1. 项目概述当AI Agent成为打工人的“赛博搭子”最近和几个朋友聊天话题总绕不开“内卷”和“精神内耗”。大家普遍的感觉是工作像一场永无止境的消耗战白天被KPI和会议填满晚上又被焦虑和失眠困扰形成了一个“情绪差 - 效率低 - 加班 - 睡眠更差”的恶性循环。我们需要的不是另一个督促我们“更努力”的工具而是一个能理解我们状态、提供实际支持的“伙伴”。这正是我尝试用QClaw搭建一个专属“情绪-生存-睡眠”Agent的初衷。简单来说这个项目就是利用QClaw这个新兴的AI Agent开发框架创建一个专为打工人设计的智能体。它不再是一个冷冰冰的任务执行器而是一个具备“感知-分析-行动”闭环的数字化助手。它的核心目标非常明确对抗无效内卷带来的身心损耗。通过主动监测你的情绪波动比如从聊天记录或日记中分析出“今天很烦躁”、管理你的生存底线定时提醒喝水、吃饭、起来活动并最终服务于高质量的睡眠生成助眠白噪音、提供睡前放松指导这个Agent试图在系统的层面为打工人的身心健康筑起一道防线。你会发现市面上大多数效率工具都在教你如何“做得更多”而这个Agent的哲学是教你如何“损耗更少”。它关注的是输入你的精力、情绪而非仅仅是输出完成了多少任务。QClaw框架的选择也很有意思它不像一些重型框架那样复杂又比简单的脚本强大正好适合我们这种想要快速实现一个有用、有趣的个人化智能体的场景。接下来我就把自己从零开始构建这个“赛博搭子”的全过程、踩过的坑以及一些意想不到的收获详细拆解给你看。2. 核心设计思路为什么是“情绪-生存-睡眠”三角在动手写代码之前我花了很长时间思考这个Agent的定位。为什么是这三个维度它们之间有什么内在逻辑直接做一个提醒喝水的App或者一个情绪日记本不更简单吗这里面的设计思路恰恰是让Agent从“玩具”变成“工具”的关键。2.1 需求三角模型从消耗到修复的闭环打工人的精力管理本质上是一个能量流动系统。无效内卷之所以可怕是因为它制造了一种“高投入、低回报”且持续消耗心力的状态。要打破它不能只在一个点上用力必须建立一个系统性的支持体系。我将其抽象为一个“需求三角模型”情绪层上层建筑这是最直接的心理感受层包括压力、焦虑、兴奋、沮丧等。情绪状态直接影响工作专注度和创造力。但情绪是结果而非原因。单纯记录情绪价值有限Agent需要能分析情绪背后的潜在诱因如连续工作时间过长、社交互动匮乏。生存层基础设施这是最物理、最基础的层面包括 hydration水分、nutrition营养、movement活动。这些是维持生理机能的基础但在高压工作中最容易被忽视。身体的不适如脱水、饥饿、久坐酸痛会显著加剧负面情绪。睡眠层修复核心睡眠是身体和大脑进行修复、整合记忆、清除代谢废物的黄金时间。睡眠质量直接决定第二天的情绪基线和认知资源。糟糕的睡眠会让情绪管理和自律变得极其困难。这三者形成一个闭环糟糕的情绪和高压工作会侵占生存活动忘记喝水吃饭和睡眠时间而生存需求的忽视和睡眠的不足又会进一步恶化情绪降低工作效率导致更严重的内卷。因此这个Agent的设计核心就是同时在这三个层面进行轻量级、自动化的干预打破恶性循环形成一个“感知-提醒-辅助-改善”的正向增强回路。2.2 技术选型为什么是QClaw确定了做什么接下来就是用什么做。AI Agent框架很多从学术研究型的AutoGPT、BabyAGI到更产品化的LangChain、LlamaIndex还有近期热门的CrewAI、Hermes等。我最终选择QClaw是基于以下几个非常实际的考量轻量与高效QClaw的宣传点之一是“轻量级高性能”。对于个人项目而言我不需要企业级的功能全家桶。QClaw的代码结构看起来更清晰依赖较少部署和调试的心理负担小。我不想把大部分时间花在配置复杂环境上。强调“技能”Skill与“工具”ToolQClaw的架构将Agent的能力明确划分为Skills技能如“分析情绪”、“生成建议”和Tools工具如“读取文件”、“发送通知”。这种设计非常符合我对这个项目的模块化构想。情绪监测、生存提醒、睡眠辅助正好可以做成三个独立的Skill然后由一个主Agent协调调度。对中文和本地化场景的友好性虽然很多框架都支持中文但QClaw的文档和社区讨论中中文用例出现的频率较高这通常意味着在处理中文语义、时区、本地服务集成如微信、钉钉时可能遇到的坑会更少或者有更现成的解决方案可以参考。易于与本地模型集成我的一个硬性要求是涉及个人情绪和日记等隐私数据绝不能无条件上传到云端大模型。我需要Agent能方便地调用本地部署的LLM大语言模型例如通过Ollama运行的模型。QClaw在这方面提供了相对简洁的配置方式。注意框架选择没有绝对的对错。LangChain生态强大但学习曲线陡峭CrewAI擅长多Agent协作但可能杀鸡用牛刀。对于这个聚焦于单一用户、任务明确的项目QClaw在灵活性和易用性上取得了不错的平衡。3. 系统架构与核心模块拆解有了思路和工具就可以开始搭积木了。整个系统的架构我画了一个简单的示意图在脑中核心是一个主调度Agent它连接着三个功能模块Skill和两个支撑系统。[用户输入/系统触发] | v [主调度Agent (QClaw Core)] | |----------------|-------------------| v v v [情绪感知Skill] [生存监控Skill] [睡眠辅助Skill] | | | [本地LLM (Ollama)] | [音频生成库] | | | [隐私数据源] [系统定时器 API] [媒体播放器] (日记/聊天记录) (日历/健康App) (音箱/耳机)3.1 模块一情绪感知Skill——做你的“数字镜子”这个模块的目标是非侵入性地感知用户的情绪状态。