断更五年后，我养了一只AI“虾”：OpenClaw自托管代理自动化写作实践

你可能以为我要讲水产养殖，其实我讲的是一个在本地小主机上跑了一个月的小机器人。我停更创作内容大概有五年了，前阵子突然想明白一件事：重新开始写东西，靠的不是什么宏大决心，而是每天有个东西在固定时间找你、给你递素材、催你动笔。于是就有了这个 OpenClaw “养虾”实验。这里的“虾”不是我养的宠物，是我给一个自托管 AI 代理起的外号。我把它搭在书房一台常开的 Linux 小主机上，每天定时抓取信息源，整理成创作卡片，再等我亲手改写成文。如果你也断更很久、手里攒了一堆没写的选题，或者对自托管 AI 代理感兴趣，这篇文章应该能给你一套直接抄作业的流程，顺带避掉我踩过的几个大坑。

1. 为什么是“养虾”，而不是“训狗”

1.1 五年没写东西，问题不在“没时间”

先聊聊背景。五年前我算是个爱写东西的人，技术笔记、产品思考、偶尔的生活观察，一个月能写好几篇。后来换了一条忙到没整块时间的赛道，停更了一次，就停了五年。停更这种事，最麻烦的不是手生，而是那个“输入—思考—输出”的回路彻底断了。以前我刷到一篇好文会顺手记两笔，看到数据异常会琢磨背后的原因，现在只会划走，划完就忘。

我试过逼自己写，“周末写一篇”的计划立了无数次，全都没撑过第二周。后来复盘才意识到，我缺的不是意志力，而是系统。写作这件事如果全靠大脑记住“我今天要写”，大脑很快就会把这件事归入“不紧急不重要”，然后无限期搁置。所以我需要的是一个外部系统：它帮我做素材收集、初筛、甚至是把零碎想法先变成半成品，我只负责最后那个不能被替代的步骤——用自己的话给出判断和细节。

这个想法听起来简单，但市面上现成的 AI 写作工具其实都解决不了。它们大多是一个对话框，你打开它，还得先想好“今天我该让它帮我写什么”。这一步本身就是巨大的心理门槛。我真正想要的，是一个没人催我、但每天都会自动出现在我数据库里的东西。

1.2 OpenClaw 的定位：不是大模型，而是大模型的“手脚”

在聊配置之前，先把主角说清楚。我用的 OpenClaw 是一个开源的 AI 代理框架，核心思路是让你在本地定义若干个长期运行的“代理”，每个代理有自己的角色设定、可用工具、触发时间和存储位置。代理本身不是大模型，它更像是一个“包工头”：到点了就去抓网页或读本地文件，把得到的内容组装成一次大模型的调用请求，等返回结果后，再写日志、存文件、触发下一个任务。

选它而不是直接用一个云端的写作助手的理由很简单：

• 数据留在本地，我的素材库、生成的卡片、日志全在我自己硬盘上，不经过第三方平台。
• 可编排、可定时，它能按 cron 表达式在早晨、中午、晚上自动触发任务，这是普通对话框做不到的。
• 过程完全透明，每一步都有日志，模型生成时到底用了哪些素材、写得怎么样，我随时可以打开日志复盘。
• 模型可替换，它后端接的是一个兼容常用接口的云模型服务，哪天觉得某个模型写得不好，改一行配置就能换掉。

用一个生活化的类比：大模型像是一个厨艺不错但不会自己下楼的厨师；OpenClaw 则是我给这位厨师配的厨房系统——有菜篮子、调味架、定时烤箱和上菜窗口。我不用站在旁边喊“今天炒这个”，我只需要把菜谱和开门时间交给系统，它自己就知道什么时候去买菜、什么时候下锅。

1.3 “养虾”的比喻到底怎么落地

之所以把代理叫作“虾”，是因为我发现养 AI 代理和养水族生物在方法论上高度相似。养虾的人没法天天把虾捞出来教它游泳，能做的只有三件事：调好水质、按时投饵、观察状态。AI 代理也一样，你没法实时干预它的每一次判断，你能做的只有：

