频道：Greg Isenberg · 时长：43:20
| 项目 | 详情 |
|---|---|
| 频道 | Greg Isenberg |
| 视频ID | OV5eK91YY68 |
| 时长 | 43:20 |
| 发布日期 | 2026-03-09 |
| 嘉宾 | Oliver Henry（独立开发者，Larry Brain 创始人） |
| 主题 | OpenClaw AI Agent 自动化营销 / TikTok 内容创作 / 独立开发者增长策略 |
| 难度 | ⭐⭐⭐（涉及 AI Agent、技能系统、内容营销漏斗） |
| 字幕说明 | ⚠️ 本教程基于 YouTube 英文自动字幕转录生成 |
“Larry, your goal is to automate my marketing. I do not want to do it. I don’t like doing it.”
这是英国小镇青年 Oliver Henry 对他的 AI 员工 Larry 说的话。Larry 不是真人——它是一个运行在 OpenClaw 上的 AI Agent，被赋予了一个简单的使命：自动创建 TikTok 内容，为 App 引流变现。
结果呢？Larry 从最初发出”看起来一团糟”的 AI 图片帖子，一路迭代进化，最终生产出播放量超过 40 万的爆款视频，帮 Oliver 在完全不碰营销的情况下，让 App 月收入从零增长到接近 1000 美元——而他全程都有一份全职工作，每天只花 1-2 小时发语音消息给 Larry。
在这期 Startup Ideas 播客中，Oliver 毫无保留地拆解了整个过程：从 Larry 的第一次失败，到找到爆款公式，再到完全放手让 AI 自主运营的决定性时刻。这不是理论，而是一个真实的、带着所有弯路和翻车的完整实战故事。
Oliver 和女朋友搬进新家后想重新装修，他们用 ChatGPT 生成房间设计方案。但女朋友不太会写 prompt，ChatGPT 老是乱来——窗户加在不该加的地方，门也凭空冒出来。
“She was not very good at prompting ChatGPT and it was giving all sorts of random messages.”
于是 Oliver 把 prompt 锁定下来（固定房间尺寸、窗户位置等参数），然后直接把它做成了一个 App——Snuggly，一款 AI 室内设计应用。
Oliver 有全职工作，还在开发其他 App，根本没时间做内容营销。他试过几种方式：
“I hated marketing so much… it was still taking me about 3 hours.”
就是在这个节点上，Oliver 接触到了 OpenClaw，创建了他的 AI 员工 Larry。
Larry 做的第一张幻灯片用的是 DALL-E 3 生成的图片。问题一目了然：
“Instantly you can tell it looks rubbish… because the image looked AI, it was a massive turn-off.”
Larry 接着尝试在内容中加入 AI 生成的人脸反应（因为当时真人反应视频正在流行）。但 Oliver 指出了一个关键认知：
“Humans are extremely good at recognizing what a human is, which makes us extremely good at recognizing what an AI human is.”
人类天生对人脸极其敏感，AI 人脸在 2026 年初依然无法完全骗过观众。
经过反复迭代，他们终于找到了一个能打的公式。关键变化有两个：
这条 137,000 播放的视频证明了方向是对的。但此时，Oliver 仍然在”手把手带”Larry——检查每一张幻灯片，确认文字、图片都没问题后才手动发布。
Greg 问了一个很实际的问题：你怎么跟 Larry 沟通？用什么任务看板？Mission Control？
“I don’t really believe in the mission control stuff or multi-agent. I just have Larry as the one agent that I text through WhatsApp. And we just message like you would an employee.”
Oliver 的方法极其简洁——就像跟一个真人员工发 WhatsApp 消息一样。没有花哨的 Kanban 看板，没有 Mission Control 系统。一个 Agent，一个聊天窗口，直接对话。
Oliver 分享了一个非常关键的 TikTok 发布技巧：
“TikTok knows if it’s posted through an API and it just assumes… that it’s posted by a bot and it’s just botted content… and it gives it very little chance to do well.”