我坚决反对让用户每天手动填写情绪表格那本身就是一种负担。我的设计思路是被动分析加主动询问。1. 数据源接入日记文件我使用Day One这类日记App并配置其将每日日记以纯文本形式导出到指定文件夹。Agent的Tool会定时如每晚10点扫描这个文件夹读取新内容。即时通讯摘要通过一些可编程的自动化工具如iOS的快捷指令或Mac的Automator将一天中在特定工作群非私密群的聊天记录在征得自己同意且确保隐私的前提下生成一个“今日沟通摘要.txt”文件。同样提供给Agent读取。手动快速记录提供一个极简的入口比如向一个特定的Telegram Bot或微信服务号发送“今天好累”Agent会将其作为一条情绪记录。2. 核心分析与提示工程数据有了如何分析这里就是本地LLM我选用的是qwen2.5:7b体积和效果比较均衡发挥价值的地方。我设计了一套提示词Prompt让模型不是做简单的情感分类积极/消极而是进行更细致的分析# 这是一个简化的Prompt示例 emotion_analysis_prompt 你是一个细心且富有同理心的生活助理。请分析以下用户在过去一段时间内的文字记录并从以下几个方面给出洞察 1. **情绪基调**用几个关键词描述整体情绪如平和、焦虑、兴奋、疲惫、烦躁。 2. **压力源识别**尝试从文字中识别可能造成压力的因素如项目截止日、人际沟通、不确定性。 3. **能量水平评估**根据文字中表现出的活力和专注度描述评估其能量等级高/中/低。 4. **一句关怀建议**基于以上分析给出一句简短、温暖、非说教的关怀或提醒。 用户记录 {user_text} 请以JSON格式回复包含以下键mood_tone, stressors, energy_level, care_suggestion。 3. 输出与行动分析结果JSON格式会被存储起来并触发两种行动生成情绪日志将分析结果追加到一份私密的周度/月度情绪报告中让我能回顾情绪变化趋势。触发生存层干预如果识别出“高压力”或“低能量”主Agent会提高生存监控的提醒优先级或者在当天晚些时候让睡眠辅助Skill提供更有针对性的放松方案。实操心得一开始我让模型分析得太细结果响应慢且不稳定。后来发现对于日常感知抓住几个关键维度就足够了。另外一定要让模型以结构化格式如JSON输出这能极大简化后续的数据处理逻辑。提示词里强调“非说教”非常重要否则AI容易变成烦人的“教导主任”。3.2 模块二生存监控Skill——你的“隐形健康管家”这个模块的目标是确保最基本的生理需求不被工作淹没实现方式主打“无感”和“及时”。1. 提醒策略设计反对每隔一小时就弹窗提醒“该喝水了”的粗暴方式。我设计的策略是基于状态和情境的智能提醒喝水结合日历数据。如果检测到接下来有一个长达2小时的会议则在会议开始前5分钟提醒“记得带水杯进会议室”。如果下午连续工作超过90分钟无系统休息记录通过电脑活动监测粗略判断则提醒“起来走动一下顺便接杯水吧”。饮食与外卖App或日历集成。在常规午餐时间如12:00-13:00如果检测到日历上仍有未完成的密集任务则提前30分钟发送温和提醒“午餐时间快到了先暂停一下给大脑充充电吧”。活动集成系统API如macOS的istats或Windows的psutil粗略统计电脑持续使用时间。每50分钟若活动量低则建议进行“5分钟微活动”如拉伸颈部、远眺。这个建议会以一条不会打断当前焦点的通知形式出现。2. 技术实现要点QClaw Tool封装我将“读取日历”、“检查电脑活跃状态”、“发送系统通知”等功能分别封装成QClaw的Tool。生存监控Skill本质上是一个定时调度器它根据一套规则if-else或一个简单的规则引擎决定在何时调用哪个Tool。避免打扰所有通知都设置为“低优先级”且可快速关闭。核心原则是提供信息而非制造中断。Agent的默认状态应该是“静默观察必要时轻推一把”。3.3 模块三睡眠辅助Skill——打造“入睡仪式感”这个模块的目标是帮助大脑从工作模式平滑过渡到睡眠模式改善入睡体验和睡眠质量。1. 睡前引导流程在预设的睡眠时间前45分钟主Agent会启动睡眠辅助Skill执行一个“数字睡前仪式”环境检查通过智能家居API我用了Home Assistant的本地接口自动将卧室灯光调至暖黄、低亮度模式。放松内容生成调用本地LLM根据当天情绪感知模块的输出生成一段简短的、个性化的放松引导文本。例如如果当天压力源是“项目汇报”引导语可能会是“现在慢慢地将注意力从白天的演示文稿上移开想象那些幻灯片像羽毛一样轻轻飘走...”。白噪音/音乐播放根据我的偏好或随机选择通过脚本控制本地音乐播放器如mpv或VLC的命令行播放一段助眠白噪音雨声、篝火声或舒缓的纯音乐。音乐列表和音频文件是本地存储的。2. 核心技术点文本转语音TTS为了让放松引导更自然我使用了本地TTS引擎如pyttsx3或edge-tts的离线模式将LLM生成的引导文本转换成语音与白噪音混合播放。这比单纯的文字阅读体验好很多。流程编排这个Skill很好地体现了QClaw的流程控制能力。它需要按顺序执行多个动作获取情绪数据 - 生成文本 - TTS转换 - 控制灯光 - 播放音频。我在QClaw中将这些动作定义为一个Workflow使得逻辑非常清晰。4. 基于QClaw的具体实现步骤理论说再多不如一行代码。