最近我分别在飞书和自己的本地电脑上配置并使用了 OpenClaw，用它来设计、创建和分析 PickFu 问卷。

第一次配置时，最容易混淆的是：飞书 bot、OpenClaw、Gateway、PickFu MCP、CLI、Skill 到底分别负责什么。这篇文章会按我实际跑通的流程整理成教程，方便想用 OpenClaw 做 PickFu 问卷的用户参考。

这篇文章分两部分：

PickFu 可以通过 MCP、CLI 和 Skill 与 OpenClaw 配合使用。

MCP适合自然语言调用 PickFu 工具，比如创建 survey、查看结果、分析反馈。

CLI适合命令行和脚本化操作，比如创建 survey、读取 survey 结果、上传素材等。

Skill的作用是告诉 OpenClaw：在什么场景下应该使用 PickFu、创建问卷前要问哪些问题、发布前要确认什么、结果出来后怎么分析。

我的建议是：如果你希望流程更稳定，可以把 MCP、CLI 和 Skill 一起配置好。MCP 负责工具调用，CLI 作为稳定的命令行能力，Skill 负责把 PickFu 的问卷流程标准化。

首先需要在飞书开放平台创建一个可以对话的智能体。

大致流程是：进入飞书开放平台：

https://openclaw.feishu.cn/home

新建创建智能体。

自定义创建基础信息，比如：

智能体创建完成后，给 bot 发送消息即可。

飞书 bot 能正常回复后，就可以开始配置 PickFu。

我建议直接把下面这段话发给bot：

帮我创建和分析 PickFu survey。 请参考这两个文档： https://www.pickfu.com/docs/developers/openclaw https://clawhub.ai/justinchen/pickfu-market-research 请帮我完成三件事： 1. 配置 PickFu MCP server 2. 检查或安装 PickFu CLI，并完成认证 3. 安装或检查 PickFu Market Research Skill 配置完成后，请用一个简单的 survey draft 测试完整链路。 发布 survey 前必须先让我确认。

帮我创建和分析 PickFu survey。

PickFu MCP 的配置命令通常是：

openclaw mcp set pickfu '{"url":"https://mcp.pickfu.com/mcp"}'

PickFu CLI 支持 OAuth 登录，也支持 API key。对飞书 bot 这种长期使用场景来说，如果经常遇到登录状态丢失，可以考虑使用 API key。

这是配置完成，链路测试成功后的截图：

只接入 MCP 或 CLI 还不够。真正提高效率的是 Skill。

Skill 的作用不是“多装一个插件”，而是告诉 OpenClaw：什么时候应该用 PickFu、创建问卷前要问哪些问题、发布前要确认什么、结果出来后怎么分析。

PickFu Skill，会让 agent 知道：

常见 sample size 包括：

15、30、50、75、100、200、300、500

如果只是测试链路，建议先用 15 或 30；如果是正式决策，再根据预算和重要程度提高样本量。

这是一个很重要的实践经验。

PickFu survey 一旦发布，就会开始收集真实用户反馈，通常也意味着会产生费用。所以我建议给 OpenClaw 加一条明确规则：

创建 PickFu survey 时，先生成 draft。 在发布之前，必须展示 survey name、question、options、targeting、sample size 和预计用途，并等待我确认。 没有明确确认，不要 publish。

这样可以避免 agent 理解错需求后直接发布。

配置完成后，不要马上做复杂问卷。先跑一个最简单的 A/B 测试。

可以这样对飞书 bot 说：

请帮我创建一个 PickFu survey draft，不要发布。 目标：测试哪个产品标题更适合美国普通消费者。 Question type：head_to_head问题：Which title is more appealing for this product? 选项 A：Title A 选项 B：Title B 国家：US 样本量：15 发布前请先给我确认。

这个测试可以验证：

如果这个小测试跑通，后面再创建正式问卷会顺很多。

飞书对话里常见的问题是：聊着聊着，上下文不完整了，agent 又开始问已经确认过的信息。

这不一定是“token 用完”。更准确地说，可能是对话超过 model 的 context window、上下文被压缩或截断，或者切换 model / session 后，agent 拿不到之前完整的信息。

