────────────────────────────┐
│         OpenClaw（数字助理核心）          │
│   • 理解你的问题                         │
│   • 去 PARA 知识库里找相关内容            │
│   • 调用大模型生成回答                    │
└─────────────────┬───────────────────────┘
                  ↓
┌───────────────┬───────────────┬─────────┐
│  OSS 云存储   │   向量数据库   │ 大模型   │
│  存原始文件   │  存语义索引   │ DeepSeek │
└───────────────┴───────────────┴─────────┘

几个关键点：

OpenClaw：开源的 AI Agent 框架，能接微信、飞书
PARA：知识库的组织方法，后面细说
低配 VPS 就能跑：2G 内存 + 30G 硬盘

三、PARA 知识管理方法

3.1 PARA 是什么？

Tiago Forte 提出的方法，把信息分成四类：

分类	英文	是什么	例子
P	Projects	正在做的项目，有截止日期	毕业论文、求职准备
A	Areas	长期关注的事，没截止日期	健康、财务、职业发展
R	Resources	以后可能用到的资料	课程笔记、教程
A	Archives	完成的事，归档	本科课程、过往项目

3.2 目录结构

知识库/
├── 01_Projects/              # 当前项目（最重要）
│   ├── 毕业论文/
│   │   ├── 文献资料/
│   │   ├── 实验数据/
│   │   └── 论文草稿/
│   ├── 实习工作/
│   │   ├── 工作文档/
│   │   └── 会议记录/
│   └── 职业规划/
│       ├── 简历作品集/
│       └── 面试准备/
│
├── 02_Areas/                 # 持续关注
│   ├── 学业/
│   ├── 专业技能/
│   ├── 人际关系/
│   └── 健康/
│
├── 03_Resources/             # 知识素材
│   ├── 课程笔记/
│   ├── 书摘/
│   └── 工具教程/
│
├── 04_Archives/              # 归档
│   └── 本科阶段/
│
└── 00_Inbox/                 # 临时收集

3.3 AI 检索优先级

提问的时候，AI 按这个顺序找：

1. 先搜 Projects（当前任务最相关）
2. 再搜 Areas（长期关注）
3. 补充搜 Resources（参考资料）
4. Archives 一般不搜

这样设计的好处：问”我的论文资料在哪”，AI 会优先从毕业论文项目里找，而不是翻一堆旧课笔记。

四、硬件准备

4.1 VPS 配置

我买的是入门款：

项目	配置	费用
CPU	1 核	-
内存	2G	-
硬盘	30G SSD	-
带宽	3M	-
系统	Ubuntu 22.04	-
月费	-	¥30-50

4.2 内存分配

2G 内存看着少，规划一下够用：

组件	占用
系统基础	300MB
OpenClaw	500MB
Redis	100MB
Nginx	50MB
预留	150MB
剩余	~900MB

关键点：大模型用 API，不在本地跑。本地只做调度和检索。

五、VPS 环境搭建

5.1 基础配置

# 更新系统
sudo apt update && sudo apt upgrade -y

# 装基础工具
sudo apt install -y git curl wget vim htop tmux

# 设时区
sudo timedatectl set-timezone Asia/Shanghai

# 建目录
mkdir -p ~/openclaw/{config,data,logs}
mkdir -p ~/knowledge

5.2 装 Docker

# 一键装 Docker
curl -fsSL https://get.docker.com | sh

# 当前用户加到 docker 组
sudo usermod -aG docker $USER

# 启动
sudo systemctl start docker
sudo systemctl enable docker

# 验证
docker --version

六、部署 OpenClaw

6.1 拉取代码

1
2
3

cd ~
git clone https://github.com/openclaw/openclaw.git
cd openclaw

6.2 配置文件

创建 ~/openclaw/config/config.yaml：

app:
  name: "Knowledge Assistant"
  env: production

# 大模型 - 用 DeepSeek API
llm:
  provider: deepseek
  api_key: ${DEEPSEEK_API_KEY}
  model: deepseek-chat
  base_url: https://api.deepseek.com/v1