下面我以最核心的“情绪感知Skill”为例展示如何在QClaw中具体实现。4.1 环境准备与QClaw初始化首先确保你的Python环境建议3.9然后安装QClaw。根据其官方文档通常很简单pip install qclaw接下来初始化一个QClaw项目并创建主Agent和Skill的骨架。QClaw的目录结构比较直观my_wellbeing_agent/ ├── config.yaml # 配置文件存放API密钥、模型路径等 ├── main_agent.py # 主调度Agent入口 ├── skills/ # 技能目录 │ ├── __init__.py │ ├── emotion_skill.py │ ├── survival_skill.py │ └── sleep_skill.py ├── tools/ # 工具目录 │ ├── __init__.py │ ├── file_reader.py │ ├── ollama_client.py │ └── notifier.py └── data/ # 数据存储目录 └── emotion_logs.json在config.yaml中配置关键参数尤其是本地Ollama模型的地址# config.yaml ollama: base_url: http://localhost:11434 # Ollama默认地址 model: qwen2.5:7b # 使用的模型名称 paths: diary_folder: /path/to/your/diary/exports chat_summary_file: /path/to/daily_summary.txt schedule: emotion_check: 22:00 # 每晚10点分析情绪 hydration_reminder_interval: 120 # 喝水提醒间隔分钟仅在活跃时段4.2 构建工具Tools工具是Agent的手和脚。我们先实现一个读取文件和调用Ollama的工具。# tools/file_reader.py import os from typing import Optional from qclaw.tools import BaseTool class FileReaderTool(BaseTool): 读取指定路径文本文件的工具 name file_reader description 读取指定路径下的文本文件内容 def __init__(self, config): super().__init__(config) def run(self, file_path: str) - Optional[str]: 执行读取操作 if not os.path.exists(file_path): return f错误文件不存在 - {file_path} try: with open(file_path, r, encodingutf-8) as f: content f.read() return content except Exception as e: return f读取文件时出错{e} # tools/ollama_client.py import requests import json from qclaw.tools import BaseTool class OllamaClientTool(BaseTool): 与本地Ollama服务交互的工具 name ollama_client description 调用本地Ollama大语言模型进行对话或分析 def __init__(self, config): super().__init__(config) self.base_url config[ollama][base_url] self.model config[ollama][model] def run(self, prompt: str, system_prompt: str None) - str: 发送提示词到Ollama并返回回复 payload { model: self.model, prompt: prompt, stream: False, system: system_prompt, options: {temperature: 0.7} # 适当温度保持一定创造性 } try: response requests.post(f{self.base_url}/api/generate, jsonpayload, timeout60) response.raise_for_status() result response.json() return result.get(response, ).strip() except requests.exceptions.RequestException as e: return f调用Ollama API失败{e}4.3 实现情绪感知技能SkillSkill是Agent的核心能力单元。它使用Tools来完成特定任务。# skills/emotion_skill.py import json import schedule import time from datetime import datetime from qclaw.skills import BaseSkill from tools.file_reader import FileReaderTool from tools.ollama_client import OllamaClientTool class EmotionPerceptionSkill(BaseSkill): 情绪感知技能 name emotion_perception description 通过分析日记和聊天记录感知用户情绪状态 def __init__(self, config, tools): super().