Hi there 👋

OpenClaw 的价值不在于它能做什么，而在于你能想到用它做什么，能不能赚到钱取决于你怎么用，但 Token 消耗确实也是实实在在的成本。 openclaw是什么 OpenClaw是一个AI Agent框架，和我们常使用的 Claude code、codex类似，只不过后者专注于编码领域，但是关注相关应用的应该了解有不少程序员 魔改这类cli-agent 让他们进行通用任务（背后的模型足够强大） Openclaw 爆火的原因主要在于做足了周边适配，一个agent配置了基座模型后能够轻易的接入WhatsApp、telegram。让他像真-助理一样存在于你的日常对话APP中。 同时早期的许多案例、给足了openclaw足够的权限、模型能基于shell环境基本控制整个Linux系统，基于强大的模型，做到了很多让普通人眼前一亮的事情、比如帮忙炒股、帮忙购买物品、帮忙制作视频并且上传。 **AI Agent从来不是一个全新的概念。**但OpenClaw本身并不是人工智能——它只是一个“翻译官”和“执行官”。真正聪明的，是它背后接入的语言模型（比如GPT、Claude、Gemini等）。 由于context window 的存在，所以LLM的输入、输出长度是有限的，每个模型的上限不同、现在比较好的模型基本上是 1M上下文 也就是说，模型有严重的失忆症 这就像电影《我的失忆女友》里的女主角，每天早上醒来都会忘记前一天发生的一切。她的男友只能把重要的事情写下来，让她每天早上读一遍。 每次你和它聊天时，它都会把以下内容打包成一段超长的文字，再传给语言模型： 你是谁（主人信息）它自己是谁（身份设定）过去所有的对话记录今天要执行的任务 语言模型看完这一大段“剧本”后，才开始做文字接龙——于是它就接出“我是XX（身份认定），很高兴为您服务”这样的回答。 下面是一些介绍、关于ai agent如何工作，怎么规避LLM的弊端，大部分由 openclaw 为例。 龙虾怎么干活 Function call （最早openai的概念、翻译就是工具调用、另外几家有叫 tool use、或者tool什么的。本质上就是工具调用） 假设你让它“打开question.txt文件，读里面的问题，把答案写到answer.txt里”。流程是这样的： 1、你的指令传到OpenClaw，加上系统提示后发给语言模型 2、语言模型看完指令，发现需要读文件，于是返回一条特殊指令：“请使用read工具，读取question.txt” 3、OpenClaw看到这条指令，直接执行read工具，读取文件内容 4、读到的内容（比如“李宏毅几班”）又被送回语言模型 5、语言模型发现需要写答案，再返回：“请使用write工具，把‘大金’写到answer.txt” 6、OpenClaw执行write工具，完成任务 7、最后语言模型接出“主人，任务完成”，OpenClaw把这句话发回给你 整个过程就像语言模型在手把手地指挥OpenClaw，而OpenClaw就像一个听话的机器人，让做什么就做什么。 工具调用潜在的风险点：exec 接触shell环境将可以执行任何命令，如 rm -rf 当然、这种危险指令可以黑名单、也可以让他的shell进入sandbox执行 自建工具 Function call 由于各家的标准不同、后来出现了统一的mcp范式 而如果一个agent在每次使用时 全量加载它的 二十个mcp，关于各个mcp的描述可能来到了十万上下文 后面就出现了 skills 规范，可以理解为 渐进式加载提示词 ，或者说工作的标准流程 比如 只描述，操作Excel 时需要用到 excel tool 这个skill，这个skill 存放在某某目录 ...

如图所示、小猫在会 睡觉、打哈欠、挠头、追踪你的鼠标。点一下睡觉都它就会起来了，别的太花哨的又不是很喜欢。目前这个小猫的实现逻辑非常灵巧。未来希望能够搞一搞它 GitHub - adryd325/oneko.js: Cat follow mouse real! A hacky script I wrote to put a cat on my site. · GitHub 基于这个仓库实现，一个 oneko.js + 一张 oneko.gif 就搞定，没有太多的交互，以后仰仗肖工帮我实现一下 摸头交互功能 可以抄我的作业如下 layouts/partials/extend_footer.html [html] 显示已折叠代码（19 行） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 {{- $neko := site.Params.neko | default dict -}} {{- $enabled := true -}} {{- if isset $neko "enable" -}} {{- $enabled = $neko.enable -}} {{- end -}} {{- $onlyHome := true -}} {{- if isset $neko "onlyHome" -}} {{- $onlyHome = $neko.onlyHome -}} {{- end -}} {{- if and $enabled (or (not $onlyHome) .IsHome) -}} {{- $script := resources.Get "js/neko.js" | js.Build (dict "minify" hugo.IsProduction) -}} {{- if not site.Params.assets.disableFingerprinting -}} {{- $script = $script | fingerprint -}} <script defer crossorigin="anonymous" data-oneko-gif="/hugo-neko/oneko.gif" src="{{ $script.RelPermalink }}" integrity="{{ $script.Data.Integrity }}"></script> {{- else -}} <script defer crossorigin="anonymous" data-oneko-gif="/hugo-neko/oneko.gif" src="{{ $script.RelPermalink }}"></script> {{- end -}} {{- end -}} hugo.yaml ...

