自研AI智能体团队：基于树莓派7×24小时运行的开源方案与架构思考

最近几周，OpenClaw 无疑成了讨论的焦点，但相关的讨论往往充满了噪音，真正触及核心价值的信息却不多。事实上，像 OpenClaw 这样的技术，恰恰清晰地展现了 人工智能 重塑现实世界的潜力。而当前的信息环境，正需要我们去梳理出那些真正有意义的信号。

本文将围绕两个核心展开：首先，我会分享在 OpenClaw 热潮之后，我对 AI 智能体领域的一些个人思考；其次，我将详细拆解我自己从零搭建的一套 AI 智能体系统——它能够 7×24 小时自托管运行，其理念与网上常见的 OpenClaw 部署方案有异曲同工之妙。希望这篇文章能帮助大家过滤掉行业噪音，看到 AI 智能体技术背后更本质的价值。

在当前关于 AI 智能体的讨论中，我经常看到诸如“摆脱底层的窗口期不多了”、“一人即可创办百亿估值公司”之类的论调。这类内容虽然偶尔有一些启发，但多数时候更像是一种吸引眼球的噱头，目的是在社交媒体上获取流量。这种通过制造焦虑来博取关注的行为，对于推动 AI 智能体领域的健康发展并无益处，反而让人感到惋惜。

YC（Y Combinator）最近发布了 2026 年的创业项目征集令，其中的要求与 2025 年相比有了显著变化。最让我关注的一点是，YC 特别强调了“AI 原生机构”。起初我完全不明白为什么 YC 会如此推崇“机构”这种形式，直到我深入思考并与一些行业内的朋友交流后，才逐渐理清了背后的逻辑。

对“AI原生组织”的思考

从 ClawdBot 到 MoltBot，再到现在的 OpenClaw，这项技术拥有改变现实运作方式的巨大潜力。而它的核心价值，恰恰体现在对传统机构运营模式的重构上。

传统机构实现规模化的核心逻辑在于“人力扩张”。例如，一项服务定价 5000 美元，一家公司若想将月营收做到 5万到 10万美元，主要的途径就是扩大团队规模——即使客户质量和业务范围会有影响，但招聘始终是扩张的核心手段。印度两大软件服务巨头 TCS 和 Infosys，正是在 21 世纪初依靠这种模式实现了爆发式增长。

然而，AI 智能体的出现正在彻底颠覆这一逻辑。这些可以 7×24 小时不间断工作的“数字员工”，其成本可能仅为人类工程师的十分之一。如果应用得当，传统的服务机构将逐步向软件公司转型：不再需要投入大量精力进行招聘和人员管理，而是转向构建、优化和管理一支 AI 智能体团队。在我看来，这可能是 AI 智能体最具实际价值的应用场景之一，而这还只是其潜能的冰山一角。

当然，我们仍处在这个领域的早期阶段，未来充满不确定性。正如一篇热门文章中所言：

“未来正由极少数人塑造：几家公司的几百名研究人员……OpenAI、Anthropic、谷歌 DeepMind 等。一个小团队在几个月内进行的一次训练，就能产生一个改变整个技术发展轨迹的 AI 系统。”

尽管我们无法精准预测未来，但尽早尝试新技术、接触新事物，并从头开始思考这些技术将如何改变你的工作方式，总是有益的。这能帮你培养适应变化的能力，让你变得更加强大。

对我个人而言，OpenClaw 系列技术让我清晰地看到了 AI 智能体的核心潜力——将其打造为可以替代部分人工的“智能体员工”。这个想法其实由来已久，但我一直犹豫是否要动手实现。最终，是 OpenClaw 引发的行业热潮，推动我动手搭建了自己的智能体系统。

在过去几周里，我一直基于 Claude 3.5 Sonnet 和 GPT-4o 等模型开发这套系统，投入的精力让我两天就用完了 Cursor 的月度额度。整个开发过程充满挑战，但也乐趣十足。下面，我将详细拆解这套系统的搭建目标、技术实现以及背后的思考。

我的“一人公司”项目

我把这个项目称为“一人公司”。它目前由四个 AI 智能体组成，每个智能体都有自己明确的工作角色、个性设定和目标任务。这四个智能体共同致力于一个核心目标：研究与内容创意支持。

为了持续输出内容，我需要持续学习。但我一直觉得很难跟上这个领域的发展速度，网上有太多的文章和帖子，而我根本没有时间一一阅读。

现在，我不希望 AI 只是简单地向我倾倒信息。我希望这些智能体能像一家社交媒体机构那样，持续地为我生成内容创意。而我作为这家“公司”的“CEO”，主要与内容生成流程进行互动，确保最终内容符合我的风格和想法。至于研究、趋势分析等其他工作，则全部交给这些智能体来完成。