__init__(config, tools) self.file_reader tools[file_reader] self.ollama tools[ollama_client] self.diary_path config[paths][diary_folder] self.summary_path config[paths][chat_summary_file] self.log_file data/emotion_logs.json def analyze_emotion(self, text: str) - dict: 核心情绪分析函数 analysis_prompt f ... (此处填入前面设计好的详细Prompt) ... 用户记录 {text} response self.ollama.run(analysis_prompt) # 尝试解析JSON响应 try: # 有时模型回复会包含一些额外说明尝试提取JSON部分 start_idx response.find({) end_idx response.rfind(}) 1 if start_idx ! -1 and end_idx ! 0: json_str response[start_idx:end_idx] result json.loads(json_str) else: # 如果找不到完整JSON返回原始响应 result {raw_response: response} except json.JSONDecodeError as e: result {error: fJSON解析失败: {e}, raw_response: response} return result def daily_check(self): 每日定时执行的情绪检查任务 print(f[{datetime.now()}] 开始执行每日情绪检查...) all_text # 1. 读取日记 # 假设日记文件以日期命名如 diary_20231027.txt today datetime.now().strftime(%Y%m%d) diary_file f{self.diary_path}/diary_{today}.txt diary_content self.file_reader.run(diary_file) if diary_content and not diary_content.startswith(错误): all_text f【今日日记】\n{diary_content}\n\n # 2. 读取聊天摘要 summary_content self.file_reader.run(self.summary_path) if summary_content and not summary_content.startswith(错误): all_text f【今日沟通摘要】\n{summary_content}\n if not all_text: print(今日无新内容可分析。) return # 3. 调用模型分析 print(正在调用模型分析情绪...) analysis_result self.analyze_emotion(all_text) print(f分析结果{analysis_result}) # 4. 保存结果 log_entry { date: today, analysis: analysis_result, timestamp: datetime.now().isoformat() } self._save_to_log(log_entry) # 5. 根据结果可能触发其他Skill的干预 # 例如如果能量等级为“低”可以触发生存监控的加强提醒 if isinstance(analysis_result, dict) and analysis_result.get(energy_level) 低: # 这里可以发布一个内部事件主Agent或其他Skill监听并处理 print(检测到低能量状态已标记。) # self.emit_event(low_energy_detected, {time: datetime.now()}) def _save_to_log(self, entry: dict): 将分析结果保存到JSON日志文件 try: with open(self.log_file, r, encodingutf-8) as f: try: data json.load(f) except json.JSONDecodeError: data [] data.append(entry) f.seek(0) json.dump(data, f, ensure_asciiFalse, indent2) except FileNotFoundError: with open(self.log_file, w, encodingutf-8) as f: json.dump([entry], f, ensure_asciiFalse, indent2) def