OpenClaw 实战：一台 Mac mini 跑 3 个 AI Agent，替我打工 30 天

年前我在 Mac mini M4 上装了 OpenClaw，一个开源的本地 Agent 框架。

干嘛用？说来丢人——我每天被一堆重复的活淹没：查服务器日志、写知乎、拉数据、发日报。干了一天回头看，代码一行没写。

当时想的是让 AI 帮我把这些活接过去。现在回看，"接过去"这三个字，我理解得太简单了。

---

 装完 OpenClaw 的第一天，我基本在用它聊天。 

"帮我写个邮件""这段代码什么意思""总结一下这篇文章"——跟 ChatGPT 一模一样的用法。区别只是它跑在我本机，延迟低点。

然后我问自己：这玩意要是关了，我手上多了啥？

啥也没有。聊天记录而已。

真正的转折是我给它自己研究流程，然后加了第一个 cron 任务——每天早上 10 点，自动从知乎热榜找几个问题，匹配我的知识库，写一篇回答草稿推到飞书。

第二天早上起来，飞书弹了条消息，文章已经躺在那了。稍微改改就能发。

那一刻我才明白 Agent 是什么意思——你不在场，它照样交付。

不是你问它问题。是它主动给你产出。这个区别比听起来大得多。

---

 但真跑起来才知道事情没那么美好。 

我遇到的第一个硬坑跟 AI 一点关系都没有——Docker Desktop 的 HTTP Proxy。

有一天所有容器突然拉不动镜像了，卡在 Pulling。我查了半小时，发现是 Docker Desktop GUI 里有个代理设置指向了 http.docker.internal:3128，这个代理之前通的，那天挂了。关了它立刻好使。

你要问 AI 它能告诉你这个坑吗？能告诉你"检查代理设置"，但具体到"Docker Desktop GUI → Resources → Proxies → 关掉"这种解法，得自己趟。

---

 第二个坑更隐蔽。我配了 LaunchAgent 做开机自启动： 

<!-- ~/Library/LaunchAgents/com.openclaw.agent.plist --> <key>RunAtLoad</key> <true/>

测的时候好使，launchctl load 一下就起来了。然后有天机器重启，Agent 没跑起来。

launchctl list | grep openclaw —— 一片空白。

折腾了一晚上，最后发现问题出在用户登录时机上。LaunchAgent 是用户级的，必须登录后才加载。我的 Mac mini 是 headless 的，设了自动登录，但偶尔会卡在登录界面。

后来换成 LaunchDaemon（系统级），放到 /Library/LaunchDaemons/，开机就起，跟有没有人登录没关系。

这种坑你搜"OpenClaw 开机自启"搜不到的。得搜"macOS LaunchAgent vs LaunchDaemon headless"。

---

 3 个 Agent 跑在同一台机器上，权限怎么隔离？ 

我用了一个很笨的办法：建了 3 个 macOS 用户。每个 Agent 跑在自己的用户下，各有各的 home 目录、SSH key、环境变量。

# 主用户可以 sudo 切换到 agent 用户，但 agent 用户不能反过来 visudo: yourname ALL=(openclaw-team,liurui) NOPASSWD: ALL

为什么不用 Docker 隔离？因为 Agent 需要读本机文件、操作浏览器、跑 ffmpeg 处理视频——容器里做这些太折腾了。用户级隔离没有容器安全，但对我的场景够用：每个 Agent 只能碰自己目录下的东西，互不干扰。

有意思的是，这三个 Agent 跑久了之后，各自会积累自己的"记忆"——工作日志、踩坑记录、常用配置都沉淀在各自的 workspace 里。杀了重建，这些经验就没了。所以我后来特别在意一件事：结果必须落盘。

OpenClaw的机制是：Agent 每天干了什么，写到 memory/YYYY-MM-DD.md。有价值的经验定期归档到 MEMORY.md。这不是什么高级功能，就是让 Agent 养成写日记的习惯——跟你管理初级员工的思路一样：干完活先写个 summary，别让成果消失在聊天窗口里。

---

 说几个跑了一个月之后的实际产出。 

内容 Agent：每天自动写 2 篇知乎回答草稿。30 天累计输出了 60 多篇，人工只需要审一遍、改几句、发布。一个人写 60 篇至少得两周，现在每天花 20 分钟。

运维 Agent：自己的项目自动维护，自动上线。

最有用的是直播回放处理。一个 2 小时的直播视频丢进去，它自动转文字、提炼观点、切短视频片段、生成文章草稿。全流程大概 40 分钟跑完。以前这套活我手动做过，至少半天。

---

 我总结了几个教训，都挺土的： 

别让 Agent 干"太聪明"的活。写知乎回答？能干。自动回复用户私信？别。边界感很重要，该你本人出场的活，机器代替不了。

模型不是瓶颈，工具链才是。Agent 的 80% 时间不是在"思考"，是在调工具——跑命令行、操作浏览器、读写文件。这些环节出一个问题，整条链路就断了。

最后一条：一次只做一件事。别一上来就给 Agent 配 10 个 skill。先把一个最痛的活跑通——每天定时交付一个产物，稳定运行几天。然后再加第二个。

---

如果你也在折腾本地 Agent，评论区聊。