• 缸体：运行环境，也就是那台常开的小主机、Python 环境和 OpenClaw 本体。
• 水：代理的上下文与人格设定，水太清，它会变得机械；水太肥，它会输出一堆不靠谱的胡话。
• 氧气泵：定时调度器，保证它每天在固定时间“浮上来呼吸”，持续产出，而不是憋一口气猛写两万字然后歇一星期。
• 饵料：信息源接入，代理每天消化几条 RSS、几篇本地笔记，相当于喂食。
• 观察窗：日志系统，我每天早上打开终端看日志，就能知道“虾”昨晚干了什么、有没有状态异常。

这个比喻还有一个好处，它天然强调了“低干预”。训练狗时你会不断纠正动作，养虾时你只能信任系统。把代理当虾养，意味着我不指望它一次就能写出能直接发布的文章，我只负责持续优化环境，然后等它慢慢形成一个稳定的产出节拍。

2. 搭建“虾缸”：核心组件与关键配置拆解

2.1 部署形态：本地进程还是容器

我选择的是在一台常开的 Linux 小主机上直接跑本地进程，用系统的守护进程机制保证崩溃后自动拉起。为什么不放容器里？按理说容器更干净、更容易迁移，但对我来说，这台小主机还要跑其他内网服务，OpenClaw 只是其中一个模块，直接在守护进程里管理反而省事，少一层网络端口映射。如果你是从零开始、希望快速试错，容器方式更整洁；如果你像我一样希望“看到日志就能摸到文件”，本地进程其实更顺手。

不过有一点必须注意：OpenClaw 这类代理框架一旦跑起来，它的任务目录、缓存目录、配置目录最好单独放在一个文件夹下，不要跟系统目录混在一起。我给它的家目录是~/shrimp-lab，所有素材、卡片、日志、配置文件都收纳在这个目录里，后面做备份、迁移、清理都方便。

2.2 给“虾”建人格：角色配置文件怎么写

建完环境后的第一件事，不是急着让它干活，而是先给它“立人设”。OpenClaw 的核心配置文件是一段 YAML，里面有一个persona字段，用来定义代理的身份和行为规则。我一开始只是随便填了一句“你是创作助手”，结果它生成的卡片味道很冲，满屏都是“首先、其次、最后”的排比腔。后来我把人设写成了下面这样：

agent: name: "shrimp-01" persona: | 你是小虾，一个住在本地书桌角落的创作助手。 你的日常工作：从素材库里挑出三条看起来普通但值得深挖的信息， 写成一张650字左右的卡片。 你的语言习惯：像朋友聊天，不用“首先/其次/最后”， 不写正确的废话，每个观点至少给一个具体例子。 你不署名，不直接发布，只把卡片放在指定目录，等作者本人来取。

这里面每一句都有讲究。第一句“住在本地书桌角落”，是在暗示代理保持低姿态，不要动不动“作为一个人工智能”；“写三张卡片，650字”是给任务设了硬边界，避免它自由发挥到两千字；“不用‘首先/其次/最后’”是针对大模型默认输出套路的直接约束；“不写正确的废话”是为了逼它在每一张卡片里放一个可被验证的具体细节。

还有一个容易被忽略的字段是temperature，也就是模型采样的随机性。我给它设置为 0.65，在我用的模型上这是一个“稳定但还有点性格”的位置。如果低于 0.3，输出的确工整，但每个句子都像同一个模板印出来的；如果高于 0.8，又会频繁跑题。这个参数没有绝对正确的值，跟你选的模型和任务类型强相关，建议从 0.5 起步，每次调 0.05，找到自己的手感。

2.3 工具权限：只给“虾”最小限度的本领

OpenClaw 可以给代理挂很多工具：网页抓取、文件读写、定时器、数据检索。我建议遵循最小权限原则——它需要什么就给什么，不要因为它“能”做什么就全部开放。

我当前允许的工具只有四个：

这里特别要注意的是“写入目录”的范围。一开始我把写权限放开到~/shrimp-lab整个目录，结果有一次代理为了“整理素材”，直接把原始素材文件给改写了。那一刻我意识到，必须像管实习生一样管代理：给它一个明确的交付目录，写好文件就够了，其他目录一律只读。把写权限锁死后，再没出过这类问题。