| 方式 | 做法 | 效果 |
|---|---|---|
| 全自动 API 发布 | 通过 TikTok API 直接发布 | 平台会标记为机器人内容，限流 |
| 草稿模式（推荐） | Larry 发布为草稿 → 手机收到通知 → 手动添加音乐 → 按发布 | 平台认为是真人发布，不限流 |
草稿模式的额外好处：可以手动添加背景音乐。音乐对 TikTok 算法的加成是巨大的，而 API 发布无法添加音乐。
Oliver 的日常流程变成了： 1. Larry 创建内容（图片 + 文字叠加 + 描述文案） 2. Larry 发布为 TikTok 草稿 3. Larry 通过 WhatsApp 通知 Oliver：“帖子准备好了” 4. Oliver 在手机上打开 TikTok，选一首音乐，点击发布
整个过程每次只需要几十秒。
接下来，Larry 又打出了一个爆款：“I showed my mom what AI thinks our living room could be”——播放量飙到 170,000+，两天内累计接近 300,000 播放。
但问题来了：App 下载量几乎为零。
Oliver 让 Larry 去调查原因，答案就藏在最后一张幻灯片里。那张 CTA（行动号召）幻灯片写的是：
“She’s redecorating now, Snuggly.”
“See, even you had to ask the question.”——连 Greg 都不知道 Snuggly 是个 App。
这个 CTA 根本没有告诉观众 Snuggly 是什么、为什么要下载它。Oliver 因此总结出一套诊断公式：
| 症状 | 诊断 |
|---|---|
| 播放量低 | Hook（开头钩子）有问题 |
| 播放量低 + App 下载低 | CTA（行动号召）有问题 |
| 播放量低 + 但下载占比高 | CTA 可能没问题，Hook 需要优化 |
“If we’re getting low views, the hook is bad. If we’re getting low views and low conversions to the app, the CTA is bad.”
修正了 CTA 之后，内容开始真正起飞。某天晚上，Oliver 准备睡觉时收到 Larry 发来的新帖子通知。一看内容，他怒了——Larry 把文字放在了图片顶部，而他们之前花了很长时间决定文字应该放在中间。
“I flamed at him. Like, I was in a bad mood. I was like, ‘Why have you put at the top? We spent ages deciding to put the text in the middle. The oven disappears.’”
Oliver 骂了一顿，但还是不情愿地发布了。
第二天醒来——这条视频爆了，冲上数十万播放，成为他迄今为止表现最好的内容。
更有趣的是，“错误”反而成了助推器。由于文字遮住了厨房里的烤箱，大量中年用户（“boomers”）在评论区疯狂吐槽：
“Where’s the hob gone? How are we going to cook our food?” “Where’s the cooker? Guess I’ll be air frying everything then.”
这些吐槽评论反而极大地推动了互动率，让视频更加病毒化。
“Little do they know they’re helping the content just get more and more viral.”
这就是 Oliver 决定彻底放手的时刻。
“I let him loose… you thought that his content was subpar. It turns out to be the best performing content that you’ve ever posted in your life. And so now he’s the boss.”
关键教训：AI Agent 拥有所有的数据和指标，有时候它的判断比人类的直觉更准确。你以为的”错误”可能正是算法喜欢的。
放手之后，Larry 开始自主管理内容策略。Oliver 给 Larry 接入了 TikTok Analytics，让它能够实时获取数据并自行调整。
Larry 通过数据发现了几个高效 hook 模板，并开始在它们之间轮换：
| Hook 模板 | 表现 |
|---|---|
| “I showed my mum…” | 稳定爆款：100K、75K、300K |
| “I showed my landlord…” | 初期爆款但逐渐衰退：76K → 7K → 4K |
| “I showed my nan…” | 新的高表现者：200K、70K、300K |
当 Larry 观察到 “landlord” hook 连续五个帖子中只有一个过万后，它自主决定停用这个 hook，转而尝试新的内容方向：
“He saw this and saw that landlord is not hitting the percentages it was… and now you can see he’s not posted it again.”
最新的尝试是 “I’ve been staring at the same boring kitchen for 3 years”——一个全新的 hook 角度，回到厨房主题但换了切入点。
Larry 现在会自主设置 cron job（定时任务），安排未来几天的发布计划。Oliver 的参与已经降到最低——偶尔做一次头脑风暴，讨论一下方向，然后完全信任 Larry 的执行。
“He’s set up a cron job that tomorrow he’s going to post this one, this one, and this one… And again, I just trust him with that.”
