返回作品列表

OpenClaw

三层 Agent 架构

我每天在用的个人 AI 操作系统——自配 Skills 覆盖 7 大场景,Minimax 驱动的 Nova 处理日常事务,HealthBot 跑健身计划,Claude Code 处理战略与代码。从 AI 工具使用者到工具链构建者的实际工程实践。

类型
个人 AI 基建
周期
2026.04 — 至今(持续迭代)
团队
独立设计与运维
成果
每日在用 · 自 2026.04 起持续迭代
技术栈
OpenClaw + Claude Code + MiniMax M2 + Cron / Webhook / 微信推送
我的角色
架构师Prompt 工程师运维重度用户
一、

项目背景(Why)——一人创业的运维炸裂

问题

事务密度 vs 决策密度,错配

作为一人公司运营者,我每天面临两类完全不同的工作:

  • 高密度低复杂度事务:记健身数据、跟进社媒数据、整理待办、推送提醒——量大但单条都不需要 Opus 级别的推理
  • 低密度高复杂度决策:战略判断、内容创作、求职策略、复杂代码——量少但每一次都需要最强模型
用同一个 Opus 跑两边代价巨大:成本爆炸 + 响应延迟。需要分层架构,让贵 token 只处理真正贵的决策。
目标

一套日常自动运转的 AI 操作系统

设计原则:便宜 token 跑事务、贵 token 做决策、它们之间靠文件队列串联。

二、

系统架构(What)——三层 Agent

Tier 1

Nova(秘书 / 前台)— 便宜 token

维度配置
底层模型MiniMax M2.7
角色定位秘书、前台、调度员
职责范围记录健身数据、日程提醒、简单查询、收集复杂指令
升级机制遇到复杂任务时,写入 inbox/ 文件夹交给上层
触发方式定时 cron + 微信推送 + 主动查询
Tier 2

HealthBot(垂直域 Agent)

  • 专门跑健身计划:训练日清单、饮食提醒、补剂时间
  • 每天定时通过 WeChat Channel 推送提醒到我手机
  • 数据写回 vault/Health/,由 Nova 汇总周报
Tier 3

Claude Code(CEO / COO)— 贵 token

维度配置
底层模型Claude Opus 4.7(1M 上下文)
角色定位战略决策、内容创作、复杂任务
职责范围求职策略、产品决策、代码开发、数据分析
调度方式定时扫描 inbox/、处理后结果写入 outbox/,下发任务到 agent-tasks/
重要文件CLAUDE.md(系统全局指令)、IDENTITY.md(人设)、TOOLS.md(工具清单)

三层数据流

Nova(事件触发) ↓ 简单事务自处理 / 复杂任务写 inbox/ Claude Code(定时扫描 inbox/) ↓ 决策 / 创作 / 写 outbox/ + 分配 agent-tasks/ 执行 Agent(小红书 / 抖音 / 视频) ↓ 跑完写 logs/
三、

7 大场景演化(How)

系统的 104 个 Skill 服务于 7 大场景,由日常使用倒推迭代:

场景代表 Skill 类型举例
1. 内容运营小红书 / 抖音 / 朋友圈写作选题灵感、文案润色、封面设计指令
2. 健康管理训练 / 饮食 / 体重训练日提醒、饮食偏差自动干预
3. 求职助攻简历 / JD 分析 / 投递追踪JD 关键词提取、定制 Cover Letter 草稿
4. 财务自动化记账 / 报销 / 月报支付截图自动归档
5. 学习路径AI 工具评测 / 课程消化深度学习记录、AI 工具新版本评测
6. 自动化编排Cron / Webhook / n8n定时数据采集、跨平台 webhook 串联
7. 监控告警社媒数据 / 系统监控数据异常推送、关键指标日报
设计原则

为什么是 OpenClaw 而不是 LangChain

OpenClaw 的优势是面向个人重度使用者的轻量级 Skill 系统——单文件即一个 Skill、可热更新、跨场景互通。 相比 LangChain 适合开发者构建 SaaS 产品,OpenClaw 更适合「自己用、自己改、每天迭代」的个人 ops 场景。

四、

Tech · 104 Skills 工程化

架构亮点

双 Mac Syncthing 同步 + 跨设备 Memory

  • 双 Mac 同步:Mac Mini(主开发)+ MBP(移动),通过 Syncthing 双向同步 4 个核心文件夹(vault/、mem/、inbox/、outbox/),无论在哪台机器都能继续工作
  • 跨设备 Memory:claude-mem 插件 + Gemini provider,让 Claude Code 在两台机器上共享长期记忆
  • Vault as Source of Truth:所有项目知识 / 计划 / 偏好都写到 Obsidian vault,Agent 系统消费 vault 内容,单一信息源避免冲突
工程细节

Skill 设计模式

维度实践
命名动词起手(如 generate-xhs-post、analyze-jd-match)
参数用 Markdown 写自然语言契约,避免 schema 锁死
复用把通用工具(如「写朋友圈」)封装成可被多场景调用的 Skill
权限每个 Skill 声明所需的文件读写范围,避免越权
热更新改完保存即生效,不需要重启 Agent
五、

实际效果

每日运转的实际效果

  • Nova 承担大部分日常事务的接发与归档,让我可以专注于决策性工作
  • Claude Code 每天处理战略 / 复杂代码任务,从「想到」到「做完」的延迟显著缩短
  • HealthBot 接管健身打卡 + 饮食 / 训练提醒,达成率明显高于此前手动记录的阶段
  • 求职投递自动化:JD → 定制 Cover Letter 草稿的产出时间,从原先手写 30+ 分钟降到分钟级

关键里程碑

  • 2026-04-14 · Agent V2 部署完成(Nova + HealthBot + Claude Code)
  • 2026-05-02 · 双 Mac Syncthing 同步上线,跨设备连贯工作流跑通
  • 2026-05-21 · 健身教练脱离后,GPT 副驾 + Nova + CC 三层接管,铁馆现场识别工作流上线
六、

反思与收获

核心收获

每天运维这套系统,让我对 AI Agent 的认知从「调 prompt 让它干活」转向「设计层级、设计数据流、设计失败恢复」。 Agent 系统真正的难点很少在模型本身,而是在不同模型怎么协同、人在哪里介入、错了怎么恢复、贵 token 什么时候出场这些工程问题。 这是「AI 工具使用者」和「AI 工具链构建者」之间最大的差距。

对 AI PM 求职的意义

  • 从「用 AI」到「设计 AI 系统」:这个项目让我能在面试中具体展示 AI PM 思维——分层、调度、Trade-off,而不是空谈
  • 真实场景驱动:每一个 Skill 都来自我自己每天的痛点,不是想象出来的 demo
  • 多模型协同的实战:横评 6 大主流模型并把它们真的部署到不同 Tier 上跑活,而不是只在 benchmark 上对比
返回所有作品