2.4 投喂计划：定时任务设计与素材源选择

定时任务是“养虾”实验里最关键的机制。我设置了三轮：

1. 早上 8 点：抓取几个固定信息源的更新，把内容清洗成简短的素材条目，存入素材库。
2. 中午 12 点：从素材库里挑三条，结合本地笔记中的个人观察，生成一张创作卡片。
3. 晚上 10 点：跑一次自我总结，在日志里输出今天的运行报告，包括抓了几篇、生成几张卡、平均耗时。

素材源的选择也有讲究。我不只放科技新闻，还有一本我常读的旧书摘录、一个记录自己失败项目的本地文件。原因是“创作表达”的核心不是搬运热点，而是把外部信息和自己的经历摩擦出新东西。所以素材源里必须有一部分“自己的东西”，否则代理生成的内容会非常“新闻稿”，没有任何个人痕迹。

信息源加入到配置后，先跑一次手动任务看抓取质量。如果某个源返回的全是垃圾广告，就直接剔除；如果某个源连续一周没有产生有用素材，也先停用，别舍不得。

3. 实操现场：从零跑通一只“虾”的完整流程

3.1 环境准备与初始化命令

我习惯把所有实验都放在独立的虚拟环境里，避免污染系统的 Python 环境。下面是整个初始化过程的命令记录，按顺序执行即可：

mkdir -p ~/shrimp-lab && cd ~/shrimp-lab python3 -m venv .venv source .venv/bin/activate pip install openclaw openclaw init --agent shrimp-01 --home . openclaw doctor

其中openclaw doctor这一步很重要，它会自动检查网络连通性、模型接口密钥是否有效、目录权限是否正常。我第一次跑doctor时，它报了一个“模型接口密钥未配置”，我才想起来配置文件里只填了模型名，忘了把密钥从环境变量引进去。如果你也遇到类似问题，先别急着翻代码，优先看配置文件和服务端日志，绝大多数问题都出在密钥和网络出口上。

3.2 配置文件全览

初始化完成后，核心配置集中在~/shrimp-lab/openclaw.yaml里。我现在的完整配置大致是这样：

agent: name: "shrimp-01" persona_file: "persona.md" model: provider: "openai_compatible_gateway" name: "creative-small" temperature: 0.65 max_tokens: 1200 storage: material_dir: "~/shrimp-lab/materials" card_dir: "~/shrimp-lab/cards" log_dir: "~/shrimp-lab/logs" sources: - name: "tech_rss" type: "rss" url: "https://example.com/feed.xml" - name: "my_notes" type: "local_markdown" path: "~/shrimp-lab/notes/ideas.md" schedule: morning_fetch: "0 8 * * *" noon_card: "0 12 * * *" evening_report: "0 22 * * *" limits: daily_llm_calls: 30 url_fetch_per_day: 10

配置里有几个关键点想展开说一下。

persona_file指向一个单独的 Markdown 文件，比直接写在 YAML 里更好维护。后面你想调整人格，比如从“冷静的观察者”改成“带点毒舌的老友”，只需要改那个人格文件，不必动主配置，也不会触发代理重启时的额外风险。

max_tokens: 1200看起来不大，但足够对付 650 字的卡片。设置这个上限有两个作用：一是控制单次调用成本，二是强制代理学会在限定篇幅内表达，而不是习惯性越写越长。

limits部分是保护闸。OpenClaw 这类框架最怕的就是代理在异常情况下疯狂调用模型接口，我设定了每天最多 30 次调用、最多 10 次网页抓取，超出的任务直接跳过并写日志。这个限制一周内就救了我一次，后面在常见问题里会细说。

