词元星图TokenAtlas
返回案例库

精选案例 · Agent / 实践案例

用 AI 词元搭建属于自己的 AI 伙伴

可读标题 · 基于原文内容整理

原题：吴振铭：用 AI 词元搭建属于自己的 AI 伙伴

这个案例围绕「吴振铭：用 AI 词元搭建属于自己的 AI 伙伴」记录了一条真实 AI 实践线索，正文重点集中在「背景」「使用的 AI 工具」，适合先按任务意图阅读再判断复用。

案例速读

README 标题「吴振铭：用 AI 词元搭建属于自己的 AI 伙伴」下已经出现运行/配置路径、脚本或接口线索、结果证据，正文重点集中在「背景」「使用的 AI 工具」，比纯概念介绍更适合进入精选阅读流。 这篇案例的阅读价值在于，它把真实任务、模型辅助过程和可迁移做法放在同一个上下文里，读者可以从 「吴振铭：用 AI 词元搭建属于自己的 AI 伙伴」、「背景」、「使用的 AI 工具」、「「十六」和「十五」——让两个 AI 互相发消息」 进入正文。

  • 建议重点看 可参考其中的运行与配置路径、包含可迁移的命令、脚本或接口线索、已有结果或观测证据可用于判断复用价值。结合 Agent / 实践案例 和「任务驱动用户、AI 实践者」这一受众定位，它更适合作为任务检索后的精读材料，而不是只看一句短摘要后快速跳过。
  • 正文目录和原始材料仍然是判断依据；导读只帮助你更快定位阅读重点。
看点
吴振铭：用 AI 词元搭建属于自己的 AI 伙伴
读者
任务驱动用户、AI 实践者
复用
可参考其中的运行与配置路径
结构
12 个目录入口

原文内容

吴振铭：用 AI 词元搭建属于自己的 AI 伙伴

背景

和大多数同学一样，我最开始接触 AI 工具是从网页聊天开始的——遇到不懂的问题贴进去，让它解释或者给代码。真正让我觉得"这东西能改变工作方式"的，是开始用 OpenClaw 和 QwenPaw 这类 Agent 框架，把 AI 从"问答工具"变成了"能自己干活的工作伙伴"。

我在自己的 PC（Windows 11）和树莓派上分别跑了一个 AI Agent——PC 上的叫"十六"，树莓派上的叫"十五"。它们可以通过共享云存储（Koofr）互相发消息，形成一个松耦合的跨设备协作系统。这个过程从想法到落地，几乎全部是跟 AI 一起完成的。

使用的 AI 工具

  • QwenPaw (CoPaw)：跑在 Windows PC 上，作为主力 Agent
  • OpenClaw：跑在树莓派上（Ubuntu），轻量级 Agent
  • Koofr 云存储：用于跨实例消息传递
  • VS Code + Claude Code：日常编码辅助

「十六」和「十五」——让两个 AI 互相发消息

我有两台设备：一台 Windows PC，一台树莓派。我想让两台设备上的 AI 能互相通信，比如 PC 上的 Agent 可以远程让树莓派执行一些任务。

这个需求如果自己从头写，涉及消息序列化、轮询、去重、延迟处理等一系列问题。我把目标直接告诉 AI：

我想让两个 Agent（一个在 PC，一个在树莓派）通过 Koofr 云存储互相发消息。用文件系统当消息队列，每个 Agent 有自己的发件箱和收件箱。帮我设计协议和实现。

AI 先和我讨论了整体协议设计：发件箱/收件箱目录结构、消息格式（JSON）、轮询间隔、去重机制（基于消息 ID）、心跳保活。确认方案后，它帮我一步步实现：

  1. 设计消息协议（claw-chat skill）

    • 目录结构：mailbox/sent/、mailbox/received/，每个 Agent 有自己的收件箱
    • 消息格式：{id, from, to, timestamp, content, type}
    • 去重：基于 message_id 检查
    • 心跳：定期发送心跳消息检测对方在线