setup_schedule(self): 设置定时任务 # 使用schedule库设置每晚10点执行 schedule.every().day.at(self.config[schedule][emotion_check]).do(self.daily_check) print(f情绪感知技能已安排每日 {self.config[schedule][emotion_check]} 执行。) def run(self): Skill的主运行循环供主进程调用 self.setup_schedule() while True: schedule.run_pending() time.sleep(60) # 每分钟检查一次任务4.4 组装主Agent并运行主Agent负责初始化所有组件并管理它们之间的协作。# main_agent.py import yaml import threading from qclaw.agent import Agent from skills.emotion_skill import EmotionPerceptionSkill from skills.survival_skill import SurvivalMonitorSkill from skills.sleep_skill import SleepAidSkill from tools.file_reader import FileReaderTool from tools.ollama_client import OllamaClientTool from tools.notifier import SystemNotifierTool # 假设还有一个通知工具 def load_config(): with open(config.yaml, r, encodingutf-8) as f: return yaml.safe_load(f) def main(): config load_config() # 1. 初始化工具 tools { file_reader: FileReaderTool(config), ollama_client: OllamaClientTool(config), notifier: SystemNotifierTool(config), } # 2. 初始化技能 emotion_skill EmotionPerceptionSkill(config, tools) survival_skill SurvivalMonitorSkill(config, tools) # 需自行实现 sleep_skill SleepAidSkill(config, tools) # 需自行实现 # 3. 创建主Agent并注册技能 my_agent Agent(nameWellbeingGuardian, configconfig) my_agent.register_skill(emotion_skill) my_agent.register_skill(survival_skill) my_skill.register_skill(sleep_skill) print(打工人身心健康守护Agent启动成功) print(正在运行情绪感知、生存监控、睡眠辅助模块...) # 4. 在每个独立的线程中运行各个技能的循环简化示例 # 实际中QClaw可能有更好的并发管理方式 emotion_thread threading.Thread(targetemotion_skill.run, daemonTrue) survival_thread threading.Thread(targetsurvival_skill.run, daemonTrue) emotion_thread.start() survival_thread.start() # 主线程可以处理其他事件或保持运行 try: while True: time.sleep(1) except KeyboardInterrupt: print(\n正在关闭Agent...) if __name__ __main__: main()运行这个主程序你的专属Agent就开始在后台默默工作了。它会定时分析你的日记提醒你喝水活动并在睡前为你营造放松的氛围。5. 部署、调优与避坑指南把代码跑起来只是第一步让这个Agent真正“好用”且“耐用”还需要解决部署和日常使用中的一系列问题。5.1 部署方案选择本地常驻推荐给极客在一台始终开机的电脑比如家里的NAS、旧笔记本或树莓派上运行。这是隐私性最好的方案。你需要解决的是如何让程序在后台稳定运行以及如何从公司网络访问家里的服务如果需要远程触发。可以使用systemdLinux或LaunchAgentsmacOS创建服务或者用screen/tmux会话保持运行。云服务器推荐给希望随时访问的用户购买一台最基础的云服务器如腾讯云/阿里云的轻量应用服务器。将代码部署上去并通过反向代理如Nginx暴露安全的API接口。这样你可以在任何地方通过手机App或浏览器触发Agent功能。务必注意服务器安全设置和API鉴权防止隐私数据泄露。容器化部署便于迁移使用Docker将整个Agent及其依赖打包。这能完美解决环境一致性问题。你可以在本地或云服务器上通过docker-compose up -d一键启动。