3.3 第一次“开缸”：手动触发并解读日志

配置完成后，千万别直接等定时任务，先手动跑一轮。我先用一个只读任务验证抓取，再跑一次卡片生成任务：

openclaw run --task=fetch --dry-run openclaw run --task=make_card

第一次跑出卡片时，日志长这样：

[12:00:01] [schedule] job noon_card triggered [12:00:02] [context] read 3 stale notes, pruned 1 [12:00:05] [retrieval] picked 3/12 candidates [12:00:09] [llm] call ok, usage in=1410 out=912 tokens [12:00:10] [writer] card saved -> cards/2025-0521-006.md [12:00:10] [report] done in 9.2s

这段日志信息量很大。read 3 stale notes, pruned 1说明代理自动清理了一条过期的旧笔记；picked 3/12说明素材库中 12 条候选里只选中了 3 条，这个筛选逻辑是人格文件里写死的“优先挑反常识信息”；usage in=1410 out=912 tokens则是每次调用的实际消耗。我会定期统计这些 token 消耗，用来估算成本，也用来判断素材是否太多、是否撑爆上下文。

3.4 参数计算过程：上下文预算和成本估算

说到 token 消耗，这里给一个具体的计算过程，方便你自己做预算。我用的模型上下文窗口是 8000 token。每次生成卡片的请求由三部分组成：

• 系统提示词和人格文件，加起来大约 600 token；
• 选中的素材摘要，每条约 120 token，选 3 条就是 360 token；
• 本地个人笔记的相关片段，取 200 token。

这样输入侧约 1160 token。输出侧是 650 字卡片，中文一个字大约对应 1.5 个 token，也就是约 975 token。全部加一起，一次调用约 2100 token，距离 8000 的窗口还有很大余量。这就意味着我暂时不需要担心上下文溢出，也说明“每天 30 次调用”的限制是非常宽裕的。

成本方面，按这个体量算，一天三次定时任务加上偶尔手动调试，一个月消耗不到二十万 token。按市面上主流的按量计费模型换算，也就是一杯咖啡钱以内，完全可以承受。重点是控制住异常情况下的调用量，而不是心疼正常使用的那点消耗。

3.5 “换水”流程：周期性调整人格与素材库

养虾要定期换水，AI 代理也一样。我的“换水”周期是每周日晚上：

1. 清点本周生成的卡片，被采纳的移入成稿库，没被采纳的删掉。
2. 清理素材库里超过两周的旧条目，只保留有长期价值的参考。
3. 更新一次人格文件里的“本周兴趣点”，比如本周我关注“本地优先软件”，就会在人格文件里加一句“最近多留意本地优先的工具和案例”。
4. 跑一次openclaw run --task=make_card做冒烟测试，确认配置改动没有引入异常。

这个流程看起来简单，却是整套实验里回报最高的部分。每次“换水”后的一周，卡片质量都会有肉眼可见的回升。如果你的代理输出越来越无聊，别急着换大模型，先试试清理素材、更新兴趣点，大概率能解决。

4. 翻车排查与治理：养虾一个月踩过的坑

4.1 “虾”在自言自语：任务重复执行与日志刷屏

运行到第三周时，我发现日志里每隔几秒就有一条 fetch 记录，一天跑了三百多次，差一点把限流额度打满。排查后确认是两个守护进程在同时跑同一个代理目录，调度器互相不知道对方的存在，导致定时任务重叠触发。

解决方法是给代理加一个“单实例锁”，确保同一时刻只能有一个进程在运行。如果你也会用守护进程托管代理，记得检查是不是只拉起了一个实例，多实例是最隐蔽的翻车源头。

4.2 “虾”开始扯谎：模型幻觉污染素材

有一次卡片里引用了一篇“来源文章”，我点开一看，标题确实存在，但正文根本没有卡片里说的那个观点。这是典型的模型幻觉——它在抓取结果里看到了标题，就顺着标题编了一个看似合理的解读。

我的根治办法是改配置，强制代理在卡片里保存“来源 ID”字段，每个观点必须对应一条真实存在于素材库中的记录。如果生成的内容找不到匹配的来源 ID，就判定为无效产出，直接丢弃并记录一次幻觉事件。从那以后，假引用的情况几乎消失，偶尔再出现也能靠日志快速定位。