  2. 实现消息收发脚本

    • 发送：序列化消息 → 写入对方的收件箱 → 写入自己的发件盒
    • 接收：轮询自己的收件箱 → 解析 → 标记已读 → 回复

  3. 配置 Koofr 云存储同步

    • 使用 rclone 挂载 Koofr WebDAV
    • 双向同步确保消息及时送达
    • 处理网络断开和重连

整个过程中最让我印象深刻的是，AI 不仅写了代码，还在我遇到网络问题时主动帮我排查：检查代理状态、测试 WebDAV 连通性、处理文件锁冲突。这种"写代码+运维"一体化的体验，比自己查文档高效得多。

自定义 Skill 开发——让 AI 学会新能力

Agent 的好处是可以给它写"Skill"（技能）来扩展能力。我陆续写了几个自建 Skill：

1. Koofr 备份 Skill

我想定期把工作目录备份到 Koofr 云存储。跟 AI 说了需求后，它帮我设计了两阶段备份方案：

  • 第一阶段（打包）：遍历工作目录，排除不需要的文件（node_modules、临时文件等），打包成带时间戳的 zip
  • 第二阶段（上传）：用 rclone 上传到 koofr:/Backup/copaw/，保留最近 12 个备份，自动清理旧版本

AI 特别注意了 Windows 上的坑：robocopy 在 PowerShell 脚本里容易卡住，建议改用 Copy-Item -Recurse。这个经验如果让我自己踩坑，可能要花不少时间。

2. Obsidian CLI Skill

我用 Obsidian 记笔记，想让 AI 能帮我自动整理笔记、生成索引。AI 帮我写了一个 CLI 工具：

  • 扫描 Obsidian vault 中的 Markdown 文件
  • 提取 frontmatter 元数据（tags、created、modified）
  • 支持按标签筛选、按日期排序
  • 自动生成标签索引页

这个工具让我每天的笔记整理从十几分钟变成了几秒钟。

3. 记下来，别光"脑子记"

这是 AI 给我上的最重要一课。Agent 每次会话是全新的，能延续记忆的只有文件。AI 反复提醒我：「重要的事情要写到文件里，光靠脑子记不行」。

所以我建立了记忆系统：

  • memory/YYYY-MM-DD.md：每日笔记，记录当天做了什么
  • MEMORY.md：长期记忆，只保留值得长期记住的事
  • PROFILE.md：用户资料，记录偏好、习惯、设备信息

这个习惯养成了以后，我发现不仅 AI 能更好地帮我，我自己也不容易忘事了。

和 AI 一起解决的真实问题

除了搭建 Agent 系统本身，日常工作中 AI 帮我解决过不少实际问题：

ESP-IDF 开发

做 ESP32-S3 嵌入式开发时，ESP-IDF 工具链的配置是个头疼的事。不同版本的工具链路径、环境变量、target 配置都不一样。我把错误信息贴给 AI：

idf.py build 报错：CMake Error at .../esp-idf/tools/cmake/toolchain-esp32s3.cmake

AI 帮我分析出问题是工具链路径没设对，需要先设 IDF_TOOLS_PATH 然后再运行 export.bat。后面每次新开项目，AI 都会主动检查环境的正确性。

跨服务器部署

我有一台 Azure 云服务器和一台阿里云服务器，需要在上面部署服务。AI 帮我做了：

  • SSH 免密登录配置（~/.ssh/config）
  • Docker 环境搭建和权限配置
  • 安全组/防火墙规则设置
  • 跨服务器端口连通性测试

最实用的是它帮我排查了一个 Docker 容器内无法访问外部服务的问题——原因是要用 host.docker.internal 而不是 localhost。

收获与心得

大半年来跟 AI 一起工作的最大收获：

  1. AI 不只是写代码，更是系统工程师。 它能帮我做环境配置、网络排查、权限管理这些我以前觉得只有人才能做的事。

  2. 文档驱动开发。 让 AI 先写 README 和设计文档，确认方案后再写代码，比直接让它写代码质量高得多。

  3. 把 AI 当成工作伙伴，不是工具。 它有记忆（文件系统）、有技能（Skills）、能主动检查环境、能记住你的偏好。你越把它当人用，它越好用。

  4. 写下来比记在脑子里重要一百倍。 这是 AI 教会我的，也是我受益最深的习惯。

  5. 从"帮我写代码"到"帮我把活干了"。 最有价值的不是 AI 能写多好的代码，而是它能把一个完整的任务（包括调研、设计、实现、测试、运维）从头到尾做完。
返回顶部