Clawdbot 作为个人 AI 助手：工作流、费用与风险

摘要

30 秒看懂

Matthew Berman 用 Clawdbot 度过一个周末后，演示了通过 Telegram 进行研究、文件核对、定时邮件分类和本地模型路由。他称赞其灵活性，也讨论了权限、记忆丢失、崩溃和意外高昂的 API 账单。该项目后来更名为 OpenClaw；他的配置和产品细节反映的是 2026 年初的情况。

1研究与集成助手利用已连接的服务准备大纲，并将其添加到 Asana 任务中。
2记忆与主动任务Berman 介绍持久保存的偏好、定时检查以及可编辑的 SOUL.md 个性文件。
3核对 Drive 备份智能体比较本地和云端文件，找出缺失视频并尝试上传，过程中遇到配额限制。
4定时邮件分类定时任务检查未读邮件并起草回复；Berman 测试后删除了这个演示任务。
5权限与故障模式他介绍了不可逆操作、记忆压缩以及需要重启才能解决的工具调用循环。
6意外的模型费用根据自己的 API 用量，Berman 报告一天约花费 130 美元，到第二天上午又花了 32 美元。

要点建议

Clawdbot 后来更名为 OpenClaw，它将本地运行的智能体与消息集成、本地或云端模型结合起来。
文件核对工作流帮助 Berman 找到没有上传到 Drive 的文件，但过程遇到了服务限制。
定时邮件分类和回复草稿是主动自动化的实用例子，但仍需要审查。
访问凭据、文件和执行命令会带来风险，包括操作错误和提示注入。
Berman 报告一天约 130 美元的 API 支出，说明开源软件仍可能产生可观的模型费用。
独立环境可以限制对本地文件的访问，但已连接账户仍会按授予的权限暴露。

主题Personal agents 智能体工程 Local inference AI security Workflow automation

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

本地个人助手

Berman 介绍项目、消息访问、记忆和集成。他讨论自定义设置，以及使用独立设备和主电脑之间的权衡。

我花了一个周末体验 Clawdbot，这是一款开源个人 AI 助手，可以在自己的电脑上运行，并连接消息服务和模型。该项目后来更名为 [OpenClaw](https://github.com/openclaw/openclaw/blob/main/VISION.md)；这里沿用视频中的名称。本地安装并不意味着每个模型都在本地运行：云端模型和连接的服务仍可能接收数据。

它帮助我准备了这期视频。我将它连接到 Asana 和由 Grok 支持的搜索工作流，请它拟定大纲，它就把结构化结果添加到任务中。它还可以通过 Telegram、WhatsApp 或 Slack 等服务通信，让我离开电脑时也能与其交互。

助手可以使用不同的云端或本地模型。我可能为困难任务选择能力较强的模型，为简单的重复工作选择本地模型。它还会记住偏好，如果我授予必要权限，它可以主动检查重要邮件、总结内容并准备回复草稿。

这些能力涉及让 AI 系统访问账户，还可能访问文件或执行命令。它可以编写、运行和修改代码，但操作也可能出错。权限应限制在任务所需的范围内，敏感或破坏性操作应经过适当审查。

幻灯片 1 / 4助手的 SOUL.md 指令可编辑文件描述了助手预期的行为和边界。

可编辑的 `SOUL.md` 文件描述了助手应该如何表现，包括风格、主动程度和边界。我可以修改这些指令，让它更加主动或更愿意提问。这改变的是给模型的指导，并不保证某种特定结果。

一些用户在独立的 Mac mini 上运行助手，使其与主电脑隔离。我把它安装在主电脑上，因为我本来就要连接邮件和消息账户。这两种选择涉及不同风险：独立主机可以限制对本地文件系统的访问，但连接的云账户仍会在授予的权限范围内可被访问。

当时的安装流程支持 Mac、Windows 和 Linux，网站列出了消息应用、浏览器和其他集成。Berman 演示了安装程序和社区技能，包括 Google Workspace、Obsidian 和网络搜索工具。集成和安装步骤可能变化，因此授予权限前应查看最新项目文档并审查第三方技能。

我增加了 Grok 访问权限，帮助研究 X 上的内容；外出时，我通过 Telegram 与助手交流。一个实际任务是，在上传中途停止后，核对本地视频档案和 Google Drive。我让它比较两个文件夹，找出缺失的文件。

Drive 上传与定时邮件

他用助手比较本地和 Drive 文件并测试上传，还创建并删除了一项邮件分类任务。

比较发现缺少 212 个文件。我逐个测试上传，助手遇到了 Google API 速率或配额限制；限制解除后，它上传了文件并更新剩余清单。演示中的限制和诊断只适用于当时的账户与情况，不能保证反映现在的 Drive 配额。

接下来，我要求它设置定时任务，每五分钟检查未读邮件、标记紧急事项、总结并起草回复。在手动测试中，它最初找到一封邮件，随后判断那是普通的外部联系，不需要草稿。我让它改进过滤，并在演示结束后删除任务；分类结果仍需要我判断。

本地模型、记忆与委派

Berman 讨论本地模型路由和远程设置，并展示偏好、排队任务与子智能体如何融入工作流。

视频中包含 Dell Technologies 赞助的本地 AI 工作站介绍。在我的配置中，我使用 LM Studio，最初运行 GLM-4.7。我让助手为较简单的工作推荐速度更快的本地模型，它选择了一个 Qwen 3 混合专家模型，并通过 LM Studio 远程下载。

幻灯片 3 / 4LM Studio 中的本地模型Berman 展示了路由实验中本地可用的模型。

我通过要求它写一个短故事并检查 LM Studio 开发者日志来测试本地模型。我的模型链包括 Claude Opus 4.5、Haiku 和本地 Qwen 3。我可以要求助手将简单任务路由到本地模型，尽管它有时仍会违背指令选择其他模型。

在社交媒体工作流中，我让助手找出我尚未回复的评论、起草回复，并等待我批准后再发布。我还查看了它的记忆，发现它记录了写作偏好、沟通习惯和消息优先级。持久记忆可能有帮助，但也可能包含需要谨慎处理的私人细节。

助手可以启动子智能体并行工作，而主对话继续进行；它还可以将多个任务排队。这些机制让人更容易启动长任务，然后就其他事情与助手交互，但仍需验证任务是否完成以及结果是否正确。

安全、可靠性与成本

他讨论高风险权限、记忆压缩和系统崩溃。API 费用让他开始考虑更便宜的模型。

安全风险真实存在。让非确定性的智能体访问邮件、日历、文件或工具，可能导致错误或不可逆变更；不可信内容也可能携带提示注入。处理 Drive 任务时，我让它先解释拟议操作，并在允许进一步操作前测试一个文件。当前的 [OpenClaw 安全指南](https://docs.openclaw.ai/gateway/security/prompt-injection)也建议限制工具权限，并使用审批和隔离。

项目也有不够完善的地方。对话变长时，上下文压缩可能丢失细节，因此我会明确要求它写下我希望记住的事情。有一次我外出时，它陷入格式错误的工具调用循环，回家后我不得不重启系统。

智能体软件开源，并不意味着通过 API 使用商业模型是免费的。我报告有一天使用了约 7,000 万个 token，第二天上午又用了 2,500 万个，并发现第一天的账单约为 130 美元，第二天到当时已花了 32 美元。这些是我当时的个人用量和价格，并非典型费用；我开始考虑更便宜的模型或本地模型。