目前，系统包含四个智能体、一个用于交互的 Discord 服务器，以及一份朝九晚五的“工作时间表”。整个系统运行在我自托管的树莓派上的调度器中。我的目标是让这些智能体能够全天候运行，并像真正的团队成员一样与我互动。

该项目目前已在 GitHub 开源，我也会持续改进，未来计划将团队规模扩展到 10 人以上。

技术实现：我是如何构建的？

接下来是更有趣的部分，让我们谈谈技术实现。代码已经开源，你可以随意查看和尝试。理解这个系统，有三个关键部分：

• 从头构建的智能体抽象层
• 内存管理机制
• 多智能体协作框架

智能体抽象层

我构建的核心是：取一个通过 API 调用的、无状态的大语言模型（LLM），然后向它注入提示词（包括定义其角色的 soul.md、规范其行为的 heartbeat.md、具体任务指令和期望的技能等），接着为其添加“记忆”（下一节详述），最后再提供它可使用的工具。

这就是一个智能体的基本工作方式。我构建的这个抽象层，其作用就是将原始的 LLM 转化成一个具有特定身份和能力的“智能体”。

内存管理

如何让智能体拥有“记忆”并持续学习，这仍然是一个开放性问题。因此，我创建了三个核心的 SQL 表：experiences（经验）、learnings（学习）和 sessions（会话）。

当一个智能体被调用执行时，会发生两件事：

1. 系统会从这些表中检索出最近相关的几行数据，作为上下文提供给智能体。
2. 智能体执行完毕后，总是会被要求向这三个表中写入一些新的内容（例如本次执行的总结、学到的东西等）。

这使得我的智能体具备了“状态”。这些 SQL 表会随着时间不断演变和丰富，而底层的 LLM 本身仍然是无状态的。两者结合，才构成了一个完整的、能够积累经验的“智能体”。

这种方法很酷，你的智能体可以拥有丰富的“阅历”，并随着时间不断成长，最终可能演化出一些非常有趣的能力。

但问题在于，当前的方法还比较初级。系统运行几周后，数据表会变得非常臃肿。如果将所有历史记录都传递给智能体，会严重拖慢速度、增加成本，并可能降低输出质量。

有几种思路可以解决这个问题：

• 限制上下文：只传递最近的“X”条记录。
• 基于检索的增强（RAG）：进行智能检索，只传递与当前任务最相关的记录以及最近的一些记录。
• 记忆压缩：就像人类会遗忘一样，只存储必要的信息，对记忆进行压缩和摘要。

我必须尝试这些方法。我的目标是让智能体不仅拥有工作角色和“灵魂”，还能拥有高效、精简的“经验”。未来我还希望能引入基于本体论的更结构化记忆。

智能体协调框架

这是让系统发挥威力的关键。单个拥有丰富上下文（提示词、记忆等）的智能体已经很有用，但只有当不同的智能体能够相互协调、共同工作时，它们的真正力量才会被释放。

我引入了一个核心概念：“会话”（Session）。你可以把会话理解为一次智能体的“唤醒”与“执行”。想象一下我的系统：我有几个具有个性、处于“休眠”状态的人类员工。我在特定的时间“唤醒”他们，给他们指令，让他们去做某件事。这个过程就叫一次“会话”。会话是系统运作的基本单元。

一次会话可以是：

• 单个智能体执行一项独立任务。
• 两个智能体进行非正式交流（我称之为“饮水机会议”）。
• 所有智能体一起进行头脑风暴或召开正式会议。
• 智能体与我进行每日站会。
• 紧急的一对一会议。

“会话”机制让协调变得非常灵活和强大。我可以让我的智能体相互交流，或与我交流，并将这些交流的总结和观察结果存入 SQL 表。这就是我的团队能够不断变强的原因。每一次会话都在提升整个系统的能力，推动其“进化”。

将智能体抽象层、内存管理和会话协调这三者结合在一起，就构成了我当前这个强大的 AI 智能体团队。当然，还有很多需要改进和优化的地方，我目前也正在积极测试这个系统。但日复一日，它正变得异常实用。

未来，我将在 云栈社区 分享更多关于这个项目的实践经验、遇到的挑战以及可能的改进方向。如果你对自托管 AI、智能体架构或者树莓派开发感兴趣，欢迎一起交流探讨。