# 向量数据库 - 用 Qdrant Cloud（免费）
vector_db:
  provider: qdrant
  url: ${QDRANT_URL}
  api_key: ${QDRANT_API_KEY}

# 对象存储 - 阿里云 OSS
storage:
  provider: aliyun_oss
  bucket: ${OSS_BUCKET}
  access_key: ${OSS_ACCESS_KEY}
  secret_key: ${OSS_SECRET_KEY}
  endpoint: ${OSS_ENDPOINT}

# PARA 配置
knowledge:
  para_structure:
    projects: "01_Projects"
    areas: "02_Areas"
    resources: "03_Resources"
    archives: "04_Archives"
  search_priority:
    - projects
    - areas
    - resources

6.3 环境变量

创建 ~/openclaw/.env：

# DeepSeek API（便宜好用）
DEEPSEEK_API_KEY=sk-xxxxxx

# Qdrant Cloud（免费 1G）
QDRANT_URL=https://xxx.qdrant.io
QDRANT_API_KEY=xxxxxx

# 阿里云 OSS
OSS_BUCKET=your-bucket
OSS_ACCESS_KEY=xxxxxx
OSS_SECRET_KEY=xxxxxx
OSS_ENDPOINT=oss-cn-hangzhou.aliyuncs.com

# 企业微信（可选）
WECOM_CORP_ID=xxxxxx
WECOM_AGENT_ID=xxxxxx
WECOM_SECRET=xxxxxx

6.4 Docker Compose

创建 ~/openclaw/docker-compose.yml：

version: '3.8'

services:
  openclaw:
    image: openclaw/openclaw:latest
    container_name: openclaw
    restart: unless-stopped
    ports:
      - "8000:8000"
    environment:
      - TZ=Asia/Shanghai
    env_file:
      - .env
    volumes:
      - ./config:/app/config
      - ./data:/app/data
      - ./logs:/app/logs
    mem_limit: 800m

  redis:
    image: redis:7-alpine
    container_name: openclaw-redis
    restart: unless-stopped
    mem_limit: 100m

  nginx:
    image: nginx:alpine
    container_name: openclaw-nginx
    restart: unless-stopped
    ports:
      - "80:80"
      - "443:443"
    mem_limit: 50m

6.5 启动

cd ~/openclaw
docker compose up -d

# 看日志
docker compose logs -f openclaw

七、接入微信

OpenClaw 原生支持企业微信，个人微信可以通过”微信插件”关联。

7.1 创建企业微信

去 https://work.weixin.qq.com 注册
选”个人”类型，免费
创建一个自建应用

7.2 获取凭证

在应用详情页记下：

Corp ID
Agent ID
Secret

然后配置回调 URL：https://你的域名/wecom/callback

7.3 关联个人微信

在企业微信后台：

“我的企业” → “微信插件”
用个人微信扫码关注
之后在个人微信里就能直接跟 AI 聊天了

八、存储方案

8.1 为什么需要两套存储？

存什么	放哪	为什么
原始文件	OSS	容量大、不占本地盘
语义索引	向量库	让 AI 能”理解”内容

简单说：

OSS = 文件的”仓库”，存原文
向量库 = 文件的”索引”，存 AI 能理解的特征

8.2 OSS 配置

阿里云 OSS 或 Cloudflare R2 都行，R2 有免费 10G。

建议用 RaiDrive 把 OSS 挂载成本地盘，这样往里拖文件就自动上传了。（这个之前写过，不展开了）

8.3 向量库选择

方案	费用	推荐
Qdrant Cloud	免费 1G	👈 首选
本地 Qdrant	免费	占内存

选 Qdrant Cloud 就行，免费额度够个人用很久。

九、知识库接入 OpenClaw

9.1 创建检索工具

在 OpenClaw 里创建 tools/knowledge_search.py：

from qdrant_client import QdrantClient

class KnowledgeSearch:
    # PARA 检索优先级
    PRIORITY = ["projects", "areas", "resources"]