Dockerfile需要包含Python环境、项目代码以及任何系统依赖如音频播放库。5.2 性能与稳定性调优模型响应慢本地7B模型在CPU上推理可能较慢一次分析需要10-30秒。可以考虑使用量化模型Ollama提供了很多-q4_0、-q8_0等量化版本的模型体积更小速度更快精度损失在可接受范围内。升级硬件如果有条件给服务器加一块消费级显卡如RTX 4060使用GPU推理速度会有质的飞跃。异步处理将耗时的LLM调用改为异步非阻塞模式避免阻塞主线程和其他技能的运行。QClaw可能支持异步Tool需要查阅其文档。误报与打扰Agent的提醒变得烦人是失败的开端。设置“勿扰时段”在代码中集成系统勿扰模式检测或者在特定时间段如深度工作时段自动降低提醒频率。增加反馈机制每次提醒后可以有一个简单的反馈按钮比如在通知里快速回复“知道了”或“别再提醒这个”让Agent学习你的偏好。引入衰减算法对于同类型提醒如果用户多次忽略则当天不再重复提醒。数据隐私与安全这是生命线。所有数据本地存储日记、分析日志、配置文件全部放在本地加密磁盘或你信任的私有云。慎用第三方API如果集成智能家居尽量使用本地局域网协议如Home Assistant的本地API避免数据经过厂商服务器。配置文件分离将敏感信息如路径、IP地址放在config.yaml中并将该文件加入.gitignore防止误提交到公开仓库。5.3 常见问题与排查QAQ1: 运行主程序时报错提示找不到qclaw模块或某些依赖。A1:确保你是在安装了所有依赖的虚拟环境中运行。使用pip install -r requirements.txt如果你创建了该文件或手动检查安装qclaw、schedule、requests、pyyaml等包。对于音频播放可能还需要pygame或pydub。Q2: Ollama服务连接失败提示“Connection refused”。A2:首先确保Ollama服务已经启动。在终端运行ollama serve并保持前台运行或者将其配置为系统服务。检查config.yaml中的base_url是否正确默认是http://localhost:11434。如果是远程服务器需要确认Ollama服务监听地址OLLAMA_HOST环境变量和防火墙设置。Q3: 情绪分析的结果总是很奇怪或者不是JSON格式。A3:这是提示词工程问题。首先在Ollama的WebUI或命令行里单独测试你的Prompt看模型返回是否稳定。其次在Prompt中强烈要求模型以JSON格式输出并给出明确的键名。可以增加类似“你必须且只能输出一个合法的JSON对象不要有任何其他解释文字”的指令。最后在代码中做好异常处理对非JSON响应进行降级处理如记录原始文本。Q4: 定时任务不执行或者执行了一次就停了。A4:schedule库需要在循环中不断调用run_pending()。确保你的Skill的run()方法里有一个while True循环并且没有因为异常而退出。检查日志是否有错误信息。对于更复杂的定时需求可以考虑使用APScheduler等更强大的库。Q5: 如何让Agent在开机时自动启动A5:Linux (systemd): 创建一个my-agent.service文件放在/etc/systemd/system/配置ExecStart为你的Python命令路径。macOS (LaunchDaemon): 创建一个.plist文件放在~/Library/LaunchAgents/使用launchctl load加载。Windows (任务计划程序): 创建一个基本任务触发器设为“计算机启动时”操作为启动你的Python脚本。6. 效果评估与未来迭代方向这个项目我从构思到实现第一个可用的版本断断续续花了两周左右的业余时间。现在它已经在我的一台旧Mac Mini上稳定运行了一个多月。说几点最真实的感受效果评估情绪感知准确率大概在70%左右。它能比较可靠地识别出“疲惫”和“兴奋”但对于更复杂的情绪比如“焦虑中带着期待”识别有限。最大的价值不在于分析的绝对准确而在于它提供了一个定期回顾的契机。每周看看情绪日志能发现自己压力大的规律比如每周三下午从而主动调整。生存监控这是最立竿见影的功能。被提醒后去接水、站起来伸个懒腰生理上的即时舒适感很强。它确实减少了我因为专注而导致的“废寝忘食”的次数。睡眠辅助睡前45分钟自动调暗灯光、播放混合了引导语的白噪音这个“数字仪式”非常有效。它像一个开关帮助大脑建立“听到这个声音就该放松了”的条件反射入睡时间感觉有所缩短。它没有解决的它无法替代真正的社交、运动和专业的心理疏导。它只是一个辅助工具。初期会有“新鲜感效应”觉得好玩后来可能会忽略它的提醒。需要自己保持一定的参与度。未来迭代想法多模态输入接入摄像头非连续录制仅定时抓拍分析工作时的表情和姿态更客观地评估疲劳度。个性化学习让Agent学习我对不同提醒的反馈忽略、执行、推迟动态调整提醒策略和语气变得更“贴心”。与专业工具集成将分析结果导出到Notion或Obsidian形成更完善的生活管理看板。开发简易前端做一个简单的Web仪表盘可视化展示情绪趋势、喝水统计等体验会更完整。回过头看用QClaw构建这样一个Agent的过程本身就像一次对自身工作生活状态的深度审视。技术在这里不是制造焦虑的帮凶而是帮助我们建立更健康数字习惯的盟友。这个项目的代码可能不会多么优雅高效但它切实地在我对抗“无效内卷”的战斗中提供了一个小小的、自动化的喘息空间。如果你也感到被工作节奏裹挟不妨试试亲手打造一个这样的“赛博搭子”这个过程本身或许就是一种最好的治愈。