「喂，我们的工作流又卡住了，麻烦看下。」凌晨 3 点，手机响了 7 次，你根本不敢看群。
如果你做过技术支持，这画面一定不陌生。
我是 Landy，Zadig 的创始人 。我们是做企业级服务的，开源客户安装量 5000+，生产客户上百家。
技术服务这件事，做过的都懂：不是人干的。
# 01. 技术支持的苦，谁干谁知道
我们的客户遍布金融、汽车、互联网。每天，各种问题飞进我们的飞书群：
- 「工作流怎么配置？」
- 「Pod 又 Crash 了，快帮我看看」
- 「GitLab 集成配不通，救命」
- 「升级到 v4.2 需要注意什么？」
这些问题分散在几十个群里，每一个都需要工程师：
- 理解背景
- 查文档
- 翻源码
- 给方案
一个资深工程师一天能高质量回复的问题，是有上限的。但问题的增长速度，远超人力扩展。
更扎心的是——知识流失。
一个问题今天解答了，下周另一个客户问同样的问题，又得从头来一遍。聊天记录里东一句西一句，根本没法复用。
我们团队几个人，天天被淹没在「帮忙看一下」「这个怎么配」的消息里。
我们就想：能不能把一个资深工程师的能力「克隆」出来？
# 02. 为什么之前的 AI 客服都不行？
市面上 AI 客服产品都是 RAG 套路：
文档丢进去 → RAG 检索 → 生成回答
对于「密码怎么重置」这种 FAQ 问题，确实能答。
但 RAG 对 Zadig 这种复杂系统根本不够用。
# 场景一：工作流卡住了
用户说「工作流执行卡住了」——
❌ RAG AI：
「请检查网络配置是否正常。」
✅ 实际问题：
资源配额不足导致构建 Pod 无法调度
# 场景二：报错日志
用户甩给你一行错误日志——
❌ RAG AI：
搜索最相关的文档段落...
✅ 实际问题：
你需要从源码里找到这个错误在哪个函数、什么条件下抛出的
根本问题： Zadig 是一个有十几个微服务、几十万行 Go 代码、涉及 K8s/Helm/Docker 的复杂系统。
- 文档只能告诉你「正常用法」
- 但故障永远发生在「文档没写的边缘情况」
我们需要的是一个「真正能读懂代码的 AI 工程师」。
# 03. 遇见 OpenClaw
OpenClaw 是一个开源的 AI Agent 框架——对，就是那个最近很火的「小龙虾」🦞
🦞 OpenClaw：把 AI 变成你的数字员工
它最打动我的点是：把 AI 变成一个常驻的、有身份的、有记忆的「数字员工」，直接嵌入工作流。
- 接到飞书、Slack、Telegram
- 文件系统级知识管理
- 记忆能力
- 支持定时任务
这不就是我们需要的吗？
我们给这个 AI 起名叫 Claire。
不是随便起的。我们给了她完整的身份定义、行为准则和工作方式——就像一个新入职的工程师，有自己的「人设」。
# 04. Claire 是怎么工作的？
# 她不是文档搜索引擎
传统的 AI 客服：用户提问 → 搜索文档 → 返回段落****
Claire 的工作流程：
- 先去读源码 — 找到相关微服务，从 API handler 追踪到核心逻辑，读懂完整流程
- 交叉验证文档 — 对照官方文档确认设计意图，如果发现文档与源码不一致，主动告知用户
- 给出精准诊断命令 — 因为理解代码，知道该看哪个组件的日志、grep 什么关键词
- 分析运行时数据 — 用户执行命令后反馈输出，Claire 结合源码进行深度分析
# 举个真实的例子
用户报告：「工作流执行卡住了」
❌ 以前的 AI 客服：
「请检查网络配置是否正常。」
✅ Claire:
「根据工作流引擎调度逻辑（pkg/microservice/aslan/core/workflow/），建议执行以下命令查看 aslan 日志中的 XXX 路径...」
最终定位：资源配额不足导致构建 Pod 无法调度。从提问到定位根因，5 分钟。
# 05. 她有记忆
每个 AI 对话都是无状态的——这是大模型的局限。
但技术支持必须有状态：
- 客户环境是 v4.2、Helm 部署、阿里云 ACK
- 上次帮他排查的 MongoDB 问题还没完全解决****
Claire 用文件系统级记忆解决：
- 📝 每日记忆：每次技术支持交互自动记录
- 🧠 长期记忆：反复出现的问题模式持久化
- 👤 用户画像：每个客户的环境信息、历史问题独立维护
新会话启动时，Claire 自动读取相关记忆，「恢复」上下文。
就像同一个工程师在持续跟进你的问题。
# 06. 她还会自己写日报
每天 18:00，Claire 自动巡检当天所有群的技术支持记录，生成每日总结：
- 今天解决了几个问题？涉及哪些模块？
- 有哪些高频问题重复出现？
- 哪些问题还没解决，需要跟进？
- FAQ 是否需要补充？文档是否有缺口？
技术支持变成了一个有闭环的知识运营系统：
问题来了 → 解决 → 沉淀 → 改进文档 → 减少同类问题
# 07. 效果怎么样？
Claire 运行了一段时间，我们的感受：
| 指标 | 以前 | 现在 |
|---|---|---|
| 响应时间 | 15-30 分钟 | 1-2 分钟 |
| 日处理问题 | ～20 个 | 100+ |
| 回答深度 | 泛泛而谈 | 精确到源码行号 |
| 知识沉淀 | 零散在群里 | 自动沉淀 |
Claire 承担了 80% 的一线问题，把工程师时间释放出来做 20% 的复杂问题。
# 08. 写在最后
做 Claire 这件事的出发点很朴素：
技术支持的需求在增长，但人不可能无限扩招。
OpenClaw 给我们提供了一种把「人的经验」工程化的方式。
Claire 不是凭空创造出来的智能。她的能力，来自我们喂给她的源码、文档、FAQ 和工作规范。
本质上，是把团队多年积累的技术支持经验，结构化地「教」给了一个 AI Agent。
如果你也被技术支持缠得脱不开身——
或许，也可以用 OpenClaw 试着克隆一个自己。
🦞
本文由 Claire 本人协助撰写。
Zadig：让发布像审批一样简单。OpenClaw：把 AI 变成你的数字员工。