4.3 输出千篇一律：人格漂移问题

运行到第二周，我明显感觉到卡片开始“油掉”，句子结构越来越雷同，形容词越堆越多。查日志发现，代理的上下文里保留了太多旧卡片，把性格给稀释了。模型只会顺着上文模仿，而上下文里全是它自己写过的旧句子，自然就走进了自我重复的循环。

我做的调整有两点：一是把每次生成前的历史摘要从完整保留改成只保留最后 5 条；二是每周“换水”时强制给上下文注入一条全新的“今日兴趣点”，打断连续重复的惯性。效果立竿见影。

4.4 资源占用与请求费用飙升

还有一次，某天的请求量冲到日常值的十倍，原因是模型服务返回了一串超时错误，而代理默认会在失败后立即重试。重试机制本身是好事，但没有上限就变成了灾难。

我在配置里加了三个保护参数：

• 单次任务最多重试 3 次；
• 重试采用指数退避，第一次等 30 秒，第二次等 2 分钟，第三次等 5 分钟；
• 单日调用数超过 30 次后，所有非关键任务直接跳过。

加了这套限制后，哪怕模型服务抽风一整天，我的成本也不会失控。

4.5 常见问题速查表

5. 从“养虾”回到写作：这套系统到底帮了我什么

5.1 一张卡片到一篇文章

到现在，我已经攒了接近三十张卡片，其中真正被我扩展成文章的只有五篇，比例不算高，但胜在稳定。我原以为“有素材”就能写，实际操作后才发现“被半加工的素材”才是最好的起点。

举个例子，某天“虾”生成了一张卡片，标题是“为什么我对效率工具越来越警惕”，它的核心观点是：很多效率工具不是在节省时间，而是把你的日程切得更碎。我看了之后觉得有道理，但“虾”给的理由太抽象，于是我自己补了一个具体的失败案例——我用过一段时间任务打卡软件，结果每天花更多时间维护打卡记录，而不是做事。我把这个案例替换掉卡片里原有的例子，又重新组织了段落顺序，大约四十分钟就写完了一篇草稿。以前从零开始写，光是想选题就要耗掉一个晚上。

5.2 创作节奏重建

最明显的变化不是产量，而是节奏。现在每天早上打开电脑，第一件事不再是“我要写点什么”这种让人焦虑的念头，而是看一眼昨晚的卡片。有感觉就顺手改一段，没感觉就先搁着。这个动作轻到几乎没有门槛，但每天都发生，日积月累，那根断了五年的“输入—思考—输出”的回路，居然真的被接上了。

有一点我很确定：AI 代理只承担“催熟”的职责，最后的署名和发布，没有任何一步交给它。卡片写得再好，没有经过我的判断和改写，它就不会出现在我的博客里。这是底线，也是这套流程能继续跑下去的原因。

5.3 可扩展的方向

实验跑了一个月，后面还有几个想尝试的方向：

• 让“虾”在每周日晚自动生成一份“本周创作复盘”，统计我改了几篇、卡在哪一步最多；
• 给代理加一个语音输入通道，把平时随手录的碎片想法也并入素材库；
• 接一个日历接口，让它根据我下周的空闲时间建议写作时段。

这些都是下一步的“换水”清单。养虾这件事最有意思的地方，在于你永远不知道下一次水质调整会带来什么变化。

最后分享一个我没想到的细节：某天早上我发现日志显示凌晨 3 点“虾”自己跑了一次素材整理，写了一张关于桌面整理的卡片。我坐在书桌前看着那行日志，突然有点感动。五年前我停更，是因为觉得自己写的东西没人看、写了也不会改变什么。现在一个小机器人，用每天三张卡片和深夜的自动整理，把我重新拽回了书桌前。如果你也断更很久，我建议别等“状态好了再写”，直接搭一个像虾缸一样的小系统，喂点料，每天打开看一眼，写作会自己想办法回来。