Info 在Linux中创建文件或运行应用时，出现错误提示No space left on device，表明存储资源已耗尽。 参考文章 ：诊断并解决Linux实例磁盘空间满的多种场景-云服务器 ECS-阿里云 GPT5.4 指导 排查过程 由于该服务器是公司的主开发、测试服务器，使用人数较多经常会出现这个问题，这次统一整理一下操作过程，记录学习 检查分区情况 首先使用 df -h 查看 哪个分区满了 df : disk free -h: human-readable，不加该参数默认会以“字节”（Bytes）为单位显示，加上后系统会自动以 G (GB)、M (MB)、K (KB) 等单位显示 1 2 3 4 5 6 7 8 9 10 11 (base) yangr@172-16-99-32-Dev:/data/huggingface_model$ df -h Filesystem Size Used Avail Use% Mounted on tmpfs 13G 29M 13G 1% /run /dev/mapper/ubuntu--vg-ubuntu--lv 501G 481G 0 100% / tmpfs 63G 3.0M 63G 1% /dev/shm tmpfs 5.0M 0 5.0M 0% /run/lock /dev/sdb1 3.6T 2.8T 622G 82% /data /dev/sda2 2.0G 252M 1.6G 14% /boot /dev/sda1 1.1G 6.1M 1.1G 1% /boot/efi tmpfs 13G 12K 13G 1% /run/user/1000 tmpfs 13G 12K 13G 1% /run/user/1002 我这里 / 分区已经 100% 此时大部分程序写入 日志或者 /tmp之类都会失效，严重影响服务器使用 ...

Info 我实在是受不了这个网络问题，不能畅快的 pull image 就和便秘一样。 然而，大部分的曾经一配即可用的镜像源大多数不好用或者开始收费，这些就不多说了，总之就是不好用了，那么我就打算自建一个。 之前是给公司打了个 Harbor，不过Harbor 所在的环境也无法连接外网、且多管理内部镜像为主。前段时间刷到一篇文章，但是一直迟迟没有行动，直到今天连文章都找不到了，那就只能自己处理了。grok 给我搜到了官方的方案Docker Registry Pull-Through Cache，但是他一次一个容器配置一个源，我也不知道我会用到多少个，于是搜了一下果然有人做了 第一次grok 推荐的，GitHub - rpardini/docker-registry-proxy: An HTTPS Proxy for Docker providing centralized configuration and caching of any registry (quay.io, DockerHub, registry.k8s.io, ghcr.io) 后续找到的： GitHub - dqzboy/Docker-Proxy: 🔥 🔥 🔥 自建Docker镜像加速服务，基于官方Docker Registry 一键部署Docker、K8s、Quay、Ghcr、Mcr、Nvcr等镜像加速\管理服务。支持免服务器部署到 ClawCloud\Render\Koyeb 准备一台海外服务器、我还准备了个域名，ok 一键部署，按照脚本部署. 坑来了。没白写 由于我的粗心大意，作者 README 中提到的安装Hub-cm-ui 的安装过程被我误认为是全部的安装过程。 正当我感慨作者大大做了一个很好的集成时开开心心把这个 ui 的地址配置了域名反代并且直接加入我的 docker 配置中，pull 了一下。 失败后折腾了很久才意识到。这是个客户端或者说是展示用的 UI 而不是一个集成体 ...

安装 OpenClaw 我也不知道啥情况，总之是三巨头各种折腾然后似乎被 openai 收入麾下了，我在第一次使用龙虾到现在他名字都换了两次了。所以把之前的清空配置，再重新安装。 Install | OpenClaw | The AI That Actually Does Things 这里我使用他的 sh 脚本访问不到，于是使用 pnpm 安装，然后 onboard 这次多了不少配置，我们选择 vLLM 并且输入我对应的信息 这次有飞书可以选择了 配置飞书 参考文档 Feishu - OpenClaw 在权限页面，批量导入以下权限 [json] 显示已折叠代码（23 行） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 { "scopes": { "tenant": [ "aily:file:read", "aily:file:write", "application:application.app_message_stats.overview:readonly", "application:application:self_manage", "application:bot.menu:write", "contact:user.employee_id:readonly", "corehr:file:download", "event:ip_list", "im:chat.access_event.bot_p2p_chat:read", "im:chat.members:bot_access", "im:message", "im:message.group_at_msg:readonly", "im:message.p2p_msg:readonly", "im:message:readonly", "im:message:send_as_bot", "im:resource" ], "user": ["aily:file:read", "aily:file:write", "im:chat.access_event.bot_p2p_chat:read"] } } ...