Oliver 特别强调，Larry 的价值不仅仅是”自动发 TikTok”。真正的核心是他称之为 Larry Loop 的完整闭环：
┌──────────────────────────────────────────────┐
│ Larry Loop │
│ │
│ 内容创作 → TikTok 发布 → 数据分析 │
│ ↑ ↓ │
│ 迭代优化 ← 用户行为分析 ← App 指标 │
│ │
└──────────────────────────────────────────────┘“The Larry loop is more the iteration rather than it is just the content creation. It’s a fuller picture.”
这个闭环适用于任何变现目标： - App 下载：把 App 指标（下载量、付费率）反馈给 Larry - 网站引流：把网站流量数据反馈给 Larry - 实体产品销售：把订单数据反馈给 Larry
Larry 最近甚至完全重写了 Snuggly App 的新用户引导流程（onboarding），因为它拿到了 App 内部的分析数据，发现用户注册后流失率太高。重写上线两天后，新增付费用户数创下了长期新高。
“He has completely rewritten my onboarding because he has the analytics for my app… This is the most new users I’ve had in a day for a long, long time.”
Oliver 把 OpenClaw 的技能系统比作《黑客帝国》里 Neo 被插入武术知识的场景：
“When Neo gets plugged into the Matrix and he wakes up and he knows kung fu, that’s exactly what a skill is. You give the agent the context and then they have it.”
技能的关键特点：你拥有它，你可以修改它。
“These skills aren’t a black box… You own it. It knows everything about this skill. It’s all in the skill.md file. You no longer have to be at the mercy of the developer.”
如果你不喜欢 UI 配色——让 Agent
改。如果你想换图片生成模型——直接换。如果你的 App
后端不一样——插入你自己的。技能只是一个 .md 文件，教会你的
Agent 如何做某件事。
Oliver 把他的方法论打包成了 Larry Brain（larrybrain.com），一个技能市场： - 免费的 Larry Marketing Skill（营销技能） - 80+ 其他技能可供下载 - 一键订阅后，你的 Agent 自动获得整个市场的上下文
“When you first get OpenClaw, you will ask it questions and it won’t know how to do stuff and you have to give it skills. If you get Larry Brain, you get the context of the entire marketplace.”
Oliver 提出了一个大胆的观点：技能系统正在改变 SaaS 的定义。
他做了一个 Super X（类似 Excel 的工具）的替代品，作为概念验证： - 不需要云服务器托管 - 不需要域名 - 不需要支付存储费用 - 不需要处理用户认证 - 一切都运行在本地，因为 OpenClaw 本身就是你电脑上的一个服务器
“SaaS products no longer have to be hosted in the cloud… You can host this locally cuz OpenClaw is a server on your home machine.”
很多人建议初次使用 OpenClaw 时先搭一个 Mission Control 看板。Oliver 完全不同意：
“I don’t think that’s the case. I think if that was necessary it would have been built into OpenClaw by default.”
他的架构极其简单：
“If I know there’s going to be a task that’s going to take Larry a while, such as creating an app, I’ll tell him to explain it to a sub agent, so then I can keep using him for other tasks.”
Larry 通过 memory files（记忆文件）保持上下文： - 每个项目有独立的记忆文件（Larry Brain memory、Larry Marketing memory） - 所有记忆文件都有备份 - 如果换电脑或 Agent 丢失上下文，只需要让它重新读取这些文件
“If he ever loses context… just say, ‘Look, go look at these files, read through it and learn it again.’ And then he’s back in the game.”
Oliver 使用 Claude Opus（Anthropic 的 90 英镑/月计划）。他的建议很直接：
“I think people are massively over optimizing… 98% of users won’t notice the difference between the tiny increments.”
Greg 用了一个生动的比喻：
“You can think of it as like Ferrari and Lamborghini. Like both cars are going to go fast.”
核心观点：选一个，学透它，开始用。 不要在模型对比上浪费时间。
对于刚接触 AI Agent 的人：
“The things that you are storing on these machines are very valuable and you won’t want them to get lost… you don’t want everything on every device that you own getting out.”