我的建议是，把长期规则写进 OpenClaw workspace 中 agent 能读取的说明文件里，比如：

或者你自己维护的项目说明文档

可以写这些内容：

当前 workspace 主要用于 PickFu survey 创建和分析。 遇到 PickFu 任务时： 1. 优先检查 PickFu MCP 是否可用 2. 再检查 PickFu CLI 认证状态 3. 使用 PickFu Skill 组织 survey 流程 4. 创建 survey 前必须确认 question、options、targeting、sample size 5. 发布 survey 前必须让用户确认 6. 不要把 API key 写入聊天回复或公开 Markdown 文件 7. 如果上下文不完整，先读取 workspace 说明文件

这不能保证模型永远不忘，但可以显著减少重复解释。

可以把你的PickFu问卷链接发给飞书 bot，让它帮你总结用户偏好、主要选择理由、反对意见和可优化方向。

更进一步，也可以让 bot 基于分析结果生成新的产品图片方案，比如调整包装颜色、主图构图、卖点文案或使用场景图。

可以这样说：“分析这份问卷，并根据反馈，总结用户最在意的购买因素，并生成2个新的产品主图方向。”

我是在 Windows 上安装 OpenClaw 的。实际体验是：Windows 原生环境可以尝试，但更容易遇到路径、权限、依赖、端口和后台服务问题。

如果是长期使用，更建议 Windows 用户优先考虑 WSL2。OpenClaw 官方也说明，WSL2 是更稳定的路径，CLI、Gateway 和相关工具在 Linux 环境里兼容性更好。

安装后先检查 OpenClaw 本身是否正常。这部分就不展开讲，官方文档和社区教程已经比较多，也可以让 Codex 或 Claude Code 直接安装。

本地配置PickFu的逻辑和飞书场景类似，不需要重复太多：

MCP：按前面的命令配置 https://mcp.pickfu.com/mcp

CLI：安装在运行 OpenClaw 的本机或 WSL2 环境里，并完成认证

Skill：安装或检查 PickFu Market Research Skill

这里最容易出错的是环境不一致。比如你在 PowerShell 里安装了 CLI，但 Gateway 实际跑在 WSL2；或者终端里能读到 API key，但 Gateway 后台服务读不到。

如果本地 CLI 能用，但 OpenClaw 调用失败，优先检查 PATH、环境变量、Gateway 启动环境和当前 workspace。

本地配置完成后，也建议先创建 draft 测试。如果要用图片或视频作为选项，建议先确认素材格式。PickFu 支持 text、media URL、ASIN、image set、mockup 等选项格式，但同一道题里的选项格式要保持一致。

如果图片在本地，建议先通过 PickFu CLI 上传并拿到 URL。具体命令参数以pickfu media upload –help为准。拿到 URL 后再放进 survey，会比让 agent 直接猜本地文件路径更稳定。

优先检查：

解决方法：

重点检查：

总的来说，用 OpenClaw 做 PickFu 问卷最大的好处是把“问卷设计、创建、发布前检查、结果读取和分析”串成了一条自动化流程。

过去需要自己反复整理问题、设置选项、切换平台、导出结果再分析，现在可以直接通过飞书 bot 或本地 OpenClaw 用自然语言完成大部分操作。

尤其是配合PickFu的MCP、CLI 和 Skill 之后，agent 不只是执行命令，还能按照固定流程帮你补齐问卷信息、避免漏填关键字段，并把用户反馈转化成下一轮产品优化建议。

如果你是小白，只是想用 PickFu 创建和分析问卷，优先使用飞书智能体就好，操作路径更简单。本地 OpenClaw 更适合有一定技术基础、愿意处理环境变量、Gateway、WSL2、CLI 和日志排查的用户。

在使用PickFu + AI过程中有任何问题都欢迎交流！更多连接PickFu AI的方式在这里查看：