    def __init__(self):
        self.client = QdrantClient(
            url=os.getenv("QDRANT_URL"),
            api_key=os.getenv("QDRANT_API_KEY")
        )

    def search(self, query, limit=5):
        results = []
        for category in self.PRIORITY:
            hits = self.client.search(
                collection_name=f"para_{category}",
                query_vector=self.embed(query),
                limit=limit
            )
            results.extend(hits)
            if len(results) >= limit:
                break
        return results

9.2 系统提示词

配置 OpenClaw 的 system prompt：

你是个人知识管理助手，帮助用户管理基于 PARA 方法的知识库。

知识库结构：
- Projects：当前项目（毕业论文、实习、职业规划）
- Areas：长期关注（学业、健康、财务）
- Resources：参考资料
- Archives：归档内容

检索时优先从 Projects 找，其次是 Areas。

你的能力：
- 帮用户查找、整理知识
- 协助项目管理
- 提供学习建议
- 记录重要信息

十、使用场景

搭好之后能干什么？

10.1 论文相关

用户：我之前看过一篇关于深度学习的论文，讲 Transformer 的，帮我找一下
AI：在"毕业论文/文献资料"里找到了 3 篇相关文献：
    1. Attention Is All You Need (2017)
    2. BERT: Pre-training of Deep Bidirectional Transformers
    3. ...

10.2 实习工作

用户：上周例会讨论的进度安排是什么来着？
AI：根据"实习工作/会议记录/03-02例会纪要"：
    - 你负责的部分：数据清洗模块
    - 截止日期：3 月 15 日
    - 下次汇报：3 月 9 日

10.3 面试准备

用户：帮我整理一下常见的机器学习面试题
AI：从"职业规划/面试准备"里找到了你之前收集的 20 道题目，
    主要分为：基础理论、算法实现、项目经验三类。
    要我按类别给你讲一遍吗？

十一、成本估算

项目	费用
VPS（2G 内存）	¥30-50/月
DeepSeek API	¥10-30/月
Qdrant Cloud	免费
阿里云 OSS（10G）	¥5/月
域名（可选）	¥10/年
合计	¥50-90/月

比订阅 Notion AI（$10/月）贵一点，但好处是完全自主可控，数据在自己手里。

十二、总结

搭这个数字助理，主要想解决两个问题：

资料太多太乱，找不着
让 AI 帮着整理和检索

技术栈：

OpenClaw：AI Agent 框架
PARA：知识库组织方法
OSS + 向量库：存储方案
DeepSeek API：大模型

整体不算太复杂，有点技术基础的话，一个周末能搞定。

后续想做的事：

加上语音交互（微信发语音也能识别）
接入更多工具（日历、提醒）
多用户支持（给家里其他人也开账号）

Fanzhh's Blog

用 OpenClaw + PARA 搭建个人数字知识助理

用 OpenClaw + PARA 搭建个人数字知识助理

一、为什么需要数字知识助理？

二、整体架构

三、PARA 知识管理方法

3.1 PARA 是什么？

3.2 目录结构

3.3 AI 检索优先级

四、硬件准备

4.1 VPS 配置

4.2 内存分配

五、VPS 环境搭建

5.1 基础配置

5.2 装 Docker

六、部署 OpenClaw

6.1 拉取代码

6.2 配置文件

6.3 环境变量

6.4 Docker Compose

6.5 启动

七、接入微信

7.1 创建企业微信

7.2 获取凭证

7.3 关联个人微信

八、存储方案

8.1 为什么需要两套存储？

8.2 OSS 配置

8.3 向量库选择

九、知识库接入 OpenClaw

9.1 创建检索工具

9.2 系统提示词

十、使用场景

10.1 论文相关

10.2 实习工作

10.3 面试准备

十一、成本估算

十二、总结

相关链接