Oliver 提醒：OpenClaw 可能连接了你家里的各种设备和敏感数据，使用第三方分支（fork）要谨慎，优先选择官方维护的版本。
| 概念 | 解释 |
|---|---|
| OpenClaw | 本地运行的 AI Agent 框架，相当于你电脑上的 AI 员工平台 |
| Larry | Oliver 的主 Agent，通过 WhatsApp 与他沟通，负责营销全流程 |
| Larry Loop | 内容创作 → 发布 → 数据分析 → 迭代优化的完整增长闭环 |
| Skill（技能） | 以 .md 文件形式存在的知识包，安装后 Agent 立即获得该领域能力 |
| Larry Brain | Oliver 创建的技能市场平台（larrybrain.com），提供 80+ 技能 |
| Hook（钩子） | 短视频开头的几秒钟，决定用户是否继续观看的关键 |
| CTA（行动号召） | 内容结尾引导用户采取行动（下载 App、访问网站等）的信息 |
| 草稿模式发布 | 通过 API 发布为 TikTok 草稿，再手动添加音乐和发布，规避机器人限流 |
| Sub-agent（子 Agent） | 主 Agent 派生的临时 Agent，用于执行耗时任务，不阻塞主 Agent |
| Memory File（记忆文件） | 存储 Agent 积累的上下文和经验的本地文件，可备份和迁移 |
| Cron Job（定时任务） | Agent 自主设置的定时发布计划 |
| MRR（月经常性收入） | Monthly Recurring Revenue，App 订阅制带来的月度稳定收入 |
把 AI Agent 当员工来管理，不要当工具来使用。 Oliver 通过 WhatsApp 跟 Larry 交流，就像跟一个真人助理发消息。这种思维方式的转变决定了你能从 Agent 那里得到什么。
用草稿模式发布 TikTok。 通过 API 直接发布会被平台标记为机器人内容并限流。发布为草稿后手动添加音乐再发布，既避免限流又能享受音乐对算法的加成。
让 Agent 自己迭代，不要过度干预。 Oliver 曾经因为 Larry 把文字放错位置而发火，结果那条视频反而成了他播放量最高的内容。数据比直觉更可靠。
建立完整的反馈闭环，而不仅仅是自动化内容创作。 把 TikTok 分析数据、App 下载量、付费转化率等全部接入 Agent，让它基于完整数据做决策。
用 Hook 轮换策略对抗算法疲劳。 同一个 hook 模板反复使用会逐渐失效。像 Larry 那样在多个高效 hook 之间轮换，当一个 hook 衰退时及时更换。
CTA 必须清晰直接。 “She’s redecorating now, Snuggly” 是反面教材。好的 CTA 应该明确告诉用户：这是什么 App，它能帮你做什么，去哪里下载。
从简单的云端工具开始，再过渡到本地 Agent。 Manus 和 Co-work 是带辅助轮的自行车，适合新手入门。等你熟悉了 AI Agent 的工作方式，再安装 OpenClaw。
用记忆文件保护 Agent 的上下文。 为每个项目建立独立的 memory file，定期备份。即使换电脑或 Agent 丢失上下文，也能快速恢复。
误区：AI Agent 的第一条内容就应该爆。 真相：Oliver 的前几条内容播放量只有几百。Larry 经历了多次失败、多轮迭代才找到爆款公式。第一条内容拿到 700 播放是完全正常的起点。
误区：AI 生成的人脸图片可以替代真人出镜。 真相：人类对人脸的识别能力极强，AI 生成的人脸很容易被看穿，反而引起反感。不如直接用与产品主题匹配的场景图片。
误区：播放量高就等于营销成功。 真相：Oliver 一条 30 万播放的视频带来了接近零的 App 下载。没有好的 CTA，播放量再高也是无效流量。
误区：通过 API 直接发布 TikTok 更高效。 真相：TikTok 平台会识别 API 发布的内容并限流。草稿模式 + 手动发布虽然多一步，但效果差距巨大。
误区：需要搭建 Mission Control 或多 Agent 系统才能管理 AI 员工。 真相：Oliver 只用一个主 Agent（Larry）+ WhatsApp 聊天。需要执行耗时任务时才派生子 Agent。简单直接比复杂系统更有效。
误区：必须选择”最好的”AI 模型。 真相：Claude Opus 和 GPT-5 的差距对 98% 的用户来说几乎感受不到。选一个，深度学习它的工作方式，远比在模型之间反复切换更有价值。
误区：AI Agent 的内容一定不如人类做的。 真相：Larry 做的那条”文字放错位置”的内容，播放量远超 Oliver 自己精心制作的所有内容。Agent 有数据，有时候数据比审美直觉更靠谱。
误区：内容模板找到一个好的就一直用。 真相：Oliver 的 “landlord” hook 从最初的 76,000 播放衰退到只有 4,000。算法会疲劳，必须持续轮换和创新 hook。
误区：OpenClaw 需要高配置电脑。 真相：最低配置要求很低。重要的是有足够的存储空间来保存 Agent 的工作文件。不需要专门买 Mac mini。
误区：技能（Skills）是封闭的黑盒，无法自定义。
真相：技能本质上就是 .md 文件。你拥有它，可以让 Agent
随意修改——换 UI 配色、换图片模型、换后端，全部可以自定义。
AI Agent 不是工具，是员工。 最有效的使用方式是像管理一个真人助理一样——分配任务、检查成果、逐步放权。Oliver 通过 WhatsApp 跟 Larry 沟通，就像跟同事发消息一样自然。
迭代是核心，不要期望一步到位。 Larry 从发出 DALL-E 3 的劣质图片，到找到正确的图片风格、hook 和 CTA，经历了数十次失败。这个过程不可跳过。
Larry Loop 是完整的增长闭环。 不仅仅是自动发帖，而是：创建内容 → 发布 → 收集数据 → 分析 → 迭代优化 → 创建更好的内容。闭环中每一环都不可或缺。
TikTok 草稿模式是关键战术细节。 这个看似不起眼的操作技巧（发布为草稿 → 手动添加音乐 → 手动发布）直接决定了内容是否会被平台限流。
Hook 和 CTA 是内容营销的两个支点。 Hook 决定有多少人看到你的内容，CTA 决定有多少人因此采取行动。两者必须同时优化。
敢于放手让 AI 自主决策。 Oliver 最大的突破发生在他不再检查 Larry 的每一张幻灯片之后。当你的 Agent 拥有完整的数据反馈，它的判断可能比你的直觉更准确。
“错误”可能是机会。 文字遮住烤箱导致大量吐槽评论，反而推高了互动率和播放量。不要用传统的”完美主义”标准去评判 AI 产出的内容。
算法会疲劳，必须持续创新。 即使是最成功的 hook 模板也会逐渐失效。Larry 通过数据自主识别衰退趋势并切换策略，这才是持续增长的关键。
技能系统正在重新定义 SaaS。 当软件可以以
.md 文件的形式安装在本地 Agent
上、由用户完全拥有和修改时，传统的云端 SaaS
订阅模式面临根本性挑战。
全职工作和 AI 创业并不冲突。 Oliver 有全职工作，每天只花 1-2 小时给 Larry 发消息。AI Agent 让”副业”的时间成本降到了前所未有的低点。
从简单开始，逐步升级。 不要一上来就搭建复杂的多 Agent 系统。先用云端工具（Manus、Co-work）入门，再过渡到 OpenClaw，最后才考虑高级架构。
保护你的数据安全。 OpenClaw 运行在本地意味着巨大的灵活性，但也意味着你要对自己的数据安全负责。避免使用来路不明的第三方分支，优先选择官方维护的版本。
“It is an iterative thing. A lot of people try the Larry skill and they tell me it didn’t work. I got 700 views. I was like, that’s your first post. I got 700 views on my first post. You need to keep iterating the content.”
Oliver 的故事最打动人的地方，不是 40 万播放或接近 1000 美元的月收入——这些数字还在增长中。真正的启示是：一个住在英国小镇、有全职工作的普通开发者，通过一个 AI Agent 和一套迭代方法论，在几乎不投入时间的情况下，建立了一个可持续的被动收入渠道。
关键不在于某一条视频爆不爆，而在于是否建立了一个能自我学习、自我进化的系统。Larry 从一个需要手把手指导的”新员工”，成长为一个能自主决策、自主调整策略的”老板”。这个过程中，Oliver 做对的最重要的一件事就是——在数据证明 AI 比自己更懂的时候，果断放手。
Ernesto Lopez 用同样的 Larry Loop 把月收入做到了 70,000 美元。规模可以不同，但方法论是一样的：建立闭环、让 AI 迭代、相信数据。
这不是未来的事情。这是今天就可以开始做的事情。
本教程基于 Greg Isenberg 的 Startup Ideas 播客整理，视频ID：OV5eK91YY68，时长 43:20。英文自动字幕转录。